Искусственный интеллект в 2019 году

Существует забавное психологическое явление: повторяйте любое слово достаточно много раз, и в конечном итоге оно потеряет всякий смысл, превратится в мокрую тряпку, в фонетическое ничто. Для многих из нас фраза «искусственный интеллект» давно потеряла смысл. ИИ сейчас повсюду в технологиях, он питает все, от телевизора до зубной щетки, но означает вовсе не то, что должен. Так быть не должно. 

В то время как фраза «искусственный интеллект», бесспорно, используется неправильно, эта технология делает больше, чем когда-либо — и хорошего, и плохого. Она используется в здравоохранении и боевых действиях; помогает людям писать музыку и книги; оценивает вашу кредитоспособность и улучшает фотографии, сделанные вашим телефоном. Короче говоря, она принимает решения, которые влияют на вашу жизнь, нравится вам это или нет.

Может быть трудно согласиться с тем хайпом и шумихой, с которыми ИИ обсуждают технокомпании и рекламодатели. Взять, к примеру, зубную щетку Genius X от Oral-B, одно из многих устройств, представленных на выставке CES в этом году, которые рекламировали предполагаемые  способности ИИ. Но при ближайшем рассмотрении станет понятно, что щетка просто дает вам обратную связь о том, чистите ли вы зубы в течение необходимого количества времени и в нужных местах. Есть несколько хитроумных датчиков, позволяющих определить, где у вас во рту щетка, но называть ее искусственным интеллектом — это бред, не более того.

Шумиха порождает недоразумение. Пресса может раздуть и преувеличить любое исследование, наклеив изображение Терминатора на любую смутную историю с ИИ. Часто это приводит к путанице на тему того, что такое искусственный интеллект. Это может быть непростая тема для неспециалистов, и люди часто ошибочно связывают современный ИИ с той версией, с которой они лучше всего знакомы: научно-фантастическое представление сознательного компьютера, который во много раз умнее человека. Эксперты называют этот конкретный образ ИИ общим искусственным интеллектом, и если мы когда-нибудь сможем создать нечто подобное, это будет очень нескоро. До тех пор преувеличение возможностей, интеллекта или способностей системы ИИ никак не поможет процессу.

Гораздо лучше говорить о «машинном обучении», а не об искусственном интеллекте. Это подполе искусственного интеллекта, которое включает в себя почти все методы, оказывающие наибольшее влияние на мир в настоящее время (включая то, что называется глубоким обучением). В этой фразе нет мистики «ИИ», но она более полезна для объяснения того, что делает эта технология.

Как работает машинное обучение? За последние несколько лет мы с вами имели возможность прочитать десятки объяснений, и самое важное отличие, которое я нашел для себя, лежит прямо в названии: машинное обучение — это все, что позволяет компьютерам обучаться самостоятельно. Но что оно означает на самом деле — гораздо больший вопрос.

Давайте начнем с проблемы. Скажем, вы хотите создать программу, которая может распознавать кошек. Вы можете написать ее старомодным образом, запрограммировав очевидные правила, вроде «у кошек острые ушки» и «кошки пушистые». Но что сделает программа, когда вы покажете ей изображение тигра? Программирование каждого правила будет занимать много времени, при этом вам придется объяснять множество разных концепций вроде «пушистости» и «пятнистости». Лучше позволить машине учить себя. Таким образом, вы даете ей огромную коллекцию фотографий кошек и она просматривает их, чтобы найти свои собственные шаблоны в увиденном. Сначала она соединяет точки, по большей части случайно, но вы проверяете ее снова и снова, сохраняя лучшие версии. И со временем она начинает довольно хорошо определять, что такое кошка и что кошкой не является.

Пока все предсказуемо. На самом деле, вы, вероятно, читали подобное объяснение раньше — извините за это. Важно другое. Какими будут побочные эффекты обучения системы, принимающей решения, вроде этой?

Самое большое преимущество этого метода — самое очевидное: вам никогда не придется программировать эту систему. Конечно, вы будете много работать, совершенствуя принципы обработки данных системой, пока она будет находить более разумные способы извлечения информации, но вы не будете говорить системе, что ей нужно искать. Это значит, что она сможет найти закономерности, которые люди вообще могут пропустить или даже не задумаются о них. И поскольку все, что нужно программе, это данные — 1 и 0 — ее можно обучать выполнять самые разные задания, потому что мир буквально кишит данными. С молотком машинного обучения в вашей руке, цифровой мир будет полон гвоздей, готовых к приведению в действие.

Но теперь подумаем о недостатках. Если не вы обучаете компьютер, откуда вам знать, как он принимает решения? Системы машинного обучения не могут объяснить свое мышление, а это означает, что ваш алгоритм может работать хорошо по неправильным причинам. Точно так же, поскольку все, что знает компьютер, это данные, которые вы им предоставляете он может выработать предвзятое отношение к вещам, либо может быть хорошо только в узких задачах, которые похожи на данные, которые он видел раньше. В нем нет здравого смысла, который вы могли бы ожидать от человека. Вы можете создать лучшую в мире программу распознавания кошек, но она никогда не расскажет вам, что котята не могут ездить на мотоциклах или что кошку с большой вероятностью назовут «Кощей Бессмертный» или «Алексей Толстой».

Обучение компьютеров учиться самостоятельно — это блестящий трюк. И как и все трюки, этот включает хитрости. В системах ИИ есть разум, если вы хотите его так назвать. Но это не органичный разум, и он не играет по тем же правилам, что и люди. С таким же успехом можно спросить: насколько умна книга? Какой опыт закодирован в сковороде?

Где же мы сейчас находимся, с нашим искусственным интеллектом? После многих лет заголовков, трезвонящих об очередном большом прорыве (который еще не случился, да и заголовки не утихают), некоторые эксперты приходят к выводу, что мы достигли некоторого плато. Но это не мешает прогрессу. Что касается исследований, существует огромное количество возможностей для изучения с уже доступным нам знанием, а что касается продукта, мы увидели только верхушку алгоритмического айсберга.

Кай-Фу Ли, венчурный капиталист и бывший исследователь искусственного интеллекта, описывает текущий момент как «эпоху внедрения» — когда технология начинает «выплескиваться из лаборатории в мир». Бенедикт Эванс сравнивает машинное обучение с реляционными базами данных, на которых в 90-х было сделано целое состояние и которые изменили целые отрасли, но это будет настолько обыденно, что вам станет скучно, если ваш взгляд замутнен величием киношного искусственного интеллекта. Сейчас мы находимся на том этапе, когда ИИ должен стать нормальным, привычным. Очень скоро машинное обучение будет в каждом из нас и мы перестанем обращать на него внимания.

Но пока этого не случилось.

На текущий момент, искусственный интеллект — машинное обучение — это все еще что-то новое, что часто остается необъяснимым или недостаточно изученным. Но в будущем он станет настолько привычным и обыденным, что вы перестанете его замечать.