在AI已经学会了如何扮演上帝赢得人类



中国 在16场比赛中的机器打败的人(17,如果考虑到在第二个帐户李世乭失利),但在未来,他们正在等待一个更加令人印象深刻的成就:最令人惊叹的数学,生理学和生物学问题的决定,战胜疾病和年老的时候,消除交通事故凯旋在军事冲突,等等。搜索结果 世界在我们眼前发生了变化,但不是所有的注意到了这一点。当该程序如何学会正确地播放?是否总是一个人的损失表明全人类的失败?会发现无论是人工智能的意识?_爱关于作者。 B>这篇文章是基于讲座“人工智能。历史与展望“,在Mail.Ru集团谢尔盖·马尔科夫的莫斯科办事处举行。谢尔盖·马尔科夫,机器学习是从事“储蓄银行”。在银行业建立预测模型,业务流程管理的基础上,足够大的训练样本,其中可能包括数亿案件。在他的业余爱好谢尔盖表明象棋编程,人工智能游戏,极大极小问题。 SmarThink计划,由谢尔盖·马尔科夫创建,成为俄罗斯(2004)和独联体(2005年)的象棋程序(2004)之间的冠军,今天在世界上最强的项目的前30名。谢尔盖也就是非营利性的科学和教育门户网站22世纪的创始人。搜索结果 这一切是如何开始结果
搜索结果TechnoCore - 多个在四部曲“海波龙歌”由丹·西蒙斯人工智能的栖息地。一个强大的AI可视化的科幻小说的例子。搜索结果 从AI的想法发生了不愉快的故事。在计算机科学领域工作的专业人士在科学最初出现,便迅速陷入了公共环境和经历的各种变化。如果你今天问街上的人,这是AI,就越有可能你会听到从他身上是不是由AI专家牢记的定义。搜索结果 你开始一个故事之前,您需要通过人工智能正是我们的意思决定,哪里是它结束的计算rscience地区和邻近地区开始的边界。搜索结果 AI一般 - 是用于自动执行传统上被认为是知识分子的任务任务的方法,以及一个人用他的资质。通过自动化由人用脑的帮助下解决了问题,我们从而产生AI。另一件事是,这是AI通常被称为应用程序,或者具有一定程度的轻视弱者的。不愉快的需要注意的是,这仅适用于今天的人类那种AI的。搜索结果 而对于强大的AI,强人工智能(AGI),某些事态发展,但只要我们在一开始。强人工智能 - 它是一个可以应对任何挑战智慧的系统。在小说中的图像,如人,AI,能解决什么问题而形成的。搜索结果
搜索结果 因为我们是如此广泛的计算机科学定义使用人工智能,从形式上看,我们发现AI甚至是古希腊人的存在元素。我们谈论的是著名的安提凯希拉机制,这是外的地方神器之一。该装置适用于天体物理计算。上图为幸存的片段和神器的现代化改造中的一个。该机构包括一箱,37青铜齿轮,其上放置箭头拨号。恢复齿轮的位置内涂层的矿物碎片通过计算机断层扫描使用X射线进行管理。搜索结果 就其本身而言,该帐户的任务,曾经被认为是知识分子 - 如果可以很好相信它可以被称为知识搜索结果。
搜索结果账户约翰·纳皮尔的专为快速繁殖单位。搜索结果 首批自动化帐户的任务。第一机械设备甚至出现了之前工艺品键入neperovyh棒。苏格兰数学家约翰·纳皮尔对数的发明者之一,1617年创建一个帐户单元对现代技术的背景下,似乎可笑:卷纸 - 事实上,第一个对数表来执行某些操作。但同时代它是差不多的奇迹,任何AlphaGo我们。曾经有一段时间甚至有诗人献给neperovym棒(纳皮尔的骨头)的诗句。说为什么你的祖先骨骼nosites,这是非常骨头,这实在是值得自豪的。搜索结果
搜索结果帕斯卡的计算器 - 算术机,由法国科学家帕斯卡在1642年搜索结果发明 帕斯卡,与德国数学家威廉Schickard,谁在1623年提出了自己的一台电脑的版本一起,奠定了基础,为广大计算设备的出现。我们已经熬过了几辆车,即使帕斯卡创造了生命。本机是能够增加,鸿沟,减法和乘法。搜索结果 搜索结果完整的工作复印机,由英国数学家巴贝奇查尔斯于1822年所谓的差发动机的设计通过多项式逼近函数,计算有限差分计算,自动发明。搜索结果 关于查尔斯·巴贝奇听说过几乎所有的计算机科学家。唉,巴贝奇从来没有能够创造一个正常工作的计算机。很长一段时间没有停止争议,在原则上,他的作品提出了不同的引擎。在1989年至1991年期间,稍作修改查尔斯·巴贝奇,幸存的图纸诞生和200周年收集分析引擎的工作副本。这些修改是必要的,因为在图中发现了“错误”的。也许巴贝奇故意做出一些变形战斗未经许可复制盗版。搜索结果 分析引擎 - 现代冯·诺依曼机的雏形。当IBM的工程师建造了第一台电子计算机,他们用Babbage的蓝图。我们用来与一个输入输出设备单独计算装置,存储器等发言的冯·诺依曼体系结构,即,一台机器然而,根据Babbage的想法。搜索结果 除了机器代码bebbidzhevoy机器操作应用的条件分支和循环语句。本机是真正的又是什么能够使电子产品的基础上曾祖父。搜索结果 搜索结果提花机 - 大棚生产大提花组织形成织机的机制。创建于1804年,它允许每个支撑丝或一小群人单独控制。搜索结果 输入输出设备,打孔卡仍然以巴贝奇 - 他们在编织机中使用zhakkardovskih在面料生产设置纱线顺序搜索结果。 新的时间结果 搜索结果TAB - 机电机专为存储在打孔卡搜索结果的数字和字母数据的自动处理。 第一个统计是建立制表美国赫尔曼·霍尔瑞斯于1890年,以解决统计计算相关的问题。设备与打孔卡工作的著名发明家和制造商成功地参加了由美国政府组织找到处理人口普查结果的自动化手段的竞争。对于手动计数和分析,将需要大约100人的4 - 5年的工作只是为了编译和计算总社会学的人口普查数字。搜索结果 搜索结果霍尔瑞斯打孔卡。搜索结果 TAB - 这是一个非常原始的汇总表。每张卡对应的问卷,它屈服了,相关账户。在标签加载的卡,他赶紧追他们通过自己和所计数的量卡的形式产生结果。这些款项投资于其它制表等搜索结果 在比赛获胜后,霍尔瑞斯创办的公司 - 制表机公司,并经过一系列的并购,它被称为IBM搜索结果。 被打游戏机结果 正如在任何实验科学,计算机科学节,在AI需要一个自己的飞行果蝇中,一个模型对象,你可以尝试一下人工智能技术从事。游戏 - 最有名的苍蝇果蝇人工智能搜索结果。 游戏 - 网模型空间。它在规定条件各州唯一定义和描述为一组参数。创建AI进行游戏,因此,我们从摆在AI和问题的切实可行的解决方案之间的工程问题的抽象质量。我们从来自所述信号转换的输入和输出,感知的问题,等等的数据编码抽象对我们来说,是最纯粹的游戏的一个知识分子的任务。这很方便,因为AI专家是懒惰,不想做任何事,除了AI。搜索结果 搜索结果象棋机“土耳其人»。搜索结果 游戏 - 这是一大看点。如果你表现出的车,谁知道如何打好比赛,这将留下深刻的印象,甚至在无知的人。游戏机引起注意数百年。在上面的图片你可以看到著名的骗局的说明 - 第一个国际象棋机,设计发明者沃尔夫冈·冯·肯佩伦1769年里面的“车”其实是隐藏着一个真正的球员。在此框中没有蔑视爬上他的时间领先的棋手。施洗约翰ALLGAIER,奥地利已故第十八最强的棋手 - 十九世纪初,先后效力于土耳其人的一些政党搜索结果。 这是一个复杂的机械装置是不是人工智能,但奇怪的是,在他的帮助才得以骗过同时代的人。人们真的认为,有些工匠能创造能够下棋的齿轮,杠杆,机制和平衡的帮助系统。即使保存记录的游戏用机械土耳其人反对拿破仑发挥(尽管一些历史学家纷纷质疑他的主题的准确性)。所以也许这甚至已经上当最高的人物。搜索结果 搜索结果 这是真正知道如何下棋的第一个设备。埃尔Ajedrecista(俄文 - “棋手”)。它是1912年由西班牙著名数学家和工程师莱昂纳多托雷斯克韦多创建。搜索结果 萨尔瓦多Ajedrecista是在其上用电磁铁机器移动王和车棋盘。本机是保证把国王和击破车从一个位置一个孤独的国王:国王正站在白色的H8车 - 在G7,黑王可能是在任何领域。两个幸存的复印机上的工业博物馆在马德里展出。搜索结果 搜索结果 这又是一个著名的AI最后 - 机制“Nimatron”,于1940年创建了打他。他 - 一个数学游戏,其中两名球员轮流承担几堆(通常是三个)中规定的项目。在一招,你可以采取任何数量的少数项目(大于零)的。获胜者是谁需要的最后一个对象播放器。搜索结果 这是一个已经建立了一个完整的数学理论早在1901至1902年两年期的第一个游戏之一。在的“Nimatron”什么新鲜事介绍的基础上,本场比赛已经知道最优策略方法上,但它是博弈论中的腺体的第一个决定之一。搜索结果 项目“Nimatron”由爱德华·康登叶蝉导演 - 现代量子力学的奠基人之一。他认为该项目的最大的失败在我的生活,但与技术和资金面。工作的“Nimatronom”康登和他的团队发明了许多技术(包括,例如,印刷电路板制造方法),这后来被宣称计算机技术。但是球队并没有申请专利的专家,因为任何事情的结果是行不通的。搜索结果 最优策略结果 搜索结果恩斯特·弗里德里希·费迪南德策梅洛 - 谁做出的集理论和数学搜索结果的公理基础的创造显著的贡献德国数学家。 谈到人工智能的游戏是不完整的恩斯特策梅罗和他的定理提及。讲俄语的运气话题的粉丝。策梅罗的作品最初是用德语写成。如果它仅在1999年,俄语翻译成英语 - 在1960年代末 - 70年代初。正因为如此,在俄罗斯文学写更多的还是什么策梅罗少做正确,并在英文文献仍然是一头雾水。例如,在一项研究中说,策梅罗证明,如果白棋会让完美的动作,一定要达到至少一场平局。事实上,没有人迄今尚未提供任何此类证据,但策梅罗做出的又一重要发现。搜索结果 这不是国际象棋的好游戏,一般不知道游戏规则。或许正因为如此,并于1913年证明了博弈论的第一个正式的理论。根据这本书“管理的进程和博弈论”,发表在苏联于1955年的策梅罗贡献正确的描述是:“策梅罗证明确定性游戏,如国际象棋,什么理性的玩家可以使用所有的信息来制定一个最佳战略游戏。»博客 国际象棋的规则,普通几乎知道一切,但也有一些其他的非常重要的,而不是完全明显的规则。例如,一个规则移动50个州,如果在50移动棋子没有没有前进,没有人的身影一直没有采取,这是颁发给一个平局。或者,如果某一位置反复三次 - 还获得一个平局。对笔画数棋的游戏无限不能 - 在游戏中这样或那样的一些止损点。恩斯特·策梅洛不知道它,我认为可能性是无穷无尽的棋牌类游戏:你去的身影 - 背部等玩到宇宙不崩溃化为尘土。搜索结果 如何去赢得井字棋结果 搜索结果 因此,让我们来看看如何确定最佳战略游戏。从下国际象棋有点扯远了,举一个简单的例子 - 井字棋,在世界上最古老的游戏之一,出现在古埃及。对于这场比赛策梅罗使用逆向归纳 B> - 通过该搜索是在相反的方向进行的,从那里一方已收到拍拍或垫子的位置开始,并与站在板<具体位置结束所述方法。 BR>结果 策梅洛没有给向后感应的详细描述,但用它的原则,即存在用于获胜者一侧的位置上。我们可以指定到这些职位评价:-1 - 赢了脚趾,1 - 韩元穿越0 - 得出搜索结果。 现在,我们可以从这些位置上树,看看课程,一些职位,从而导致获奖的位置。如果有进展,那么该项目将被视为获胜。搜索结果 另一方面,如果不存在进展,导致一个成功的位置,但至少有一个通路通向无人位置,则该位置被认为是一个平局。而如果没有进步时,大师也没人,也没有赢得位置,该位置被认为是丢失。搜索结果 使用这个规则,我们都在树中,开始用艾叶,动起来,和属性节点评估,直到我们分配痕所有位置。在收到全部分数的所有位置后,我们看到了游戏中完美的算法。一旦在游戏中的某个位置,我们会一直看到进度(如果有的话),从而导致获奖的位置。如果获胜的举动是不存在的,它会做一个平局中风,只有在最坏的情况下会去一个失败的位置。从理论上讲,这样的系统能够在内存中评价树存储在每个位置上,将在神级发挥。搜索结果 搜索结果 策梅罗了解,但认为这棵树有着无穷的分支那里没有终点。他不知道是否有可能为一个游戏,有它头寸规模无限树,在有限的时间来计算是保证在任何位置做出完美的移动最优策略?证明了,尽管事实树本身可以是无限的,我们可以找到一个有限数量的迭代的最佳策略。它是迭代的数量有限绝对不会比在游戏的不同项目的数目越高。搜索结果 搜索结果EDSAC(延迟存储电子自动计算器) - 在表演的世界第一和实际使用的存储器中存储的计算机程序,由剑桥大学(英国)大学创建于1949年。 1952年,井字棋的EDSAC计算机游戏的实施是最早的视频游戏之一。计算机学会玩完美的游戏对抗的最优策略方面知道他的人。搜索结果 联系感应:历史结果的方法 搜索结果的经济学家奥斯卡·摩根斯坦,博弈论的作者之一,数学家约翰·冯·诺伊曼,谁做量子物理学,泛函分析,集合论和其他科学分支重要贡献。搜索结果 关于诱导解读就业是在集合论相反。知识的另一个领域,没有它是无法想象博弈论的发展,在于经济领域。 В 1944 г. вышла монография Джона фон Неймана и Оскара Моргенштерна «Теория игр и экономическое поведение», в которой авторы обобщили и развили результаты теории игр и предложили новый метод для оценки полезности благ. В этой работе впервые формально было дано определение метода обратной индукции.



В 1965 г. математик Ричард Белман предложил использовать метод ретроспективного анализа для создания баз данных решений шахматных и шашечных эндшпилей (заключительная часть партии). Он дал алгоритмическое описание применения метода обратной индукции для построения оптимальной стратегии в играх.



В 1970 г. математик Томас Штрохлейн защитил докторскую диссертацию о шахматном окончании. Дело в том, что в шахматах существуют специальные случаи, когда на доске остается мало фигур. В таких случаях для небольшого числа фигур мы можем решить задачу методом обратной индукции.

Итак, мы приблизились к пониманию, каким образом ИИ выигрывает у человека в шахматы. Компьютеру не нужно каждый раз производить расчеты эндшпиля — достаточно посмотреть в базе данных уже посчитанный результат и сделать идеальный ход. Эндшпильные базы данных, включающие все возможные расстановки фигур, проводят поиск в обратном направлении, начиная с позиций, где одна сторона уже получила пат или мат, и заканчивая конкретной позицией на доске.



В 1977 г. Кен Томпсон, известный за вклад в создание языка С и ОС UNIX, представил одну из первых в мире эндшпильных таблиц для всех пятифигурных окончаний.

В 1998 г. наш соотечественник, программист Евгений Налимов создал чрезвычайно эффективный генератор шахматных окончаний, благодаря которому, учитывая рост производительности компьютеров, к началу 2000-х годов были посчитаны все шестифигурные окончания.



Эту главу закроет фотография не человека, а компьютера. В 2012 г. рассчитали семифигурные таблицы для ситуаций распределения фигур четыре против трех и пять против двух. Их назвали таблицами «Ломоносова», так как рассчитывались они на суперкомпьютерах МГУ «Ломоносов» и IBM BlueGene/P.

Неожиданные открытия в шахматах
Участие компьютеров в шахматных играх открыло людям то, о чем никто не догадывался сотни лет. Как уже упоминалось, в шахматах существует правило 50 ходов. Было известно, что есть очень редкие исключения, когда игрокам требовалось более 50 ходов для хитрых маневров. Однако когда Кен Томпсон начал публиковать результаты анализа, оказалось, что этих исключений очень много.搜索结果 Эксперты ФИДЕ (Federation Internationale des Echecs — Международная шахматная федерация) предложили заменить правило 50 ходов на правило 75 ходов, что и было сделано.



Вскоре выяснилось, что в ряде случаев для завершения партии недостаточно и 75 ходов, но и на этом процесс поиска новых решений не остановился. На сегодняшний день рекордная задача — мат в 549 ходов.

В итоге ФИДЕ на это дело плюнули и решили вернуться к правилу 50 ходов. В конце концов, неужели мы будем подыгрывать компьютерам? Ни один человек со стандартным размером мозга не способен найти последовательность из сотен тихих ходов, ведущих к победе.



Кен Томпсон провел несколько показательных выступлений — «ладья и король против ферзя и короля». Компьютер играл за игрока, владеющего ладьей. Этот эндшпиль теоретически проигрышный — шахматист уровня мастера, владея ферзем, обычно легко выигрывает у любого противника. Компьютеру была поставлена задача максимально оттянуть свой теоретически неизбежный проигрыш. На одном из выступлений против компьютера играли Ханс Берлинер, чемпион мира в игре по переписке, со своим другом — сильным гроссмейстером из топ-30 мировых игроков. И двум гроссмейстерам не удалось заматовать короля. На доске происходило нечто феерическое — происходили неясные маневры, но черным чудесным образом удавалось выпутаться. Это была одна из первых прекрасных демонстраций того, что люди, возможно, переоценивают себя в понимании некоторых вещей.



Фрагмент листинга шахматной программы ИТЭФ для ЭВМ М-20.

Первый матч между двумя шахматными программами состоялся в 1967 г. Играли программа Института теоретической и экспериментальной физики и программа Стэнфордского университета. Сохранился исходный код программы ИТЭФ, скачать его можно здесь.

На основе исходных текстов программы ИТЭФ началось создание новой шахматной программы, получившей название «Каисса». В 1974 г. Каисса стала первым чемпионом мира по шахматам среди компьютерных программ. Многие алгоритмы, придуманные авторами Каиссы, до сих пор применяются в шахматах. Каисса применила алгоритм отсечения позиций, и впервые — побитовое представление доски. Также она могла производить анализ во время хода соперника, использовала эвристику нулевого хода и сложные алгоритмы для управления временем.

Решение на уровне бога


Если заучить эти таблицы, вы сможете идеально играть в крестики-нолики с любым противником.

Все решения задач с ограниченными модельными пространствами делятся на три вида. Первый вид — ультраслабое решение, когда для какой-то игры мы можем точно сказать, каким будет результат, но при этом не будет алгоритма, позволяющего в любой ситуации играть идеально. Обычно это какой-то трюк, например, повторение стратегии. Мы знаем, что для некоторых игр второй игрок может копировать ходы первого игрока, и тогда он достигнет ничьей.

Второй вид — слабое решение. В этом случае мы начинаем со стартовой позиции, делаем любые ходы, а машина совершает ходы, которые считает идеальными. Она всегда будет ходить идеально, но если мы какой-то ход сделаем за машину, то попадем в позицию, где нет определенной оценки, и непонятно, как играть дальше. Идеальный ход есть только в том случае, если с самого начала игры совершались идеальные ходы.

И третий вид — сильное решение. Для каждой позиции мы знаем ее точную оценку. Например, для крестиков-ноликов точно знаем дерево ходов — около 900 позиций, если учесть все симметрии.

29 апреля 2007 г. команда исследователей из Университета Альберты (Канада) под руководством Д. Шеффера (известного как ведущий разработчик шашечной программы «Чинук») смогла достичь «слабого» решения для английских шашек, по правилам которых шашки не бьют назад, а дамки не могут ходить на любое расстояние.

Английские шашки — самая большая из игр, решенных до настоящего времени. Размер ее поискового пространства 5×1020. Для того чтобы найти решение, в течение 18 лет сеть персональных компьютеров (в разное время от 50 до 200) произвела 1014 вычислений.



На начало 2016 г. найдено решение в 16 играх. Последней на данный момент решенной игрой стала пентаго. В отличие от шахмат и го поисковое пространство игры небольшое, что позволяет современному компьютеру играть идеально: с учетом всех возможных симметрий количество возможных позиций в пентаго составляет 3 009 081 623 421 558. В течение нескольких часов суперкомпьютер Edison семейства Cray, находящийся в Национальном научно-вычислительном центре энергетических исследований (NERSC), нашел «сильное» решение игры. Программа использовала для вычислений 98 304 потоков.



Также удалось найти решение для такой необычной игры, как «Магараджа», где черные имеют набор обычных шахматных фигур, а белые — единственную фигуру Магараджа. Это ферзь, способный ходить как конь. Доказано, что черным гарантирована победа.

DRAMA: от проигрыша машины к проигрышу человека


Американский математик и шашист Марион Франклин Тинсли был сильнейшим игроком мира в английские шашки на протяжении 30 лет. Тинсли ни разу в жизни не проигрывал матч за первенство мира и за свою 45-летнюю карьеру проиграл всего семь партий.搜索结果 В 1992 г. проводился матч между Марионом Тинсли и программой «Чинук». Первый матч Тинсли выиграл у программы со счетом 4:2 при 33 ничьих. При анализе матча выяснилось, что в одной из партий Тинсли выбрал единственную верную позицию, ведущую к победе, за 64 хода до конца матча.

На матче реванше Тинсли успел сыграть шесть игр — все ничьи. После этого он почувствовал себя очень плохо и у него диагностировали рак поджелудочной железы и вскоре он умер. В 1995 г. программа «Чинук» выиграла у Дона Лафферти, наследника Тинсли на шашечном троне. Из 32 сыгранных партий единственная результативная партия завершилась в пользу компьютера. После этого первенство в шашках окончательно перешло к машинам.



Одна из величайших шахматных партий всех времен.

Более распиаренный матч, о котором слышали даже далекие от шашек и шахмат люди, состоялся в 1997 г. Гарри Каспаров проиграл суперкомпьютеру Deep Blue в матче из шести партий. Для сравнения: Deep Blue был способен просматривать 200 млн позиций в секунду, в то время как современные компьютеры просматривают 1—3 млн позиций в секунду. За прошедшие 20 лет компьютеры так и не смогли догнать этот уникальный инженерный проект.

Машина от компании IBM была не просто суперкомпьютером, а специализированным под шахматы проектом, в котором установили отдельные кристаллы с генераторами ходов, позволявшие за один такт процессора сгенерировать все возможные ходы в позиции. Однако сейчас такая мощь нам не требуется — мобильный телефон обыгрывает ведущих гроссмейстеров.

Огромный Deep Blue впечатлял одним своим видом, но его размеры привели к появлению стойкого мифа: мол, машины выигрывают у людей только благодаря своей мощности и быстроте — давят брутфорсом. Человек может просмотреть всего две или пять позиций в секунду, компьютер — сотни миллионов.



На самом деле это не так. На рисунке выше приведен пример задачи из учебника — мат в шесть ходов. Deep Blue, используя полный перебор, должен был бы потратить около 356 лет на поиск решения. В среднестатистической шахматной позиции возможно 35 ходов, чтобы просмотреть на два хода — 35 в квадрате, на три — в кубе и т.д.

Любая сильная современная программа находит решение на настольном компьютере максимум за несколько секунд. Более того, на современной машине вы можете запустить программу чемпиона 2008 г. против программы чемпиона 2015 г. Из 27 партий одну партию будет выигрывать слабейшая программа, 26 партий — сильнейшая. Это прогресс, достигнутый за семь лет. Это произошло не за счет роста мощности железа, а благодаря развитию алгоритмов. За данным процессом не стоят тысячи программистов и десятки гроссмейстеров. Сейчас над шахматными программами работают либо программисты-одиночки, либо очень небольшие группы. Например, одну из самых сильных программ в мире шахмат — Stockfish — создали три программиста. Над самыми крупными, с точки зрения числа задействованных программистов проектами — Deep Blue и Каисса — работало менее десятка программистов.

Все современные шахматные программы так или иначе являются детищем машинного обучения. В шахматной программе есть оценочная функция, рассматривающая позицию без всякого перебора. Это, грубо говоря, логистическая функция, имеющая 3—5 тыс. параметров, для подбора которых используются большие массивы шахматных позиций, выбранных обычно из партий самой же программы. Программа играет несколько тысяч партий, оттуда извлекаются позиции, программа снова играет и т.д. — цикл не заканчивается никогда.

Самое забавное, что если мы говорим о брутфорсе, то надо задаться вопросом: действительно ли брутфорс на стороне машин? В среднестатистическом человеческом мозге примерно 86 млрд нейронов и 150 трлн синапсов. Каждый синапс содержит примерно 1 тыс. молекулярных переключателей. Таким образом, если мы пересчитаем мозг в триггеры, то получим 150 квадриллионов (1, 5х1017) триггеров транзисторов. Конечно же, это две «машины» с абсолютно разной архитектурой, но мы очень примерно можем сравнивать их на некоторых задачах.



Один из самых мощных на сегодняшний день процессоров (Sparc-M7) имеет 10 млрд транзисторов. Самая большая программируемая пользователем вентильная матрица (FPGA) содержит до 20 млрд транзисторов. Это всего 2х109 раз, а в мозге 1, 5х1017 раз. Конечно, компьютеры имеют одно большое преимущество — скорость. Sparc работает на частоте 4, 3 ГГц. Человек же имеет следующие потенциалы действия нервных клеток: амплитуда — около 0, 1 В, длительность — около 1 мс, «рабочая» частота» — 10—100 Гц (до 1000 Гц).

Правильно сказать, что мозг до сих пор является брутфорс-решением, так как это гигантская нейронная сеть, которую мы пока не можем сэмулировать в реальном времени. Операции, которые мы проводим, играя в шахматы, совсем не похожи на простые арифметические. Если взять более сложную задачу, например, распознавание образов, то будет ясно, что машина не в состоянии выполнять необходимые расчеты так же быстро, как человеческий мозг.

Нейронные сети


В ИИ изначально было две крупных школы — «чистюль» и «грязнуль». «Чистюли» — по большей мере математики, настаивавшие, что должны использоваться корректные методы решения задач, имеющие формальное обоснование, или хотя бы обоснование статистическое.

«Грязнули» считали, что неважно, каким образом решать задачу. Если решение работает в рамках предметной области, значит оно хорошее. Они ввели термин hacking для ИИ — мы ломаем задачу, чтобы решить ее.

Если сейчас посмотреть на методы ИИ, используемые в играх, то увидим определенный синтетический подход. Формально необоснованные трюки, но хорошо работающие на практике, соседствуют с формально доказанными методами.

ИИ, как и большинство других наук, начинался с бионического подхода. Если в природе есть работающее решение, давайте для начала его скопируем, пока не придумали что-то более совершенное. Леонардо да Винчи первым придумал конструкции летательных аппаратов, изучая принцип полета птиц. Вполне естественно, что, столкнувшись с задачей создания систем, решающих интеллектуальные задачи, захотелось подсмотреть у природы, как это устроено. Мы ведь уверены, что наш собственный мозг работает.



Первыми создателями моделей математических процессов, происходящих в человеческом мозге, стали Уорен МакКалок, Уолтер Питтс, Дональд Хебб в 1940-х годах. Они придумали первую модель искусственного нейрона — простой логистический сумматор.



Схема искусственного нейрона:

нейроны, выходные сигналы которых поступают на вход данному; сумматор входных сигналов; вычислитель передаточной функции; нейроны, на входы которых подается выходной сигнал данного; Wi — веса входных сигналов.搜索结果 Во многом отношения между этими людьми заложили некоторые базовые вещи в науке. Например, мы не называем нейронные сети кибернетическими системами, хотя МакКалак и Питс начинали работать под началом Норберта Виннера, основоположника кибернетики. Богемный образ жизни МакКалака и Питса и вечеринки с алкоголем очень не нравились жене Виннера. Есть мнение, что она сильно повлияла на раздор между учеными. Питсу это стоило карьеры, и, вполне вероятно, жизни — впоследствии он спился. Но они не стали делать из ссоры идеологический спор. Их пути разошлись по личным, а не научным причинам.

Что мы знаем про нейроны? Первая поверхностная основа коннектома — это нейроны, соединенные аксонами и дендритами, исходящими и входящими отростками. Место контакта аксона и дендрита — это синапс. Как и многое в природе, здесь присутствует сигмоид в качестве сумматора. Сигналы из нейрона распространяются по исходящим отросткам, попадают в следующий нейрон, суммируются и определенная сумма передается дальше по отростку, преобразовывая синапсы через определенные пороговые функции.



MARK 1 — первый в мире нейрокомпьютер, созданный в 1958 г. Фрэнком Розенблаттом.

Перцептрон — первая искусственная нейронная сеть, воплощенная на практике Фрэнком Розенблаттом. Ученый решил, что нет времени ждать, пока электронные машины станут достаточно быстрыми, чтобы на фоннеймановской архитектуре смоделировать работу нейронной сети. Он начал делать нейронные сети из «палок и скотча» — этакий массив электронных нейронов и кучи проводов. Это были небольшие нейронные сети (до нескольких десятков нейронов), но они уже применялись в решении некоторых практичных задач. Розенблат смог даже продать нескольким банкам устройства, применявшиеся при анализе некоторых массивов.



С 1966 г. он стал заниматься необычными вещами. Например, учил крыс проходить лабиринт, тренировал их, потом умерщвлял. Затем извлекал их мозг, размалывал в кашицу и этой кашицей кормил следующее поколение крыс. Таким образом, он проверял, улучшит ли это показатели следующего поколения крыс при прохождении лабиринтов.

Выяснилось, что съеденный мозг крысам никак не помогает, хотя такую пищу они любят. Это было одним из сильных аргументов в пользу того, что информация хранится именно в коннектоме мозга, а не в отдельных его клетках и компонентах. Как ни странно, в те годы были специалисты, считавшие, что знание может существовать внутри клеток.



Спустя полвека после изобретений Розенблата у нас появился нейроморфический процессор TrueNorth, созданный IBM по заказу DARPA. Чип содержит более 5 млрд транзисторов и имитирует работу до 1 млн модельных «нейронов» и до 250 млн связей между ними («синапсов»). В IBM говорят, что из процессоров такого рода будут собирать реальный эмулятор работы человеческого мозга.

IBM создали целый институт для развития данной технологии, и разработали специальный язык программирования для нейронных сетей. Нейронную сеть очень неудобно эмулировать на фон-неймановской архитектуре. В нейронной сети каждый нейрон является одновременно вычислительным устройством и ячейкой памяти.

Если мы начинаем крутить матрицу нейронов внутри фон-неймановской машины, то сталкиваемся с дефицитом вычислительных ядер по сравнению с числом ячеек памяти. Сам цикл обсчетов всех синапсов получается длинным. Хотя задача очень хорошо распараллеливается в рамках одного цикла, вам все равно на следующем шаге понадобятся значения на вход, которые вы получили на предыдущем шаге расчета. Максимумальная эффективность распараллеливания может быть достигнута тогда, когда у вас столько вычислительных ядер, сколько синапсов.

Нейроморфический процессор — это попытка сделать специальную железку для быстрого обсчета именно нейронных сетей. А поскольку нейронные сети сейчас достаточно активно применяются и в распознавании образов, и при анализе данных, и много где еще, то появление такой элементной базы позволит сразу на несколько порядков нарастить эффективность.



Вернемся в 1970-е годы. После успехов Розенблата следующим видным специалистом в области развития ИИ стал Марвин Мински. Вместе со своим коллегой Папертом он написал книгу «Perceptrons», которая показала принципиальные ограничения перцептронов. Косвенным образом эта работа способствовала наступлению «зимы» ИИ (1970-е и 1980-е годы), когда возникло очень много сомнений о возможностях создания полноценного ИИ на основе нейросетей.

Интерес к нейронным сетям вернулся в начале 1990-х годов, когда стало понятно, что сравнительно небольшие нейронные сети, доступные на тот момент, уже способны решать некоторые задачи не хуже, чем классические методы нелинейной регрессии.



Leon A. Gatys et al./ arXiv.org

В 2016 г. новости о достижениях нейронных сетей стали появляться чуть ли не каждую неделю. Коллектив ученых из Германии разработал искусственную нейронную сеть, позволяющую «синтезировать» изображение из двух независимых источников: одно из них дает только содержание, другое — только стиль. Нейросеть научилась реалистично раскрашивать черно-белые снимки. Нейросеть научили ставить геотег на снимки еды и котиков. Нейросеть стала вычислять смешные картинки. Ну и так далее.

Новый прорыв: AlphaGo


Игра Го всегда была крепким орешком для ИИ. Скептики утверждали, что программы в го либо никогда не победят, либо одержат победу очень нескоро. Го сложнее шахмат в 10100 раз — именно в столько раз больше возможных позиций камней на стандартной доске 19×19, чем в шахматах.

Прорыв удалось совершить в программе AlphaGo благодаря алгоритму Монте-Карло-поиска по игровому дереву, управляемому двумя нейронными сетями, обученными на основе большого массива игр профессиональных игроков в го. Вначале AlphaGo выиграла у чемпиона Европы, затем победила Ли Седоля, одного из сильнейших (возможно, самого сильного) игроков мира.

Однако настоящая революция, приведшая к победе программы над человеком в го, произошла гораздо раньше, когда стали применяться сверточные нейронные сети.搜索结果 В го очень трудно придумать структуру оценочной функции, которая без перебора сможет с достаточным качеством оценить, насколько хороша позиция. Нужно как-то оценивать паттерны, структуры, образуемые фишками на доске. Найти достаточно хорошее решение не удавалось, пока не появились сверточные нейронные сети, хорошо справляющиеся с этой задачей.



Изображение: The Atlantic.

В AlphaGo одна из нейронных сетей (value network) используется для оценки позиций в терминальных узлах дерева поиска, другая (policy network) предназначена для умного отбора ходов-кандидатов. Также используется небольшое дерево перебора Монте-Карло. В каждом узле рассматривается 1-2 хода, средний коэффициент ветвления — меньше двойки. Благодаря этому стало возможным посчитать осмысленное дерево с очень ограниченным числом вариантов, и за счет этого найти действительно сильнейший ход в позиции.

Сначала AlphaGo тренировалась на партиях сильнейших игроков в го. В качестве входных данных для обучения использовались 160 тыс. игр с 29, 4 млн позиций. С момента, когда она стала играть не хуже обычных людей, корпус для тренировки нейронной сети или для постройки параметров оценочной функции стал генерироваться автоматически. Программа начала играть сама с собой, добавляя новые партии в обучающую выборку.

Угрозы и перспективы: плохой, хороший и очень хороший сценарий


Изображение: TechRadar.搜索结果 Разные страхи, связанные с искусственным интеллектом, вызваны несколькими проблемами. Люди боятся самих себя, боятся допустить ошибку при создании ИИ — вдруг он будет вести себя не совсем так, как мы хотим. Представьте такую гипотетическую ситуацию: машине долго объясняют, что бывают грибы съедобные и несъедобные, и ядовитые грибы смертельны для человека. Дальше машине задается вопрос: любые ли грибы может есть человек? «Конечно любые, — отвечает машина. — Но некоторые только один раз в жизни».

Если люди, составляющие алгоритмы ИИ, допустили баги или пропустили ошибочные данные в обучающую выборку, поведение такого ИИ может быть весьма неожиданным. И доверять такой системе принятие решений опасно. Кто-то окажется безответственным, одновременно с этим кто-то окажется глупым, и мы получим сценарий в духе «Терминатора».

Знакомые страхи? Однако эта история непосредственного отношения к ИИ не имеет — мы говорим лишь о том, что люди сами себе не доверяют. Мы боимся не только того, что развитый разум окажется злым. Он может оказаться и добрым, захочет нести людям добро, но увидит это «добро» по-своему.

У человечества с развитым ИИ есть два хороших сценария развития событий и один глобальный плохой. Глобальный плохой заключается в том, что наша технологическая мощь растет слишком быстро.在十九世纪。 при большом желании устроить апокалипсис человечеству не хватило бы сил аннигилировать всю жизнь на планете даже при тотальном помешательстве.

В середине ХХ в. обезумевшие руководители ведущих стран и несколько военных начальников на ключевых постах воплотили бы сценарий самоуничтожения. Для этого достаточно взять несколько десятков 200-тонных термоядерных бомб и сбросить их по экватору — земной шар расколется пополам.



Изображение: Plague Inc.

В XXI в. технологическая мощь такова, что для воплощения апокалиптичных сценариев не требуется большое количество фигурантов. Допустим, биохимическая лаборатория создает убийственный вирус. Быстро защищаться от вирусов мы не умеем. Не исключено, что не так уж сложно сделать заразу, которая будет одновременно очень вирулентна, имея соответствующие фрагменты из вируса гриппа, и в то же время на 100% летальна, получив часть, например, из Эболы. Для воплощения такого проекта хватит нескольких десятков образованных безумцев.

История немного притянута за уши, но такого рода сценарий тем более становится вероятным, чем больше мы овладеваем технологией. При том что наши технологии все мощнее, биологически и социально мы недалеко ушли от верхнего палеолита — наш мозг остался примерно тем же.

Оценивая факты глобальных угроз, быстро приходишь к выводу, что до появления универсального ИИ человечество способно совершить глобальный суицид, используя простые и эффективные технологии. Нельзя и преступно останавливать научно-технический прогресс, но сам прогресс предоставляет нам инструменты для контроля существующих угроз.

Если наша цивилизация проскочит через это бутылочное горлышко, то откроются два хороших сценария. Сценарий первый: мы — это тупиковая ветвь эволюции. Разум, превосходящий нас, будет развиваться дальше, а мы останемся забавными обезьянками, живущими в своем мире со своими страстями и интересами. В таком мире нам нечего будет делить с разумными машинами, как нечего делить с шимпанзе и гориллами. Наоборот, мы любим играть с приматами, снимать про них забавные фильмы. Возможно, ИИ будет снимать документальные сериалы про людей, и показывать своим отпочкованиям.

Второй сценарий: с определенного момента уровень развития технологии превысит сложность организации нашего организма. И с этого момента разница между нашими машинами, нашими инструментами и нами самими начнет неизбежно стираться. Мы станем вмешиваться в собственный организм, доращивать свои нейронные сети искусственными дополнениями, добавим постнеокортекс к мозгу.

Представьте, что мы склеиваем искусственную нейронную сеть с нашим мозгом. Искусственная нейронная сеть, например, в 10 тыс. раз больше нашей нейронной сети. Известно, что мозг — штука пластичная, и даже ранения мозга, вышибающие из него куски, часто не приводят к потерям личности, самоидентификации. Поэтому не исключено, что от системы склеенного мозга с искусственной сетью мясной мозг можно будет отрезать и выбросить без ущерба для личности.

Возможно, будет иначе: мы начнем ремонтировать мозг при помощи нанороботов, а с искусственной нейронной сетью будем связываться через удаленные каналы. В любом случае человек станет частью метасистемы. И определить, где заканчивается искусственный разум и начинается естественный, на каком-то уровне развития технологий уже станет просто невозможно.

Последние слова: ИИ как личность


Изображение: Machine Overlords

Возможно ли самосознание у искусственного интеллекта?

Разум как дитя эволюции появился не просто так, а как механизм приспособления к среде, позволяющей выживать и давать здоровое потомство. Ученые высказывают мнение, что сознание — это некое отражение нашей психики. Наша психика обнаруживает саму себя и начинает рассматривать ее как независимый объект. В этом плане не исключено, что самосознание — это всего-навсего побочный эффект адаптации.



Зеркальные нейроны могут быть задействованы в освоении новых навыков путем имитации.

У человека в процессе эволюции появились зеркальные нейроны, используемые социальными организмами для прогнозирования поведения других особей. То есть нам где-то в голове нужна модель, которую мы можем применить к другому человеку, чтобы спрогнозировать его поведение. В какой-то момент зеркальные нейроны стали «рассматривать» и сами себя.

Если данная теория верна, то схожим образом, через побочные эффекты, возможно развитие искусственного интеллекта, неизбежно вырабатывающего у себя самосознание. Если нам потребуется, чтобы ИИ мог спрогнозировать поведение других ИИ или людей, у него появится модель для прогноза действий, и рано или поздно он применит эту модель к самому себе. Осознание — неизбежное следствие развития сложно организованной интеллектуальной системы.

Противоположная точка зрения гласит, что ИИ останется в какой-то степени инстинктивным, то есть будет действовать без самосознания и самоотражения, и тем не менее станет решать очень широкий спектр интеллектуальных задач. В какой-то степени это происходит прямо сейчас: современная шахматная программа играет лучше людей, но у нее нет самосознания.



Что касается копирования сознания на электронный носитель, то в этой истории тоже не все однозначно. Английский ученый Роджер Пенроуз утверждает, что человеческое сознание не является алгоритмическим, и в силу этого не может быть смоделировано с помощью обычного компьютера типа машины Тьюринга. По мнению Пенроуза, сознание связано с квантовыми эффектами, а значит, принцип неопределенности Гейзенберга не позволит получить точный снимок электронной активности мозга. Поэтому наше сознание, скопированное в машину, не будет точной копией. Большая часть исследователей с этим мнением не согласна, считая, что пороги сигналов в мозге очень далеки от квантового уровня.



Метод опорных векторов в машинном обучении был предложен Владимиром Вапником в 1995 г.

В завершение вспомним о нейронных сетях. На самом деле нейронные сети на практике в машинном обучении — это модели для ленивых. При отсутствии возможности правильно настроить метод опорных векторов (SVM) или построить random forest, мы берем нейронную сеть, загоняем в нее обучающую выборку, получаем какие-то характеристики модели и т.д.

Нейронные сети не универсальны и у них куча проблем — они склонны к шуму, к оверклассификации в отдельных ситуациях. Для целого ряда задач нам известны более хорошие методы. При решении шахматных задач мы не используем нейронные сети, но машины все равно играют лучше, чем люди. Это является хорошим примером является создания системы, решающей некоторые задачи лучше мозга на более медленной примитивной элементной базе при помощи алгоритмов, не используемых мозгом.

Можно ли сделать универсальный ИИ не на нейронных сетях? Конечно! Просто мы начинаем с бионического подхода. Вначале пробуем улучшить то, что есть сейчас, а затем будем искать более совершенные методы.

Какой бы путь мы не выбрали, не стоит воспринимать его как человеческую драму по противостоянию человека и компьютера. Под каждым постом о победе ИИ в очередной игре кто-нибудь обязательно напишет комментарий про SkyNet и Судный день. Почему проигрыш машине воспринимают как проигрыш человека? Это выигрыш человека, только не того, который играл за доской, а того, который создал ИИ. И это гораздо более важное достижение: один из них научился двигать фигуры, а другой оказался на шаг впереди и написал программу, двигающую фигуры к победе.

附: Если вам понравилась статья, то в следующий раз мы расскажем о глубоком обучении с подкреплением, о принятии программой решения убить или спасти человека, о самоуправляемых автомобилях и целых городах, регулируемых ИИ.

Источник: geektimes.ru/company/mailru/blog/277064/

标签

另请参见

新&值得注意