Как создать искусственный интеллект на компьютере
Обновлено: 21.11.2024
Искусственный интеллект (ИИ) позволяет машинам учиться на собственном опыте, приспосабливаться к новым данным и выполнять задачи, подобные человеческим. Большинство примеров ИИ, о которых вы слышали сегодня — от компьютеров, играющих в шахматы, до беспилотных автомобилей — в значительной степени зависят от глубокого обучения и обработки естественного языка. С помощью этих технологий компьютеры можно научить выполнять определенные задачи, обрабатывая большие объемы данных и распознавая закономерности в данных.
История искусственного интеллекта
Термин "искусственный интеллект" был придуман в 1956 году, но сегодня искусственный интеллект стал более популярным благодаря увеличению объемов данных, усовершенствованным алгоритмам, а также усовершенствованиям вычислительной мощности и хранилища.
Ранние исследования ИИ в 1950-х годах касались таких тем, как решение задач и символьные методы. В 1960-х годах министерство обороны США заинтересовалось этим типом работы и начало обучать компьютеры имитировать основные человеческие рассуждения. Например, Агентство перспективных оборонных исследовательских проектов (DARPA) завершило проекты по картированию улиц в 1970-х годах. А DARPA выпустила интеллектуальных персональных помощников в 2003 году, задолго до того, как Siri, Alexa или Cortana стали общеизвестными именами.
Эта ранняя работа проложила путь к автоматизации и формальным рассуждениям, которые мы видим сегодня в компьютерах, включая системы поддержки принятия решений и интеллектуальные поисковые системы, которые могут быть разработаны для дополнения и расширения человеческих способностей.
Хотя в голливудских фильмах и научно-фантастических романах искусственный интеллект изображается как человекоподобные роботы, захватившие мир, нынешняя эволюция технологий искусственного интеллекта не так уж страшна и умна. Вместо этого ИИ развился, чтобы обеспечить множество конкретных преимуществ в каждой отрасли. Продолжайте читать, чтобы узнать о современных примерах использования искусственного интеллекта в здравоохранении, розничной торговле и т. д.
Ранняя работа с нейронными сетями вызывает интерес к «мыслящим машинам».
Машинное обучение становится популярным.
Прорывы в области глубокого обучения стимулируют бум ИИ.
Тенденции искусственного интеллекта, за которыми стоит следить
Быстро посмотрите это видео, чтобы услышать, как эксперты по ИИ и профессионалы в области обработки данных оценивают тенденции ИИ в следующем десятилетии.
Какова роль этики в будущем ИИ? Насколько важны большие данные? Почему знание предметной области имеет решающее значение для успеха ИИ?
Самое главное: «Важно то, у кого есть данные. Вот кто станет королем», – говорит Харпер Рид, пионер технологий.
Почему искусственный интеллект важен?
ИИ автоматизирует повторяющееся обучение и поиск данных. Вместо автоматизации ручных задач ИИ выполняет частые, объемные, компьютеризированные задачи. И делает это надежно и без усталости. Конечно, люди по-прежнему необходимы для настройки системы и постановки правильных вопросов.
Искусственный интеллект расширяет возможности существующих продуктов. Многие продукты, которые вы уже используете, будут улучшены за счет возможностей искусственного интеллекта, подобно тому, как Siri была добавлена в качестве функции в новое поколение продуктов Apple. Автоматизация, диалоговые платформы, боты и умные машины могут быть объединены с большими объемами данных для улучшения многих технологий. Обновления дома и на рабочем месте: от систем безопасности и умных камер до анализа инвестиций.
Искусственный интеллект адаптируется с помощью прогрессивных алгоритмов обучения, позволяя данным выполнять программирование. ИИ находит структуру и закономерности в данных, чтобы алгоритмы могли приобретать навыки. Точно так же, как алгоритм может научить себя играть в шахматы, он может сам научить себя, какой онлайн-продукт рекомендовать следующим. И модели адаптируются при получении новых данных.
ИИ анализирует больше и глубже данных, используя нейронные сети, которые имеют много скрытых слоев. Раньше создание системы обнаружения мошенничества с пятью скрытыми слоями было невозможным. Все изменилось благодаря невероятной мощности компьютеров и большим данным. Вам нужно много данных для обучения моделей глубокого обучения, потому что они учатся непосредственно на данных.
Искусственный интеллект достигает невероятной точности благодаря глубоким нейронным сетям. Например, ваше взаимодействие с Alexa и Google основано на глубоком обучении. И эти продукты становятся все более точными, чем больше вы их используете. В области медицины методы искусственного интеллекта, основанные на глубоком обучении и распознавании объектов, теперь можно использовать для более точного выявления рака на медицинских изображениях.
ИИ максимально эффективно использует данные. Когда алгоритмы самообучаемые, сами данные являются активом. Ответы в данных. Вам просто нужно применить ИИ, чтобы найти их. Поскольку роль данных сейчас важнее, чем когда-либо, они могут создать конкурентное преимущество. Если у вас есть лучшие данные в конкурентной отрасли, даже если все применяют одинаковые методы, лучшие данные победят.
Гетти
Слово «алгоритм» можно услышать гораздо чаще, чем раньше. Одна из причин заключается в том, что ученые узнали, что компьютеры могут учиться самостоятельно, если дать им несколько простых инструкций. Вот собственно и все, что алгоритмы — это математические инструкции.В Википедии говорится, что алгоритм «представляет собой пошаговую процедуру вычислений».
Алгоритмы используются для расчетов, обработки данных и автоматизированных рассуждений». Осознаете вы это или нет, но алгоритмы становятся повсеместной частью нашей жизни. Некоторые эксперты видят в этой тенденции опасность. Например, Лео Хикман (@LeoHickman) пишет: «Откровения АНБ подчеркивают роль сложных алгоритмов в просеивании массивов данных. Но еще более удивительным является их широкое использование в нашей повседневной жизни. Так должны ли мы быть более осторожными с их силой?» [«Как алгоритмы правят миром», The Guardian, 1 июля 2013 г.] Было бы несколько преувеличением заявить, что алгоритмы правят миром; но я согласен, что их использование становится все более распространенным. Это связано с тем, что компьютеры играют все более важную роль во многих аспектах нашей жизни. Мне нравится объяснение HowStuffWorks:
«Чтобы заставить компьютер что-то делать, нужно написать компьютерную программу. Чтобы написать компьютерную программу, вы должны шаг за шагом сказать компьютеру, что именно вы хотите, чтобы он сделал. Затем компьютер «выполняет» программу, механически выполняя каждый шаг, чтобы достичь конечной цели. Когда вы говорите компьютеру, что делать, вы также можете выбрать, как он будет это делать. Вот где на помощь приходят компьютерные алгоритмы. Алгоритм — это основная техника, используемая для выполнения работы».
Единственный момент, в котором объяснение неверно, заключается в том, что вы должны шаг за шагом говорить компьютеру, «что именно вы хотите, чтобы он делал». Вместо того, чтобы следовать только явно запрограммированным инструкциям, некоторые компьютерные алгоритмы предназначены для того, чтобы позволить компьютерам учиться самостоятельно (т. Е. Упрощать машинное обучение). Использование машинного обучения включает интеллектуальный анализ данных и распознавание образов. Клинт Финли сообщает: «Сегодня в Интернете правят алгоритмы. Эти математические расчеты определяют, что вы видите в своей ленте Facebook, какие фильмы рекомендует вам Netflix и какую рекламу вы видите в своем Gmail». [«Хотите создать свой собственный Google? Посетите App Store, чтобы найти алгоритмы», Wired, 11 августа 2014 г.].
Как математические уравнения, алгоритмы не являются ни хорошими, ни плохими. Однако ясно, что алгоритмами пользовались люди как с хорошими, так и с плохими намерениями. Доктор Панос Парпас, преподаватель кафедры вычислительной техники Имперского колледжа Лондона, сказал Хикману: «[Алгоритмы] теперь интегрированы в нашу жизнь. С одной стороны, они хороши тем, что освобождают наше время и выполняют рутинные процессы за нас. Вопросы, которые поднимаются об алгоритмах в настоящее время, касаются не алгоритмов как таковых, а того, как общество структурировано в отношении использования данных и конфиденциальности данных. Это также о том, как модели используются для предсказания будущего. В настоящее время существует неловкое сочетание данных и алгоритмов. По мере развития технологий будут возникать ошибки, но важно помнить, что это всего лишь инструмент. Мы не должны винить наши инструменты».
В алгоритмах нет ничего нового. Как отмечалось выше, это просто математические инструкции. Их использование в компьютерах восходит к одному из гигантов вычислительной теории Алану Тьюрингу. Еще в 1952 году Тьюринг «опубликовал набор уравнений, которые пытались объяснить узоры, которые мы наблюдаем в природе, от пятнистых полосок, украшающих спину зебры, до мутовчатых листьев на стебле растения или даже сложного скручивания и складывания, которое превращает клубок клеток в организм». [«Мощные уравнения, объясняющие закономерности, которые мы наблюдаем в природе», Кэт Арни (@harpistkat), Gizmodo, 13 августа 2014 г.] Тьюринг прославился во время Второй мировой войны, потому что помог взломать «Энигму». код. К сожалению, Тьюринг покончил с собой через два года после публикации своей книги. К счастью, влияние Тьюринга на мир не закончилось его самоубийством. Арни сообщает, что ученые до сих пор используют его алгоритмы для обнаружения закономерностей в природе. Арни заключает:
«В последние годы жизни Алана Тьюринга он увидел, как его математическая мечта — программируемый электронный компьютер — воплотилась в жизнь из темпераментного набора проводов и трубок. Тогда он был способен обрабатывать несколько чисел со скоростью улитки. Сегодня смартфон в вашем кармане напичкан вычислительными технологиями, которые поразили бы его воображение. Потребовалась почти целая жизнь, чтобы воплотить его биологическое видение в научную реальность, но оказалось, что это больше, чем аккуратное объяснение и несколько причудливых уравнений».
Хотя алгоритмы Тьюринга оказались полезными для определения того, как закономерности возникают в природе, другие корреляции, генерируемые алгоритмами, вызывают больше подозрений. Дебора Гейдж (@deborahgage) напоминает нам: «Корреляция… отличается от причинно-следственной связи». ["Big Data Uncovers Some Weird Correlations", The Wall Street Journal, 23 марта 2014 г.] Она добавляет: «Благодаря потоку данных, которые сейчас доступны, поиск неожиданных корреляций никогда не был таким простым.Гейдж сообщает, что одна «компания обнаружила, что сделки, заключенные в новолуние, в среднем на 43% больше, чем в полнолуние». Были обнаружены и другие странные корреляции: «Люди чаще отвечают на звонки, когда идет снег, холодно или очень влажно; когда солнечно или менее влажно, они больше отвечают на электронную почту. Предварительный анализ показывает, что они также покупают больше, когда солнечно, хотя некоторые люди покупают больше, когда пасмурно. …Онлайн-кредитор ZestFinance Inc. обнаружил, что люди, которые заполняют свои заявки на кредит, используя все заглавные буквы, чаще не выполняют свои обязательства, чем люди, которые используют все строчные буквы, и еще чаще, чем люди, которые правильно используют прописные и строчные буквы». Гейдж продолжает:
«Влияют ли на сделки купли-продажи циклы луны? Можно ли определить кредитный риск по тому, как человек печатает? Быстрое новое программное обеспечение для обработки данных в сочетании с потоком общедоступных и частных данных позволяет компаниям проверять эти и другие, казалось бы, надуманные теории, задавая вопросы, которые раньше мало кто додумался задать. Объединяя человеческий и искусственный интеллект, они стремятся раскрыть умные идеи и сделать прогнозы, которые могут дать компаниям преимущество на все более конкурентном рынке».
Главный исполнительный директор ZestFinance Дуглас Меррилл сказал Гейджу: «Ученым, работающим с данными, необходимо проверить, имеют ли смысл их выводы. Машинное обучение не заменит людей». Часть проблемы заключается в том, что большинство систем машинного обучения не сочетают рассуждения с вычислениями. Они просто выплевывают корреляции независимо от того, имеют они смысл или нет. Гейдж сообщает: «ZestFinance отвергла еще один вывод своего программного обеспечения о том, что более высокие люди лучше выплачивают кредиты, — гипотезу, которую г-н Меррилл называет глупой». Добавляя рассуждения в системы машинного обучения, корреляции и идеи становятся гораздо более полезными. «Часть проблемы, — пишет Кэтрин Хаваси (@havasi), генеральный директор и соучредитель Luminoso, — заключается в том, что, когда мы, люди, общаемся, мы полагаемся на обширный фон невысказанных предположений. … Мы предполагаем, что все, кого мы встречаем, разделяют это знание. Он формирует основу нашего взаимодействия и позволяет нам общаться быстро, эффективно и с глубоким смыслом». [«Who’s Doing Common Sense Reasoning And Why It Matters», TechCrunch, 9 августа 2014 г.] Она добавляет: «Сколько бы технологии ни были развиты сегодня, их главный недостаток, поскольку они становятся значительной частью повседневной жизни в обществе заключается в том, что оно не разделяет этих предположений».
«Рассуждения на основе здравого смысла — это область искусственного интеллекта, целью которой является помочь компьютерам более естественно понимать людей и взаимодействовать с ними, находя способы собирать эти предположения и обучать им компьютеры. Рассуждение на основе здравого смысла было наиболее успешным в области обработки естественного языка (НЛП), хотя заметная работа была проделана и в других областях. Эта область машинного обучения со своим странным названием начинает потихоньку проникать в различные приложения, начиная от понимания текста и заканчивая обработкой и пониманием того, что изображено на фотографии. Без здравого смысла будет сложно создавать адаптируемые и неконтролируемые системы НЛП во все более цифровом и мобильном мире. … НЛП — это то место, где превосходят рассуждения здравого смысла, и технология начинает находить свое применение в коммерческих продуктах. Хотя впереди еще долгий путь, рассуждения на основе здравого смысла будут продолжать быстро развиваться в ближайшие годы, а технология достаточно стабильна, чтобы ее можно было использовать в бизнесе сегодня. Он обладает значительными преимуществами по сравнению с существующими системами онтологий и правил или системами, основанными просто на машинном обучении».
Алгоритмы могут сделать системы умнее, но без добавления здравого смысла в уравнение они все равно могут давать довольно странные результаты.
Стивен Ф. ДеАнджелис — президент и главный исполнительный директор компании Enterra Solutions, занимающейся когнитивными вычислениями.
Искусственный интеллект — одно из самых значительных достижений 21 века. Специалисты из разных отраслей изучают его возможности и открывают новые пути его применения. Мы называем ИИ новой технологией, однако ученые работают в этом направлении с 1950-х годов.
Поначалу ИИ был далек от умных роботов, которых мы видим в научно-фантастических фильмах. Тем не менее, благодаря таким технологиям, как машинное обучение и глубокое обучение, ИИ стал одним из самых перспективных направлений ИТ-индустрии. Спрос на разработчиков ИИ постоянно растет, и некоторые эксперты представляют себе будущее, в котором компьютеры заменят людей.Хотя еще слишком рано говорить об искусственном интеллекте как об угрозе рабочей силе, современным работникам определенно будет полезно больше узнать об этой технологии, поскольку она позволит им подготовиться к будущим изменениям в своих отраслях и познакомиться с новой , эффективный и интересный инструмент.
Важные причины начать изучение ИИ
Искусственный интеллект входит в нашу жизнь по-разному. Например, мы используем таких помощников, как Amazon Echo, Google Assistant или Siri. Когда мы играем в видеоигры, ИИ всегда наш враг. Однако не все знают, что искусственный интеллект присутствует даже в Google Translate и инструментах для обнаружения спам-сообщений.
Понимание искусственного интеллекта открывает множество возможностей. Достаточно освоить азы этой технологии, чтобы понять, как работают простые инструменты. По мере того, как вы узнаете больше об ИИ, у вас появляется шанс стать разработчиком, который будет создавать передовые приложения ИИ, такие как Watson от IBM или беспилотные автомобили. В этой области есть безграничные возможности. Изучение ИИ необходимо для карьеры в области разработки программного обеспечения, если вы хотите работать с человеко-машинными интерфейсами, нейронными сетями и квантовым искусственным интеллектом. Такие компании, как Amazon и Facebook, используют ИИ для составления рекомендаций по списку покупок и анализа больших данных. Понимание искусственного интеллекта также необходимо инженерам по оборудованию, которые создают домашних помощников и помощников при парковке.
Тем, кто хочет начать изучать ИИ, доступно множество вариантов. Например, Интернет позволяет каждому записываться на онлайн-курсы. Некоторые из них предназначены для людей, которые уже имеют определенный уровень технических знаний и сосредоточены на кодировании, а другие курсы помогут даже тем, у кого нет опыта программирования и инженерии.
Лучшие онлайн-курсы по искусственному интеллекту 2018 года
-
— Это свежий проект, запущенный Google, чтобы дать широкой публике понять, что такое ИИ и как он работает. Хотя ресурс растет медленно, на нем уже есть курс машинного обучения для начинающих, включающий библиотеку TensorFlow от Google. Этот курс поможет даже тем, кто ничего не знает об ИИ, охватив основы машинного обучения, познакомив с TensorFlow и объяснив важнейшие принципы проектирования нейронных сетей. – Курс доступен на Coursera. Его преподает основатель Google Brain Эндрю Нг. Вы можете пройти этот курс бесплатно или выбрать платные варианты, если хотите получить сертификат, который можно будет использовать в будущем, делая первые шаги на пути к своей карьере в области разработки программного обеспечения. Этот курс познакомит вас с примерами технологий на основе ИИ из реальной жизни, таких как продвинутые механизмы веб-поиска и распознавания речи. Вы также поймете, как обучаются нейронные сети. – Компьютерное зрение – это дисциплина, направленная на создание компьютеров, способных анализировать визуальную информацию так же, как это делает человеческий мозг. Этот курс охватывает необходимые технические основы, а также практические применения классификации объектов и распознавания объектов. Вы можете учиться в своем собственном темпе и научиться создавать собственное приложение для нейронной сети.
Как начать работу с ИИ
Неудивительно, если вы столкнетесь с определенными трудностями при изучении искусственного интеллекта. Если вы застряли, мы предлагаем найти решение на Kaggle или разместить свои вопросы на определенных форумах. Также важно понимать, на чем следует сосредоточиться и что делать в первую очередь.
1. Выберите интересующую вас тему
Во-первых, выберите тему, которая вам действительно интересна. Это поможет вам оставаться мотивированным и вовлеченным в процесс обучения. Сосредоточьтесь на определенной проблеме и ищите решение, а не просто пассивно читайте обо всем, что можно найти в Интернете.
2. Найдите быстрое решение
Суть в том, чтобы найти какое-либо базовое решение, максимально покрывающее проблему. Вам нужен алгоритм, который будет обрабатывать данные в форму, понятную для машинного обучения, обучать простую модель, выдавать результат и оценивать ее работу.
3. Улучшите свое простое решение
Если у вас есть простая основа, пришло время для творчества. Попробуйте улучшить все компоненты и оценить изменения, чтобы определить, стоят ли эти улучшения вашего времени и усилий. Например, иногда улучшение предварительной обработки и очистки данных дает более высокую отдачу от инвестиций, чем улучшение самой модели обучения.
4. Поделитесь своим решением
Напишите свое решение и поделитесь им, чтобы получить обратную связь. Вы не только получите ценный совет от других людей, но и станете первой записью в своем портфолио.
5. Повторите шаги 1–4 для других проблем
Выберите разные проблемы и выполните одни и те же шаги для каждой задачи. Если вы начали с табличных данных, выберите задачу, связанную с работой с изображениями или неструктурированным текстом.Также важно научиться правильно формулировать задачи для машинного обучения. Разработчикам часто нужно превратить некоторые абстрактные бизнес-цели в конкретные задачи, соответствующие специфике машинного обучения.
6. Завершите соревнование Kaggle
Это соревнование позволяет вам проверить свои навыки, решая те же проблемы, над которыми работают многие другие инженеры. Вы будете вынуждены пробовать разные подходы, выбирая наиболее эффективные решения. Этот конкурс также может научить вас сотрудничеству, так как вы можете присоединиться к большому сообществу и общаться с людьми на форуме, делиться своими идеями и учиться у других.
7. Используйте машинное обучение профессионально
Вам необходимо определить свои карьерные цели и создать собственное портфолио. Если вы не готовы подать заявку на работу по машинному обучению, поищите больше проектов, которые сделают ваше портфолио впечатляющим. Присоединяйтесь к общественным хакатонам и ищите должности, связанные с данными, в общественной работе.
Заключение
Основное понимание искусственного интеллекта и машинного обучения становится все более ценным в любой сфере бизнеса и любой профессии. Благодаря различным онлайн-курсам сегодня вам не нужно идти в университет, чтобы изучить эту сложную и интересную технологию. Даже если у вас нет опыта инженерной деятельности, вы можете изучить искусственный интеллект дома и начать применять свои знания на практике, создавая простые решения для машинного обучения и делая первые шаги к своей новой профессии.
Новая технология Codex позволяет создавать программы на 12 языках кодирования и даже выполнять перевод между ними. Но это не угроза для профессиональных программистов.
Том Смит, программист-ветеран, показывает, как Codex может мгновенно генерировать компьютерный код из запроса на простом английском языке. Кредит. Джейсон Генри
Отправить историю любому другу
Как подписчик, у вас есть 10 подарочных статей каждый месяц. Любой может прочитать то, чем вы делитесь.
Отдать эту статью
Как только Том Смит получил в свои руки Codex — новую технологию искусственного интеллекта, которая пишет свои собственные компьютерные программы, — он дал ей собеседование.
Он спросил, сможет ли он решить "проблемы кодирования", с которыми часто сталкиваются программисты, проходя собеседования на высокооплачиваемую работу в таких компаниях Силиконовой долины, как Google и Facebook. Может ли он написать программу, которая заменяет все пробелы в предложении тире? Еще лучше, может ли он написать код, который идентифицирует недопустимые почтовые индексы?
Он сделал и то, и другое сразу, прежде чем выполнить несколько других задач. «Многим людям, в том числе и мне, было бы трудно решить эти проблемы, а ответ он напечатал бы за две секунды», — сказал г-н Смит, опытный программист, курирующий работу искусственного интеллекта. стартап под названием Gado Images. «На это было жутко смотреть».
Кодекс казался технологией, которая вскоре заменит людей. По мере того, как г-н Смит продолжал тестировать систему, он понял, что ее возможности выходят далеко за рамки способности отвечать на стандартные вопросы интервью. Его можно было даже перевести с одного языка программирования на другой.
Тем не менее, после нескольких недель работы с этой новой технологией г-н Смит считает, что она не представляет угрозы для профессиональных программистов. На самом деле, как и многие другие эксперты, он видит в этом инструмент, который в конечном итоге повысит производительность труда человека. Это может даже помочь целому новому поколению людей научиться искусству работы с компьютерами, показывая им, как писать простые фрагменты кода, почти как личный репетитор.
"Этот инструмент может значительно облегчить жизнь кодировщика", – сказал г-н Смит.
Тестирование Кодекса убедило г-на Смита, руководителя стартапа в области искусственного интеллекта, в том, что это только улучшит работу людей с компьютерами. Кредит. Джейсон Генри для The New York Times
Кодекс, созданный OpenAI, одной из самых амбициозных исследовательских лабораторий в мире, дает представление о состоянии искусственного интеллекта. Хотя широкий спектр А.И. технологии стремительно развивались за последнее десятилетие, и даже самые впечатляющие системы дополняли людей, а не заменяли их.
Благодаря быстрому развитию математической системы, называемой нейронной сетью, машины теперь могут приобретать определенные навыки, анализируя огромные объемы данных. Например, анализируя тысячи фотографий кошек, они могут научиться узнавать кошку.
Около четырех лет назад исследователи из таких лабораторий, как OpenAI, начали разрабатывать нейронные сети, которые анализировали огромное количество прозы, включая тысячи цифровых книг, статей из Википедии и других текстов, размещенных в Интернете.
Выявляя шаблоны во всем этом тексте, сети научились предсказывать следующее слово в последовательности. Когда кто-то вводил несколько слов в эти «универсальные языковые модели», он мог завершить мысль целыми абзацами. Таким образом, одна система — творение OpenAI под названием GPT-3 — могла писать свои собственные сообщения в Твиттере, речи, стихи и новостные статьи.
К большому удивлению даже исследователей, создавших систему, она могла даже писать свои собственные компьютерные программы, хотя они были короткими и простыми. Очевидно, он извлек уроки из бесчисленного количества программ, размещенных в Интернете. Поэтому OpenAI пошел еще дальше, обучив новую систему — Codex — на огромном массиве прозы и кода.
Если вы попросите Codex «создать метель на черном фоне», он сделает именно это, сгенерировав и запустив код.
В результате система понимает и прозу, и код — до определенной степени. Вы можете запросить на простом английском языке снег, падающий на черный фон, и он даст вам код, создающий виртуальную метель. Если вы попросите синий прыгающий мяч, он даст вам и его.
«Вы можете попросить его что-то сделать, и он это сделает», — говорит Аня Кубоу, еще один программист, использовавший эту технологию.
Кодекс может создавать программы на 12 компьютерных языках и даже переводить их между ними. Но он часто ошибается, и хотя его навыки впечатляют, он не может рассуждать, как человек. Он может распознавать или имитировать то, что видел в прошлом, но он недостаточно проворный, чтобы думать самостоятельно.
Иногда программы, созданные Кодексом, не запускаются. Или они содержат недостатки безопасности. Или они и близко не подходят к тому, что вы от них хотите. По оценкам OpenAI, Codex создает правильный код в 37 % случаев.
Когда г-н Смит использовал систему в рамках программы бета-тестирования этим летом, полученный код был впечатляющим. Но иногда это срабатывало только в том случае, если он делал крошечные изменения, например настраивал команду в соответствии со своей конкретной настройкой программного обеспечения или добавлял цифровой код, необходимый для доступа к интернет-сервису, который он пытался запросить.
Другими словами, Codex был действительно полезен только для опытного программиста.
Но это может помочь программистам выполнять свою повседневную работу намного быстрее. Это могло помочь им найти основные строительные блоки, в которых они нуждались, или указать им на новые идеи. Используя эту технологию, GitHub, популярный онлайн-сервис для программистов, теперь предлагает Copilot, инструмент, который предлагает следующую строку кода так же, как инструменты «автозаполнения» предлагают следующее слово при вводе текста или электронных писем.
«Это способ написания кода без необходимости писать его слишком много», — сказал Джереми Ховард, который основал лабораторию искусственного интеллекта Fast.ai и помог создать языковую технологию, на которой основана работа OpenAI. «Это не всегда правильно, но достаточно близко».
В знак уважения к популярному интернет-мему Codex создает веб-сайт для «кота, который работает адвокатом», предоставляя биографию, номер телефона и небольшой аватар.
Г-н. Ховард и другие считают, что Codex также может помочь новичкам научиться программировать. Он особенно хорош для создания простых программ из кратких описаний на английском языке. И это работает и в другом направлении, объясняя сложный код простым английским языком. Некоторые, включая Джоэла Хеллермарка, предпринимателя из Швеции, уже пытаются превратить систему в инструмент обучения.
Остальные части А.И. пейзаж похож. Роботы становятся все более мощными. Так же и чат-боты предназначены для онлайн-общения. DeepMind, ИИ Лаборатория в Лондоне недавно создала систему, которая мгновенно определяет форму белков в организме человека, что является ключевой частью разработки новых лекарств и вакцин. Эта задача когда-то занимала у ученых дни или даже годы. Но эти системы заменяют лишь небольшую часть того, что могут сделать люди-эксперты.
В тех немногих областях, где новые машины могут мгновенно заменить работников, они, как правило, занимают рабочие места, которые рынок не заполняет. Роботы, например, все чаще используются в транспортных центрах, которые расширяются и изо всех сил пытаются найти работников, необходимых для того, чтобы идти в ногу со временем.
Грег Брокман из OpenAI сказал, что искусственный интеллект избавляет рабочих от рутинной работы, а не заменяет их. Кредит. Стив Дженнингс/Getty Images
Со своим стартапом Gado Images, Mr.Смит задался целью создать систему, которая могла бы автоматически сортировать фотоархивы газет и библиотек, восстанавливать забытые изображения, автоматически писать подписи и теги и делиться фотографиями с другими изданиями и предприятиями. Но технология могла справиться только с частью работы.
Он мог просматривать обширный фотоархив быстрее, чем люди, выявляя типы изображений, которые могут быть полезны, и подбирая подписи. Но чтобы найти лучшие и самые важные фотографии и правильно пометить их, по-прежнему требовался опытный архивист.
"Мы думали, что эти инструменты полностью устранят потребность в людях, но через много лет мы узнали, что это на самом деле невозможно — вам по-прежнему нужен опытный человек для проверки результатов", — сказал г-н Смит. . «Технологии ошибаются. И оно может быть предвзятым. Вам по-прежнему нужен человек, который проанализирует, что он сделал, и решит, что хорошо, а что нет».
Кодекс расширяет возможности машины, но это еще одно свидетельство того, что технология лучше всего работает, когда за рулем находится человек.
«А.И. происходит не так, как все ожидали», — сказал Грег Брокман, главный технический директор OpenAI. «Казалось, что он будет выполнять эту работу и эту работу, и все пытались выяснить, какая из них пойдет первой. Вместо этого он заменяет отсутствие рабочих мест. Но это снимает тяжелую работу со всех сразу».
Если многие руки выполняют легкую работу, то, возможно, многие компьютеры могут создать искусственный мозг. Это основная причина проекта искусственного интеллекта Intelligence Realm. Путем обратного проектирования мозга с помощью симуляции, распределенной по множеству разных персональных компьютеров, Intelligence Realm надеется создать ИИ с нуля, по одному нейрону за раз. Первые волны моделирования уже оказались успешными: используется более 14 000 компьютеров и моделируется 740 миллиардов нейронов. Singularity Hub удалось взять интервью у лидера проекта Овидиу Ангелиди: см. полный текст в конце этой статьи.
Конечная цель Intelligence Realm — создать ИИ или несколько ИИ и использовать этот интеллект в научных целях. Сосредоточившись на человеческом мозге как на прототипе, они могут создать интеллект, который решает проблемы и «думает» как человек. Это похоже на работу, проделанную в FACETS, о которой Singularity Hub рассказал несколько недель назад. Самая большая разница между Intelligence Realm и FACETS заключается в том, что Intelligence Realm полагается исключительно на симуляционный/программный подход.
Что делает Intelligence Realm похожим на проект Blue Brain Project, который также обсуждался в Singularity Hub. Оба являются компьютерными симуляциями нейронов в мозгу, но конечная цель Blue Brain — лучше понять неврологические функции, в то время как Intelligence Realm стремится в конечном итоге создать ИИ. В любом случае, чтобы успешно смоделировать мозг только в программном обеспечении, вам потребуется много вычислительной мощности. Blue Brain работает на высокотехнологичном суперкомпьютере, ресурсе, который в значительной степени является эксклюзивным для этого проекта. Даже с таким впечатляющим товаром Blue Brain достигает предела своих возможностей. Слишком много всего для моделирования только на одном компьютере, каким бы мощным он ни был. Intelligence Realm использует решение для распределенных вычислений. Там, где один компьютерный кластер может выйти из строя, многие, работая вместе, могут добиться успеха. Вот почему Intelligence Realm ищет помощи.
Проект системы искусственного интеллекта активно набирает сотрудников, на призыв откликнулись более 6700 добровольцев. Каждый доброволец запускает небольшую часть более крупной симуляции на своем компьютере (компьютерах), а затем отправляет результаты обратно на главный сервер. BOINC, разработанное в Беркли программное обеспечение для распределенных вычислений, которое делает все возможным, управляет потоком данных туда и обратно. Это то же программное обеспечение, которое используется для обработки распределенных вычислений SETI. Присоединиться к проекту довольно просто: вы просто загружаете BOINC, некоторые другие файлы данных, и все готово. Вы можете запустить симуляцию как приложение или как часть заставки.
Маленькие шаги
Итак, 6 700 добровольцев, 14 000 или около того платформ, 740 миллиардов нейронов, но что на самом деле думает симулированный мозг? На данный момент не так много. То же самое верно и для Blue Brain Project, или FACETS. Моделирование сложного органа, такого как мозг, — медленный процесс, и первые шаги сосредоточены на понимании того, как он работает на самом деле. Входные данные (Intelligence Realm использует текстовые строки) преобразуются в нейронные сигналы, эти сигналы могут взаимодействовать в моделировании, а конечное состояние преобразуется обратно в выходные данные. Это трудоемкий (вычислительный) процесс, требующий много времени и сил. Прямо сейчас Intelligence Realm только приближается к простой арифметике.
Это, безусловно, маленький шаг, но впереди еще много шагов.Intelligence Realm планирует научиться сопоставлять числа с нейронами, понимать, какие структуры нейронов в вашем мозгу представляют числа, и выяснять основные математические операции (сложение, вычитание и т. д.). Из этих скромных начинаний вырастут более сложные рассуждения. По крайней мере, таков план.
Intelligence Realm занимается не только созданием биофизического калькулятора. Их мозг спроектирован таким образом, чтобы он мог изменяться и расти, как человеческий мозг. Они сосредоточились на моделировании всех частей мозга (включая нижние отделы мышления) и повышении пластичности своей модели. Прямо сейчас он спотыкается о знание того, что 1 + 1 = 2. Даже при линейном росте они надеются, что этот же спотыкающийся интеллект разовьется в ментального гиганта. Однако это монументальная задача, и нет никакой гарантии, что она сработает. Создание искусственного интеллекта, вероятно, является одной из самых сложных задач, и на этом раннем этапе игры трудно понять, перерастут ли детские шаги во взрослые успехи. Процесс моделирования может быть даже неправильным подходом. Это ценный эксперимент с точки зрения того, что он может рассказать нам о мозге, но он может никогда не создать ИИ. Более важный вопрос может заключаться в том, хотим ли мы этого?
Тук, тук… Это неизбежно
После выхода новейшего фильма "Терминатор" вполне естественно снова начать беспокоиться об опасностях искусственного интеллекта. Зачем строить эти вещи, если они просто собираются выследить Кристиана Бэйла? Многим угрозы искусственного интеллекта кажутся попыткой саморазрушающего любопытства. В конце концов, начиная с монстра Франкенштейна Шелли и заканчивая Адамом и Евой, западная цивилизация, кажется, верит, что творения всегда в конечном итоге обращаются против своих создателей.
Однако искусственный интеллект обещает не только угрозы, но и награды. Проблемы в химии, биологии, физике, экономике, технике и астрономии, даже вопросы философии могут быть решены с помощью применения продвинутого ИИ. Более того, стремясь улучшить себя с помощью кибернетики и генной инженерии, мы станем более искусственными. В конце концов, грань между искусственным и естественным интеллектом может быть размыта до такой степени, что ИИ будут казаться нам равными, а не нашими возможными угнетателями. Однако это не тот путь, по которому все обязательно захотят пройти.
Природа распределенных вычислений и BOINC позволяет вам эффективно голосовать за успех этого проекта. В конечном итоге Intelligence Realm потребуются сотни тысяч, если не миллионы вычислительных платформ для запуска своих симуляций. Если вы считаете, что ИИ заслуживает шанса на существование, помогите ему и наймите других. Если вы думаете, что мы строим собственные эсминцы, то не запускайте программу. В конце концов, успех или провал этого проекта вполне может зависеть от того, сколько добровольцев захотят стать акушерками новой формы интеллекта.
Прежде чем принять решение, обязательно прочитайте следующее интервью. Будучи руководителем проекта, Овидиу Ангелиди является одним из тех, кто занимается обратным проектированием мозга и разработкой возможного искусственного интеллекта, который надеется создать Intelligence Realm. Он не хотел, чтобы это была вербовочная речь, но он делает несколько хороших замечаний:
Ш: Привет. Не могли бы вы для начала кратко представить себя и свой проект?
ОА: Привет. Меня зовут Овидиу Ангелиди, и я работаю над проектом распределенных вычислений с участием тысяч компьютеров в области искусственного интеллекта. Наша цель — разработать систему, которая может выполнять автоматизированные исследования.
Что привлекло вас в этом проекте?
В подростковом возрасте я пытался понять природу вопроса. Я широко использовал вопросы в качестве инструмента обучения. Это побудило меня искать методы лучшего понимания. Посмотрев на все виды методов, я почувствовал, что понимание творчества — более достойное занятие. Применение различных методов обучения и понимания — прекрасная работа, но поиск выдающихся решений требует гораздо большего. Некоторое время я пытался понять, как делается творчество и что это такое. Я обнаружил, что по этой теме не так много работы, в основном потому, что это пересекающаяся концепция.
Поиск творчества привел меня в область искусственного интеллекта. Поскольку один из бывших президентов Американской ассоциации искусственного интеллекта посвятил этой теме целый выпуск, я начал двигаться в этом направлении. Я изучал область искусственного интеллекта в течение нескольких лет, и в какой-то момент я читал все больше и больше статей, затрагивающих тему познания и мозга, поэтому я ненадолго заглянул в нейробиологию. После того, как я прочитал вводную книгу о неврологии, я понял, что понимание механизмов мозга — это то, чем я должен был заниматься все это время, в течение последних 20 лет. Я и по сей день двигаюсь в этом направлении.
Каков ваш график достижения успеха?Как скоро у нас появится распределенный ИИ, использующий вашу систему?
Я работаю над этим проектом уже около 3 лет, и, по моим оценкам, нам потребуется еще 7-8 лет, чтобы завершить проект. Тем не менее, нам не нужно так много времени, чтобы использовать некоторые его функции. Я ожидаю, что некоторые основные функции будут работать в течение нескольких месяцев. Возьмем, к примеру, функцию множественного моделирования. Если мы хотим заниматься разными направлениями в разных областях (например, математике, биологии, физике), нам нужно настроить моделирование для каждой области. Но нам не нужно доходить до конца проекта, чтобы иметь возможность запускать отдельные симуляции.
Считаете ли вы, что искусственный интеллект является необходимым шагом в эволюции интеллекта? Если нет, то зачем его преследовать? Если да, то должно ли это произойти в определенное время?
Я бы не сказал, что это необходимо, потому что мы не знаем, в каком направлении мы развиваемся. Пока у нас нет полной картины от начала до конца или примеров других видов, с которыми можно было бы сравнить нашу историю, мы не должны просто предполагать, что это необходимо.
Мы должны стремиться к ней со всей силой и пониманием, потому что достаточно скоро она может дать нам много ответов о нас самих и об этой Вселенной. Под скоро я подразумеваю два или три десятилетия. Действительно, очень короткий промежуток времени. Искусственный интеллект на несколько порядков усилит наши исследовательские усилия во всех дисциплинах.
В нашем случае это естественное расширение. Любой вид, достигший определенного уровня интеллекта, в какой-то момент времени начнет воспроизводить и расширять свои естественные способности, чтобы контролировать окружающую среду. Человеческая раса делала это последние пару тысяч лет, мы пытались воспроизвести и расширить нашу способность бегать, видеть, обонять и осязать. Теперь дошло до размышлений. Мы изобрели автомобили, телевизоры и другие устройства, и теперь мы близки к созданию искусственного интеллекта.
Каковы, по вашему мнению, важные краткосрочные и долгосрочные последствия этого проекта?
Мы надеемся, что в краткосрочной перспективе мы повысим осведомленность о преимуществах технологии искусственного интеллекта. В долгосрочной перспективе это трудно предвидеть.
Как вы видите взаимодействие Intelligence Realm с более традиционными исследовательскими учреждениями? (университеты, рецензируемые журналы и т. д.)
Ну… мы не сможем предоставить полную информацию обо всем проекте, потому что мы используем бизнес-модель, чтобы мы могли поддержать проект в будущем, поэтому мало шансов на сотрудничество с университетом или другое исследовательское учреждение. В будущем, поскольку мы будем на продвинутой стадии разработки, мы, вероятно, наладим сотрудничество. Пока это не представляется возможным. Я открыт для сотрудничества, но не понимаю, как это произойдет.
Раньше я отправлял некоторые статьи в несколько журналов, но обычно получаю предложения просмотреть другие журналы из других областей. Большая часть работ в области искусственного интеллекта не имеет элементов нейронауки, а работа в области нейробиологии практически не содержит элементов искусственного интеллекта. В любом случае, мне не нужно признание.
Почему кто-то должен присоединиться к вашему проекту? Почему эта работа важна?
Если кто-то интересуется искусственным интеллектом, ему может помочь другой взгляд на эту тему и понимание того, какие компоненты разрабатываются с течением времени. Я не могу сказать, насколько это важно для кого-то другого. На личном уровне я могу сказать, что, поскольку моя работа важна для меня, и, имея систему ИИ, я смогу получить ответы на многие вопросы, я работаю над этим. Искусственный интеллект принесет исключительную пользу всему обществу.
Что должен сделать тот, кто хочет присоединиться к симуляции? Что может сделать кто-то, если он не может участвовать напрямую? (Есть ли задача типа «напишите своему конгрессмену», с которой они могли бы вам помочь?)
Если кто-то заинтересован в присоединении к проекту, ему необходимо загрузить клиент Boinc с сайта Беркли, а затем подключиться к проекту, используя основной URL-адрес для этого проекта. Мы ценим поддержку, полученную от тысяч волонтеров со всего мира.
Если кто-то не может участвовать напрямую, я предлагаю ему/ей непредвзято относиться к тому, что такое ИИ и какую пользу он может им принести. Он или она должны также попытаться понять его подводные камни.
Задачи типа «напиши своему конгрессмену» не существует. Массовое образование является ключом к успеху ИИ. Этот проект не должен быть в центре внимания.
Какие последние новости?
Мы достигли 14 000 компьютеров и смоделировали более 740 миллиардов нейронов. Мы работаем над внедрением базовой модели гиппокампа для обучения и памяти.
Что-нибудь еще вы хотите нам сказать?
Если кто-то считает, что разработка искусственного интеллекта невозможна или слишком далеко в будущем, я могу только сказать ему или ей: «Примите неизбежное».Достижения в области нейробиологии стремительно растут. Ученые тщательно. Все, что нужно, — это понять его преимущества и недостатки.
Спасибо, что уделили нам время, и мы с нетерпением ждем возможности рассказать о развитии Intelligence Realm по мере его дальнейшего развития.
Читайте также: