Начнется ли деградация людей, если мы научим компьютер думать за нас

Обновлено: 21.11.2024

За последнее десятилетие был достигнут значительный прогресс в расширении доступа к школьному обучению для детей и молодежи, но немногие из них овладевают базовыми навыками и компетенциями, необходимыми для их будущего. Столкнувшись с этой проблемой, системы образования в настоящее время все больше укрепляют существующие модели обучения, одновременно переориентируя учащихся на мир, где технологии вездесущи.

Эмилиана Вегас

Бывший содиректор Центра всеобщего образования

Бывший старший научный сотрудник отдела глобальной экономики и развития

Брайан Фаулер

Бывший аналитик-исследователь Центра универсального образования

Информатика — важный элемент укрепления существующих моделей образования и подготовки учащихся к будущему. Опираясь на предыдущую работу, мы определяем CS как изучение как аппаратного, так и программного обеспечения компьютера, включая теоретические алгоритмы, искусственный интеллект и программирование (Technopedia). 1 Обучение информатике может также включать в себя элементы вычислительного мышления: подход к решению проблем, включающий декомпозицию, использование алгоритмов, абстракцию и автоматизацию (Wing, 2006). Компьютерная грамотность отличается от компьютерной грамотности тем, что она больше связана с дизайном компьютера, чем с его использованием. Например, программирование — это навык, которому можно научиться на курсе компьютерных наук, а создание документа или презентации в виде слайд-шоу с использованием существующей программы — это навык, которому можно научиться на курсе компьютерной грамотности.

Множество исследований показывают, что обучение компьютерным наукам может помочь учащимся не только в компьютерных технологиях. Образование в области компьютерных наук было связано с более высокими показателями поступления в колледжи и улучшенными способностями к решению проблем (Brown & Brown, 2020; Salehi et al., 2020). Недавнее рандомизированное контрольное исследование также показало, что уроки вычислительного мышления улучшают навыки торможения реакции учащихся, планирования и кодирования (Arfé et al., 2020). Поскольку эти навыки приобретают первостепенное значение в быстро меняющемся 21 веке, образование в области компьютерных наук обещает значительно повысить готовность учащихся к будущему работы и активной гражданской позиции.

Обучение компьютерным наукам расширяется по всему миру, поскольку все больше образовательных систем признают его важность. Тем не менее, большинство стран не спешат его внедрять. Мы провели поиск в Интернете свидетельств школьного обучения информатике и обнаружили, что из 219 стран: 44 (около 20 процентов) требуют, чтобы школы предлагали его в качестве факультативного или обязательного курса; 15 (около 7 процентов) предлагают CS в отдельных школах и некоторых субнациональных юрисдикциях (штатах, провинциях и т. д.); и 160 (73 процента) только проводят пилотные образовательные программы по компьютерным наукам или не имеют доступных данных о школьном обучении информационным технологиям (рис. 1). Немногие страны предлагают обучение компьютерным наукам достаточно долго, чтобы должным образом оценить эффективность их обучения и деятельности по информационным технологиям.

Несмотря на то, что это необходимо для приобретения навыков в 21 веке, качественное образование в области компьютерных наук для учащихся со всего мира – немалый подвиг. Многие страны по-прежнему пытаются обеспечить, чтобы все учащиеся овладевали основами грамотности и счета. Согласно последним оценкам «Тенденции в международном исследовании математики и естественных наук» (TIMMS) и «Прогресс в международном исследовании грамотности чтения» (PIRLS), только 14 процентов учащихся в странах с низким уровнем дохода достигли уровня знаний по математике и менее 5 процентов — по чтению ( Всемирный банк, 2018 г.). В таких условиях предоставление качественного образования по компьютерным наукам учащимся по всему миру остается сложной задачей.

В ответ на эти проблемы внедрения некоторые системы образования:

  • Введены программы квалификации и подготовки учителей;
  • Приложил усилия для повышения интереса и участия учащихся в CS; и
  • Инвестиции в исследования и разработку новых методов обучения информатике.

Несмотря на то, что эти усилия направлены на решение основных проблем, связанных с расширением образования в области компьютерных наук, существует нехватка заслуживающих доверия исследований, в которых бы строго оценивалась эффективность образования в области компьютерных наук. В рамках более крупного текущего исследовательского проекта Центра всеобщего образования в Брукингсе, посвященного глобальным достижениям в области компьютерного образования, в этом аналитическом обзоре рассматриваются различные усилия во всем мире, направленные на улучшение и масштабирование компьютерного образования.

Квалификация и подготовка учителей

Хорошо подготовленный и знающий учитель является наиболее важным фактором в обучении учащихся со стороны школы (Chetty et al., 2005; Chetty, 2014; Rivkin et al., 2005). Это также верно для обучения CS. Тем не менее, несколько недавних исследований показывают, что в системах образования не хватает квалифицированных учителей компьютерных наук.Например, при опросе учителей начальной школы в США только 10% ответили, что понимают концепцию вычислительного мышления (Campbell & Heller, 2019). Другое исследование показало, что 75% учителей в США ошибочно считают «создание документов или презентаций на компьютере» темой, которую они изучают на курсе информатики (Google/Gallup, 2015), демонстрируя плохое понимание различий между компьютерной наукой и информатикой. компьютерная грамотность. Другие тематические исследования, опросы и интервью показали, что учителя в Индии, Саудовской Аравии, Великобритании и Турции сообщают о низкой уверенности в своем понимании CS (Ramen et al., 2015; Alfayez & Lambert, 2019<). /u>; Королевское общество, 2017 г., Гюльбахар и Калелиоглу, 2017 г.). Действительно, во многих мировых системах образования подготовка учителей остается сложной задачей для развития необходимых навыков и уровней уверенности в себе для эффективного преподавания и обучения компьютерным наукам.

Чтобы решить эти проблемы, школьные системы ввели программы непрерывного профессионального развития (PD), программы сертификации и сертификаты CS, выдаваемые в рамках программ обучения для учителей до начала работы.

Профессиональное развитие и официальные сети

Учитывая нехватку знающих учителей информатики, несколько систем образования привлекли учителей к ПД. Они варьируются от однонедельных летних семинаров по вычислительной технике, посвященных блочным языкам программирования, до многодневных семинаров, предназначенных для ознакомления учителей с CS и обучения их тому, как помочь учащимся освоить навыки программирования (Liu et al., 2011). Группы профессионального развития под руководством учителей продемонстрировали потенциал для содействия совместному обучению учителей информатики (Cutts et al., 2017; Alkaria & Alhassan, 2017; Goode et al., 2014). ). Тем не менее, необходима более тщательная оценка, чтобы понять их эффективность.

Сертификация учителей

Схемы сертификации служат двойной цели: проверяют знания преподавателей предметной области и сообщают потенциальным работодателям об их уникальной квалификации. Это, в свою очередь, побуждает учителей продолжать обучение, чтобы установить цикл повышения квалификации преподавателей компьютерных наук.

Спрос на образование в области информатики

Из-за высокого спроса на их навыки специалисты в области компьютерных технологий делают стабильную карьеру с высоким доходом. По данным Бюро статистики труда, средняя годовая заработная плата для профессий CS в 2019 году составила 88 240 долларов, что примерно на 48 000 долларов больше, чем средняя заработная плата для всех профессий в США. Бюро также прогнозирует, что рынок профессионалов CS будет продолжать расти в два раза. скорость остальной части рынка труда в период с 2014 по 2024 год (Национальные академии наук, 2018). Несмотря на эти преимущества, технологическая отрасль не смогла привлечь в свои ряды талантливых специалистов из разных стран.

Чтобы удовлетворить спрос на специалистов по информационным технологиям, государственные и благотворительные организации внедрили программы, знакомящие учащихся с компьютерными технологиями. Повышая осведомленность и интерес учащихся K-12 к профессиям компьютерных наук, можно решить проблему нехватки разнообразия в технологической отрасли (Harrison, 2019; Ioannou, 2018).

Заинтересованность учащихся и родителей в обучении информатике

Несмотря на явный экономический стимул для изучения компьютерных наук, относительно небольшое число учащихся K-12 проявляют интерес к компьютерному образованию. Одной из причин может быть то, что изучение компьютерных наук сопряжено с изрядной социальной стигматизацией студентов. Эта стигматизация может быть связана с широко распространенным мнением о том, что CS — это область, ориентированная на мужчин, которая предполагает социальную изоляцию и акцент на машинах, а не на людях (Cheryan et al. 2015).

Родители положительно относятся к обучению компьютерным наукам, но у них есть неправильное представление о том, кто может этому научиться. Более 80% родителей в США, опрошенных в ходе исследования Google/Gallup в 2016 году, сообщили, что они считают компьютерные науки столь же важными, как и любые другие дисциплины. Тем не менее, те же родители указали, что у них есть предубеждения относительно того, кому следует посещать курсы информатики: 57% опрошенных родителей в США заявили, что нужно быть «очень умным», чтобы изучать информатику (Google, 2015). Распространено ошибочное мнение, что некоторые люди от природы талантливы в CS, иначе известном как «ген гика», в то время как другие от природы неспособны к CS (McCartney, 2017). Это убеждение отпугивает некоторых студентов от развития интереса к CS. Напротив, статистические данные показывают, что учащиеся изучают компьютерные науки, изучая и применяя на практике основные понятия, и, таким образом, «ген гика» — это скорее миф, чем реальность (Patitsas et al. 2019).

Обучение CS для девочек и недостаточно представленных меньшинств (URM)

Вмешательства для повышения интереса учащихся

Также были предприняты попытки реализации трудоемких программ, направленных на повышение интереса учащихся к компьютерным наукам. Например, в американском штате Джорджия в течение шести лет была реализована программа, включающая внеклассные, выходные и летние семинары. В ходе программы в Грузии наблюдался рост участия в экзамене Advanced Placement (AP) CS, особенно среди девочек и URM (Guzdial et al., 2014). Некоторые штаты ввели аналогичные программы, организуя летние лагеря и семинары по выходным в университетах, чтобы помочь старшеклассникам познакомиться с CS (Best College Reviews).

Эти инициативы, будь то разовое знакомство с информационными технологиями или программы, требующие много времени, обычно имеют явную цель поощрения участия в обучении информационным технологиям среди всех учащихся, особенно девочек и URM. Хотя исследования показывают, что «Час кода» и летние лагеря могут повысить энтузиазм учащихся в области компьютерных наук, они не дают строгой оценки воздействия, необходимой для окончательного вывода об их эффективности. Например, в случае с Грузией невозможно подтвердить, можно ли напрямую отнести клубы продленного дня к увеличению числа девочек и URM, принимающих CS.

Методы обучения, основные компетенции и исследования

Несмотря на то, что были достигнуты большие успехи в создании увлекательной учебной среды, как и в других обсуждаемых здесь областях, существует недостаток исследований, которые бы достоверно оценивали эффективность различных учебных программ и методов обучения для развития навыков CS (Saeli et al., 2011). ; Hubwieser и др., 2013). Действительно, наш обзор фактических данных показывает, что расширение образования в области компьютерных наук во всем мире потребует консенсуса в отношении стратегий оценки понимания учащимися основных компетенций в области компьютерных наук и качественных данных об эффективных учебных программах и методах обучения.

Учебные программы и основные компетенции

Не существует универсальной учебной программы по информатике для всех систем образования, школ и классов. Региональные контексты, школьная инфраструктура, предшествующий доступ и воздействие CS должны учитываться при разработке учебных программ и компетенций CS. Некоторые навыки CS, такие как языки программирования, требуют доступа к компьютерной инфраструктуре, которая может отсутствовать в некоторых контекстах (Lockwood & Cornell, 2013). По мнению участников Международной олимпиады по информатике «Создание международной учебной программы по информатике для начального и старшего школьного образования», при разработке учебных программ следует учитывать конкретные обстоятельства (Ackovska, 2015).

Вместо того, чтобы предписывать учебную программу, K-12 Computer Science Framework рекомендует базовые концепции информатики и компетенции для систем образования. Эта структура позволяет разработчикам учебных программ и преподавателям создавать учебный процесс, выходящий за рамки структуры и учитывающий интересы и способности учащихся.

К основным навыкам, которые учащиеся могут освоить к концу начальной школы, относятся: (1) абстракция (создание модели для решения проблемы); (2) обобщение (ремикширование и повторное использование ранее созданных ресурсов); (3) декомпозиция (разбиение сложной задачи на более простые подзадачи); (4) алгоритмическое мышление (определение ряда шагов для решения, составление инструкций в правильной последовательности и формулирование математических и логических выражений); и (5) отладка (распознавание, когда инструкции не соответствуют действиям, а затем удаление или исправление ошибок) (Angeli, 2016).

Компетенции, которые учащиеся старшего возраста могут освоить на курсах информатики, практикуемых в Польше, включают: (1) логическое и абстрактное мышление; (2) представления данных; (3) решение проблем путем разработки и программирования алгоритмов с использованием цифровых устройств; (4) выполнение расчетов и выполнение программ; (5) сотрудничество; и (6) этические нормы, такие как конфиденциальность и безопасность данных (Syslo & Kwiatkowska, 2015 г.).

Часто используемые методы обучения

В ряде исследований описаны различные методы обучения основным компетенциям компьютерных наук. Интегрированные среды разработки особенно рекомендуются для обучения навыкам кодирования (Florez et al., 2017; Saez-Lopez et al., 2016). 3 Эти среды обучают блочным языкам программирования, которые побуждают начинающих программистов заниматься программированием, частично облегчая учащимся нагрузку на синтаксис (Weintrop & Wilensky, 2017; Repenning, 1993). Другие рекомендовали различные методы обучения, сочетающие компьютеризированные уроки с занятиями в автономном режиме (Тауб и др., 2009; Керзон и др., 2009; Ачковска, 2015). Этот подход предназначен для обучения основным понятиям вычислительного мышления, в то же время поддерживая вовлеченность учащихся в физическую, а также в цифровую среду (Nishida et al., 2009). CS Unplugged, например, предоставляет кинестетические планы уроков. которые включают игры и головоломки, обучающие основным понятиям CS, таким как декомпозиция и алгоритмическое мышление.

В различных исследованиях также предпринимались попытки измерить традиционное лекционное обучение информатике (Alhassan, 2017; Cicek & Taspinar, 2016). 4 Эти исследования, однако, основаны на небольших размерах выборки, где каждая экспериментальная и контрольная группы состояли из отдельных классов. Необходимы более тщательные исследования, чтобы понять эффективность стратегий обучения информатике.

Отсутствие единого мнения по оценке

Несмотря на то, что для оценки знаний учащихся по основным понятиям CS используются различные методы — стандартизированные тесты, цифровая среда, классические когнитивные тесты и тесты активности CS Unplugged, единого мнения относительно наилучшего метода для этого нет (So et al. ., 2019; Джамбонг и Фрейман, 2016). Хотя эти методы широко доступны, по-прежнему не хватает сопоставимых оценок, которые исследователи могли бы использовать для оценки различных учебных программ или методов обучения информатике. Без данных оценки невозможно оценить учебную программу или стратегии обучения в разных классах или школах (Webb et al., 2016; Tew, 2010). Отсутствие результирующих данных, в свою очередь, мешает системам образования улучшать свои программы CS.

Хорошей новостью является то, что все больше организаций разрабатывают стандартизированные тесты по компьютерным наукам и вычислительному мышлению. В Международное исследование компьютерной и информационной грамотности в 2018 году были включены экзамены по вычислительному мышлению, состоявшие из двух 25-минутных модулей, в которых студентов просили разработать последовательность задач в программе, связанной с единой темой (Fraillon et al., 2018). В 2021 году PISA ОЭСР будет включать вопросы для оценки вычислительного мышления. Экзамен AP CS также позволил провести полезные сравнения, которые использовались для оценки программ подготовки учителей (Brown, 2018).

Системы образования во всем мире все чаще обращают внимание на необходимость интеграции компьютерных наук в свои стандартные учебные программы. Тем не менее, появилось много проблем. Во многих системах образования ощущается нехватка квалифицированных учителей, которые разбираются в концепциях и методах обучения информатике. Несмотря на высокий спрос на специалистов по компьютерным наукам, относительно небольшое количество студентов проявляют интерес к компьютерным наукам по сравнению с другими предметами STEM. Разработка основных компетенций, учебных программ и оценок, адаптированных к контексту различных образовательных систем, еще не завершена.

Правительства и некоммерческие организации по-разному решают эти проблемы. Учителя могут участвовать в программах обучения и сертификации, а учащиеся могут участвовать в коротких уроках кодирования, внеклассных клубах и летних лагерях. Педагоги-практики внесли новшества в дизайн методов обучения информатике, начиная от блочного программирования и заканчивая кинестетическими уроками.

Эти мероприятия и программы часто хорошо организованы и могут решить проблемы, для решения которых они предназначены. Тем не менее, Королевское общество (2017 г.) рекомендует проводить более тщательные исследования в области компьютерного образования по следующим приоритетам: педагогика, модели обучения и методы обучения, структура класса и физические ресурсы, языки программирования, вовлечение учащихся и методы оценки. Полученное исследование может помочь образовательным системам инициировать, масштабировать и улучшить свое обучение компьютерным наукам.

Авторы выражают признательность Пэту Йонгпрадиту, Марку Гуздиалу и Бенсону Нитипуди за их комментарии к более ранним вариантам этого аналитического обзора.

The Brookings Institution – некоммерческая организация, занимающаяся независимыми исследованиями и политическими решениями. Его миссия состоит в том, чтобы проводить высококачественные независимые исследования и на основе этих исследований предоставлять новаторские практические рекомендации для политиков и общественности. Выводы и рекомендации любой публикации Brookings принадлежат исключительно ее автору (авторам) и не отражают точку зрения Учреждения, его руководства или других ученых.

Brookings выражает благодарность Amazon, Atlassian Foundation International, Google и Microsoft за поддержку.

Brookings признает, что ее ценность заключается в стремлении к качеству, независимости и влиянию. Мероприятия, поддерживаемые его донорами, отражают это обязательство.

Ученые изучают подходы, которые помогут машинам развить собственный здравый смысл.

Кредит. Тодд Сент-Джон

Отправить историю любому другу

Как подписчик, у вас есть 10 подарочных статей каждый месяц. Любой может прочитать то, чем вы делитесь.

Отдать эту статью

Эта статья является частью нашего последнего специального отчета об искусственном интеллекте, в котором основное внимание уделяется тому, как технология продолжает развиваться и влияет на нашу жизнь.

Кажется, искусственный интеллект есть везде, но на самом деле мы наблюдаем революцию в контролируемом обучении: мы учим компьютеры видеть закономерности так же, как учим детей читать. Но будущее А.И. зависит от компьютерных систем, которые обучаются самостоятельно, без присмотра, говорят исследователи.

Когда мать указывает на собаку и говорит ребенку: "Посмотри на собачку", ребенок учится называть пушистых четвероногих друзей. Это контролируемое обучение. Но когда этот ребенок встает и спотыкается снова и снова, пока не сможет ходить, это нечто другое.

Компьютеры одинаковы.Так же, как люди учатся в основном путем наблюдения или проб и ошибок, компьютерам придется выйти за рамки контролируемого обучения, чтобы достичь священного Грааля интеллекта человеческого уровня.

"Мы хотим перейти от систем, требующих большого количества человеческих знаний и ручной инженерии", к "все более и более автономным системам", – сказал Дэвид Кокс, директор IBM Watson AI Lab в Массачусетском технологическом институте. Он отметил, что даже если система контролируемого обучения прочитает все книги в мире, ей все равно будет не хватать интеллекта человеческого уровня, потому что так много наших знаний никогда не записывается.

Обучение с учителем зависит от аннотированных данных: изображений, аудио или текста, которые тщательно помечаются толпами работников. Они обводят людей или обводят велосипеды на фотографиях уличного движения. Размеченные данные передаются компьютерным алгоритмам, обучая алгоритмы тому, что искать. После обработки миллионов помеченных изображений алгоритмы становятся экспертами в распознавании того, что их научили видеть.

Но контролируемое обучение ограничено относительно узкими областями, определяемыми в основном обучающими данными.

«Сегодня существует предел тому, к чему вы можете применить обучение с учителем, потому что вам нужно много размеченных данных», — сказал Янн ЛеКун, один из основателей современной революции в области искусственного интеллекта и получатель Премия Тьюринга, эквивалент Нобелевской премии в области компьютерных наук, в 2018 году. Он является вице-президентом и руководителем отдела искусственного интеллекта. ученый в Facebook.

Янн ЛеКун, вице-президент и руководитель A.I. ученый в Facebook. Кредит. Facebook, через Associated Press

Методы, которые не полагаются на такое точное наблюдение со стороны человека, хотя и менее изучены, уступили успеху контролируемого обучения и его многочисленным практическим применениям — от беспилотных автомобилей до языкового перевода. Но контролируемое обучение по-прежнему не может делать многие вещи, простые даже для малышей.

«Этого будет недостаточно для искусственного интеллекта человеческого уровня», – сказал Йошуа Бенжио, который основал Mila, Квебекский институт искусственного интеллекта, и разделил премию Тьюринга с доктором Лекуном и Джеффри Хинтоном. «Люди не нуждаются в таком присмотре».

Теперь ученые, ведущие исследования в области искусственного интеллекта, снова обратили свое внимание на менее контролируемые методы. «Существуют самоуправляемые и другие связанные идеи, такие как реконструкция входных данных после принудительного преобразования модели в компактное представление, предсказание будущего видео или маскирование части входных данных и попытка их реконструкции», — сказал Сами Бенжио, брат Йошуа и научный сотрудник Google.

Существует также обучение с подкреплением с очень ограниченным контролем, которое не опирается на данные обучения. Обучение с подкреплением в компьютерных науках, впервые предложенное Ричардом Саттоном, ныне работающим в Университете Альберты в Канаде, смоделировано на основе обучения в мозгу, основанного на вознаграждении: представьте себе крысу, которая учится нажимать на рычаг, чтобы получить гранулу пищи. Стратегия была разработана, чтобы научить компьютерные системы выполнять действия.

Установите цель, и система обучения с подкреплением будет работать над ее достижением путем проб и ошибок, пока не будет постоянно получать вознаграждение. Люди делают это все время. «Поощрение — очевидная идея, если вы изучаете психологию, — говорит доктор Саттон.

По его словам, более широким термином для будущего искусственного интеллекта является «прогностическое обучение», то есть системы, которые не только распознают закономерности, но также предсказывают результаты и выбирают курс действий. «Все согласны с тем, что нам нужно прогностическое обучение, но мы расходимся во мнениях относительно того, как этого добиться», — сказал доктор Саттон. «Некоторые люди думают, что мы добьемся этого, расширив идеи контролируемого обучения; другие думают, что мы добьемся этого, расширив идеи обучения с подкреплением».

Питер Эббил, руководитель Лаборатории обучения роботов в Беркли в Калифорнии, использует системы обучения с подкреплением, которые конкурируют друг с другом, чтобы учиться быстрее, с помощью метода, называемого самостоятельная игра. Одинаковые смоделированные роботы, например, борются друг с другом в сумо и поначалу не очень хороши, но быстро улучшаются. «Играя против своего уровня или против себя, вы можете увидеть, какие варианты помогают, и постепенно наращивать мастерство», — сказал он.

Йошуа Бенджио, который основал Mila, Квебекский институт искусственного интеллекта, и разделил премию Тьюринга с доктором Лекуном и Джеффри Хинтоном. Кредит. Рено Филипп для The New York Times

Каким бы мощным ни было обучение с подкреплением, доктор ЛеКун считает, что другие формы машинного обучения более важны для общего интеллекта.

"Я зарабатываю на самообучении", – сказал он, имея в виду компьютерные системы, которые поглощают огромные объемы неразмеченных данных и анализируют их без присмотра или вознаграждения. Он работает над моделями, которые учатся на основе наблюдения, накапливая достаточно фоновых знаний, чтобы появился здравый смысл.

"Представьте, что вы передаете машине часть входных данных, например видеоклип, и просите ее предсказать, что произойдет дальше", – сказал доктор ЛеКун в своем кабинете в Нью-Йоркском университете, украшенном кадрами из фильма. «2001: Космическая одиссея». «Чтобы машина научилась делать это, она должна разработать некоторое представление данных. Он должен понимать, что есть объекты одушевленные, а есть неодушевленные. У неодушевленных объектов предсказуемые траектории, у других — нет».

После того, как самоконтролируемая компьютерная система "просмотрит" миллионы видео на YouTube, по его словам, она извлечет из них некоторое представление о мире. Затем, когда систему просят выполнить определенную задачу, она может использовать это представление — другими словами, она может обучаться сама.

Доктор. Кокс из MIT-IBM Watson AI Lab работает аналогичным образом, но сочетает более традиционные формы искусственного интеллекта с глубокими сетями в том, что его лаборатория называет нейросимволическим ИИ. По его словам, цель состоит в том, чтобы создать искусственный интеллект. системы, которые могут приобрести базовый уровень знаний здравого смысла, аналогичный человеческому.

"Огромная часть того, что мы делаем в повседневной работе, постоянно совершенствует наши ментальные модели мира, а затем использует эти ментальные модели для решения проблем", – сказал он. «Это включает в себя очень много того, что мы хотели бы от ИИ. делать».

Технологии коренным образом меняют то, как мы живем, работаем, относимся друг к другу и к внешнему миру. Скорость, широта и глубина нынешних прорывов не имеют исторических прецедентов и разрушают почти каждый сектор в каждой стране. Сейчас, как никогда раньше, появление новых технологий способно изменить защиту окружающей среды.

Поиск новых, более эффективных способов поддержки нашего развития всегда был ключевым фактором технологического прогресса. Сегодня, когда наша цивилизация сталкивается с новой беспрецедентной проблемой, технологии могут сыграть решающую роль в разделении развития и ухудшения состояния окружающей среды.

Давайте проясним. Никакая человеческая технология не может полностью заменить «природную технологию», совершенствовавшуюся в течение сотен миллионов лет в предоставлении ключевых услуг для поддержания жизни на Земле. Продуктивный, разнообразный природный мир и стабильный климат были и останутся основой успеха нашей цивилизации в будущем. Фундаментальной проблемой предыдущих технологических революций была легкость, с которой мы принимали как должное здоровые природные системы, такие как леса, океаны, речные бассейны (все они поддерживаются и поддерживаются биоразнообразием), а не считали их необходимым условием развития.

Мы потребляем больше природных ресурсов, чем планета может восстановить

1 августа во всем мире отмечается День экологического долга — момент в нашем календаре, когда мы потребляем больше природных ресурсов, чем планета может восстановить за год.

Global Footprint Network, международная некоммерческая организация, которая подсчитывает, как мы распоряжаемся или не распоряжаемся мировыми ресурсами, сообщает, что за первые семь месяцев 2018 г. производить все, от еды на наших тарелках до одежды, которую мы носим — новый нежелательный рекорд.

В настоящее время мы используем ресурсы и экосистемные услуги так, как если бы у нас было 1,7 Земли, и такой экологический перерасход возможен только в течение ограниченного времени, прежде чем экосистемы начнут деградировать и, в конечном итоге, рухнут.

Поскольку мировое биоразнообразие продолжает стремительно сокращаться, это повлияет на здоровье и функционирование важнейших экосистем, таких как леса, океан, реки и водно-болотные угодья. В сочетании с последствиями изменения климата, которые очевидны в предупреждениях ученых, а также в увеличении частоты и интенсивности экстремальных погодных явлений во всем мире; это будет иметь катастрофические последствия для экологического баланса планеты и для нашего выживания.День экологического долга — это яркое напоминание о срочных действиях, которые должны предпринять отдельные лица, страны и мировое сообщество для защиты лесов, океанов, дикой природы и пресноводных ресурсов, а также для обеспечения устойчивости и устойчивого развития для всех.

До 2020 года у нас есть критически важная возможность, чтобы принять обязательства и принять меры, чтобы к 2030 году обратить вспять тенденцию утраты природы и помочь обеспечить здоровье и благополучие людей и нашей планеты.

Это не просто гибель и мрак, риск реален

Отказ природных систем не проходит для нас без последствий.

Каждый день появляются новые доказательства нашего неустойчивого воздействия на окружающую среду. Последние пять лет были самым теплым пятилетним периодом за всю историю наблюдений, Арктика нагревалась намного быстрее, чем прогнозировалось, и, по оценкам ООН, за последние 10 лет связанные с климатом стихийные бедствия причинили всему миру ущерб на сумму 1,4 трлн долларов США.

Всего за 40 лет в мире произошло сокращение численности диких животных на суше, в море и в пресных водах на 60 %, а к 2020 году ожидается шокирующее сокращение на две трети, если нынешние тенденции сохранятся. Это произошло менее чем за поколение. Мгновение ока по сравнению с сотнями миллионов лет жизни некоторых из этих видов на нашей планете.

Леса находятся под угрозой, как никогда раньше, из-за непрекращающейся вырубки лесов, а в море 90% мировых рыбных запасов истощены. Все признаки указывают на то, что наша планета находится на грани.

Почему это важно? Это важно, потому что мы не построим стабильное, процветающее и справедливое будущее на истощенной планете.

«Битва технологий»

Пришло время сосредоточиться на решениях, которые, как мы знаем, существуют или могут быть разработаны, и именно здесь технологии, наряду с изменением поведения, могут помочь нам восстановить здоровье нашей природы и планеты.

От открытого моря до глубины самых густых лесов мира технологии могут изменить то, как мы идентифицируем, измеряем, отслеживаем и оцениваем множество услуг и ресурсов, которые предоставляет нам природа.

Блокчейн произведет революцию на товарных рынках

Ранее в этом году WWF в Австралии, Фиджи и Новой Зеландии объединили усилия, чтобы искоренить незаконный промысел и рабский труд в промысле тунца с помощью технологии блокчейн. «От наживки до тарелки» достижения в технологии блокчейн могут помочь потребителям отслеживать весь путь их тунца — и, возможно, других сельскохозяйственных товаров и рыбы — революционизируя системы сертификации и отслеживания. Мы также можем использовать спутниковые данные и недорогие устройства GPS-слежения, чтобы «видеть» и понимать глобальный промысел и глобальное движение судов.

Дистанционное зондирование в планировании и мониторинге

На суше дистанционное зондирование также играет важную роль в планировании, мониторинге и оценке воздействия на землю. Это позволило WWF отслеживать развитие добывающей промышленности в социально и экологически чувствительных районах, включая объекты всемирного наследия.

Мы также сотрудничаем с Лабораторией реактивного движения НАСА (JPL) и Калифорнийским университетом в Лос-Анджелесе для разработки алгоритма, который позволяет обнаруживать вырубку лесов из-за роста пальмового масла с помощью данных дистанционного зондирования, и мы изучаем возможность распространения этой технологии на другие товары.

Дроны и краудсорсинг помогают следить за состоянием леса и выявлять незаконные рубки

Защита мировых лесов означает, что земля — в нужных местах — защищена или восстановлена, а также здорова, обеспечивая людей и дикую природу тем, что им нужно для выживания, например чистым воздухом и водой, едой и рабочими местами. И вот тут-то и вступают в игру дроны, действуя как наши глаза в лесу. И не только WWF использует эту технологию.

WRI (Всемирный исследовательский институт) разработал Global Forest Watch (GFW), онлайн-систему мониторинга и оповещения о лесах, которая использует краудсорсинг, чтобы каждый мог создавать собственные карты, анализировать тенденции в лесах, подписываться на оповещения или загружать данные для своих нужд. регион или весь мир.

Тепловизор для борьбы с браконьерством

Каждую ночь смотрители парка патрулируют черную как смоль саванну кенийского национального заповедника Масаи-Мара. Они ищут вооруженных браконьеров, которые пересекают границу Танзании в поисках мяса диких животных и слоновой кости. В течение многих лет количество браконьеров превосходило относительно небольшой штат рейнджеров. Технологии сейчас помогают переломить ситуацию. Тепловизионные видеокамеры позволяют рейнджерам ловить браконьеров с рекордной скоростью и удерживать многих других даже от попыток.

Помимо прямых мер по борьбе с браконьерством, WWF также использует технологии для преследования торговцев дикими животными. С этой целью мы работаем с коалицией ведущих гигантов электронной коммерции и социальных сетей в США и Китае, чтобы искоренить продажу незаконных продуктов дикой природы на их платформах.

ИИ для отслеживания дикой природы

Трудно думать о технологиях и природе вместе, но даже такие достижения, как искусственный интеллект (ИИ), которые невозможно отделить от мира природы, помогают природоохранным мероприятиям.

В Китае Всемирный фонд дикой природы и технологический гигант Intel используют возможности искусственного интеллекта для защиты диких тигров и их среды обитания, а также в результате защищают бесчисленное множество других видов, способствуя хранению углерода, жизненно важным водоразделам и сообществам в этом районе.

Вовлеченная публика имеет решающее значение

Поскольку мы привлекаем новых партнеров и ищем новые способы применения технологий, мы считаем, что информированная и заинтересованная общественность имеет решающее значение для этой работы, и мы постоянно стремимся информировать людей о проблемах, стоящих перед нашей планетой, и о том, что мы делаем для их решения. их. В 2016 году мы вместе с Apple организовали кампанию «Приложения для Земли», которая привлекла 8 миллионов долларов и помогла миллионам людей во всем мире узнать об основных проблемах сохранения природы. Совсем недавно мы использовали инструменты дополненной реальности Apple для запуска приложения «WWF Free Rivers», которое предлагает людям ощутить важность свободно текущих рек для природы и людей и демонстрирует, насколько непродуманное экономическое развитие угрожает им обоим.

Возможности технологического партнерства для перезагрузки природы безграничны. Сейчас наша задача состоит в том, чтобы масштабировать эту работу не только на нескольких испытательных полигонах, но и на всех местах, где мы работаем, чтобы защитить планету. Нам нужны не только технологии, но и фундаментальный сдвиг в мышлении и понимании той роли, которую природа и биоразнообразие отводят в нашей жизни и бизнесе.

Если мы продолжим производить, потреблять и питать нашу жизнь так, как мы это делаем сейчас, леса, океаны и погодные системы будут разрушены и разрушены. Нерациональное сельское хозяйство, рыболовство, инфраструктурные проекты, горнодобывающая промышленность и энергетика приводят к беспрецедентной утрате биоразнообразия и деградации среды обитания, чрезмерной эксплуатации, загрязнению и изменению климата.

Хотя их воздействие становится все более очевидным в мире природы, последствия для людей также реальны. От нехватки продовольствия и воды до качества воздуха, которым мы дышим, доказательства никогда не были более четкими. Однако во многих случаях нам не удается установить связь. Наряду с технологической революцией нам нужна не менее беспрецедентная культурная революция в том, как мы общаемся с планетой.

Эта статья является частью серии статей Всемирного экономического форума "Четвертая промышленная революция для Земли", в которой рассказывается о том, как инновационные технологии начинают трансформировать способы управления природными ресурсами и решать проблемы, связанные с изменением климата и другими экологическими проблемами, вызванными индустриализацией.

Кристоф Кох — главный научный сотрудник MindScope в Институте изучения мозга Аллена и фонда Tiny Blue Dot Foundation, а также автор книги Ощущение самой жизни: почему сознание широко распространено, но не может быть вычислено< /em> (MIT Press, 2019). Он входит в совет консультантов Scientific American. Источник: Ник Хиггинс

АВТОР

Кристоф Кох — главный научный сотрудник MindScope в Институте изучения мозга Аллена и фонда Tiny Blue Dot Foundation, а также автор книги Ощущение самой жизни: почему сознание широко распространено, но не может быть вычислено< /em> (MIT Press, 2019). Он входит в совет консультантов Scientific American. Источник: Ник Хиггинс

Кратко

  • Машины с интеллектом человеческого уровня уже не за горами.
  • Пока неизвестно, будут ли они на самом деле в сознании.
  • Почему? Даже самые сложные симуляции мозга вряд ли вызовут сознательные чувства.

Будущее, в котором мыслительные способности компьютеров сравняются с нашими, уже не за горами. Мы чувствуем, как все более мощные алгоритмы машинного обучения (МО) дышат нам в затылок. Быстрый прогресс в ближайшие десятилетия приведет к созданию машин с интеллектом человеческого уровня, способных к речи и рассуждениям, которые внесут огромный вклад в экономику, политику и, что неизбежно, в военное дело. Рождение настоящего искусственного интеллекта сильно повлияет на будущее человечества, в том числе на то, будет ли оно у него вообще.

Следующие цитаты служат тому примером:

«С тех пор, как в конце 1940-х годов был достигнут последний крупный прорыв в области искусственного интеллекта, ученые во всем мире искали способы использования этого «искусственного интеллекта» для улучшения технологий, превосходящих возможности даже самых сложных современных программ искусственного интеллекта. достижения».

«Даже сейчас ведутся исследования, чтобы лучше понять, на что способны новые программы ИИ, оставаясь при этом в пределах границ сегодняшнего интеллекта. Большинство разрабатываемых в настоящее время программ искусственного интеллекта в основном ограничивались принятием простых решений или выполнением простых операций с относительно небольшими объемами данных».

Эти два абзаца были написаны языковым ботом GPT-2, который я пробовал прошлым летом. Разработанный OpenAI, институтом из Сан-Франциско, который продвигает полезный ИИ, GPT-2 представляет собой алгоритм машинного обучения с, казалось бы, идиотской задачей: представленный произвольным начальным текстом, он должен предсказать следующее слово. Сеть не учат «понимать» прозу в человеческом смысле. Вместо этого на этапе обучения он настраивает внутренние связи в своих смоделированных нейронных сетях, чтобы наилучшим образом предвидеть следующее слово, слово после него и так далее. Обученный на восьми миллионах веб-страниц, его внутренности содержат более миллиарда соединений, имитирующих синапсы, точки соединения между нейронами. Когда я ввел первые несколько предложений статьи, которую вы читаете, алгоритм выдал два абзаца, которые звучали как попытка первокурсницы вспомнить суть вводной лекции по машинному обучению, во время которой она мечтала. Вывод содержит все правильные слова и фразы — на самом деле неплохо! При повторном вводе одного и того же текста алгоритм выдает что-то другое.

Отпрыски таких ботов выпустят приливную волну «дипфейковых» обзоров продуктов и новостей, которые добавят миазмов в Интернет. Они станут еще одним примером программ, которые делают вещи, которые до сих пор считались исключительно человеческими, — играют в стратегию в реальном времени StarCraft, переводят текст, дают личные рекомендации для книг и фильмов, распознают людей на изображениях и видео.

Потребуется много дальнейших достижений в области машинного обучения, прежде чем алгоритм сможет написать шедевр, столь же последовательный, как В поисках утраченного времени Марселя Пруста, но код висит на стене. Вспомним, что все ранние попытки играть в компьютерные игры, переводить и говорить были неуклюжими и легко умаляемыми, потому что им явно не хватало мастерства и отточенности. Но с изобретением глубоких нейронных сетей и массивной вычислительной инфраструктуры технологической индустрии компьютеры неуклонно совершенствовались, пока их результаты перестали казаться смехотворными. Как мы видели в го, шахматах и ​​покере, современные алгоритмы могут превзойти людей, и когда они это делают, наш первоначальный смех превращается в ужас. Неужели мы похожи на ученика чародея Гёте, вызвавшего духов-помощников, которых мы теперь не в силах контролировать?

Искусственное сознание?

Несмотря на то, что эксперты расходятся во мнениях относительно того, что именно представляет собой интеллект, естественный или иной, большинство признает, что рано или поздно компьютеры достигнут того, что на жаргоне называется общим искусственным интеллектом (AGI).

Сосредоточенность на искусственном интеллекте затмевает совсем другие вопросы: будет ли ощущаться что-либо от ОИИ? Могут ли программируемые компьютеры когда-либо обладать сознанием?

Под «сознанием» или «субъективным чувством» я подразумеваю качество, присущее любому опыту, например восхитительный вкус Nutella, острое жало инфицированного зуба, медленное течение времени, когда человеку скучно, или чувство жизненной силы и беспокойства непосредственно перед соревновательным событием. Следуя за философом Томасом Нагелем, мы могли бы сказать, что система обладает сознанием, если есть что-то, на что похоже быть этой системой.

Подумайте о смущающем чувстве внезапного осознания того, что вы только что совершили оплошность, что то, что вы хотели пошутить, было воспринято как оскорбление. Могут ли компьютеры когда-либо испытывать такие бурлящие эмоции? Когда вы разговариваете по телефону, ждете минуту за минутой, а синтетический голос произносит: «Извините, что заставили вас ждать», действительно ли программа чувствует себя плохо, удерживая вас в аду обслуживания клиентов?

Нет никаких сомнений в том, что наш интеллект и наш опыт являются неизбежным следствием естественных причинных сил нашего мозга, а не каких-либо сверхъестественных. Эта предпосылка чрезвычайно хорошо служила науке в течение последних нескольких столетий, пока люди исследовали мир. Трехфунтовый человеческий мозг, похожий на тофу, — безусловно, самый сложный кусок организованной активной материи в известной Вселенной. Но оно должно подчиняться тем же физическим законам, что собаки, деревья и звезды. Ничто не получает бесплатный проход. Мы еще не до конца понимаем каузальные способности мозга, но сталкиваемся с ними каждый день: одна группа нейронов активна, когда вы видите цвета, тогда как активация клеток в другой области коры ассоциируется с шутливым настроением. Когда эти нейроны стимулируются электродом нейрохирурга, субъект видит цвета или начинает смеяться. И наоборот, отключение мозга во время анестезии устраняет эти переживания.

Учитывая эти широко распространенные базовые предположения, что будет означать эволюция настоящего искусственного интеллекта в отношении возможности искусственного сознания?

Размышляя над этим вопросом, мы неизбежно приходим к развилке, ведущей к двум принципиально разным направлениям. Дух времени, воплощенный в романах и фильмах, таких как Бегущий по лезвию лезвия, Она и Из машины, решительно идет по дороге к предположению, что действительно разумные машины будут разумными; они будут говорить, рассуждать, контролировать себя и самоанализ. Они eo ipso сознательны.

Этот путь наиболее ярко выражен в теории глобального нейронного рабочего пространства (GNW), одной из доминирующих научных теорий сознания. Теория начинается с мозга и предполагает, что некоторые из его специфических архитектурных особенностей порождают сознание.

Его происхождение можно проследить до «архитектуры классной доски» компьютерных наук 1970-х годов, когда специализированные программы обращались к общему хранилищу информации, называемому доской или центральным рабочим пространством. Психологи предположили, что такой ресурс обработки существует в мозгу и играет центральную роль в человеческом познании. Его емкость невелика, поэтому только одно восприятие, мысль или воспоминание занимают рабочее пространство в любой момент времени. Новая информация конкурирует со старой и вытесняет ее.

Когнитивный нейробиолог Станислас Деан и молекулярный биолог Жан-Пьер Шанжё из Коллеж де Франс в Париже сопоставили эти идеи с архитектурой коры головного мозга, самого внешнего слоя серого вещества. В защитный череп втиснуты два сильно сложенных листа коры, один слева и один справа, каждый размером и толщиной с 14-дюймовую пиццу. Деэн и Шанже предположили, что рабочее пространство создается сетью пирамидальных (возбуждающих) нейронов, связанных с обширными областями коры, в частности с префронтальной, теменно-височной и срединной (поясной) ассоциативными областями.

Большая часть активности мозга остается локализованной и, следовательно, бессознательной — например, активность модуля, контролирующего направление взгляда, на что мы почти полностью не обращаем внимания, или активность модуля, регулирующего положение нашего тела. Но когда активность в одной или нескольких областях превышает пороговое значение — скажем, когда кому-то показывают изображение банки с нутеллой, — это вызывает возгорание, волну нейронного возбуждения, которая распространяется по всему нейронному рабочему пространству по всему мозгу. Таким образом, эта сигнализация становится доступной для множества вспомогательных процессов, таких как язык, планирование, схемы вознаграждения, доступ к долговременной памяти и хранение в буфере кратковременной памяти. Акт глобальной трансляции этой информации делает ее сознательной. Неповторимый опыт Nutella заключается в том, что пирамидальные нейроны контактируют с областью планирования моторики мозга, выдавая команду взять ложку, чтобы зачерпнуть немного пасты из фундука. Тем временем другие модули передают сообщение, ожидая вознаграждения в виде выброса дофамина, вызванного высоким содержанием жира и сахара в Nutella.

Сознательные состояния возникают в результате того, как алгоритм рабочей области обрабатывает соответствующие сенсорные входные данные, двигательные выходы и внутренние переменные, связанные с памятью, мотивацией и ожиданиями. Глобальная обработка — вот что такое сознание. Теория GNW полностью охватывает современные мифы о почти бесконечных вычислительных возможностях. Сознание — это просто хитрый взлом.

Внутренняя причинная сила

Альтернативный путь — интегрированная теория информации (ИИТ) — использует более фундаментальный подход к объяснению сознания.

Джулио Тонони, психиатр и нейробиолог из Университета Висконсин-Мэдисон, является главным архитектором IIT, и другие, включая меня, вносят свой вклад. Теория начинается с опыта и переходит оттуда к активации синаптических цепей, определяющих «ощущение» этого опыта. Интегрированная информация — это математическая мера, определяющая, какой «внутренней причинной силой» обладает тот или иной механизм. Нейроны, запускающие потенциалы действия, которые воздействуют на расположенные ниже по течению клетки, к которым они подключены (через синапсы), являются одним из типов механизмов, как и электронные схемы, состоящие из транзисторов, емкостей, сопротивлений и проводов.

Внутренняя причинная сила — это не какое-то воздушно-волшебное бесплотное понятие, но может быть точно оценена для любой системы. Чем больше его текущее состояние определяет его причину (его вход) и его следствие (его выход), тем большей причинной силой он обладает.

IIT предусматривает, что любой механизм с внутренней силой, чье состояние отягощено его прошлым и чревато его будущим, является сознательным. Чем больше интегрированной информации системы, представленной греческой буквой Φ (ноль или положительное число, произносимое как «фи»), тем более сознательной является система. Если что-то не имеет внутренней причинной силы, его Φ равно нулю; он ничего не чувствует.

Учитывая неоднородность корковых нейронов и их плотно перекрывающийся набор входных и выходных соединений, объем интегрированной информации в коре огромен. Теория вдохновила на создание измерителя сознания, который в настоящее время проходит клиническую оценку, инструмента, который определяет, находятся ли люди в устойчивых вегетативных состояниях или те, кто находится в минимальном сознании, находятся под наркозом или заперты в сознании, но не могут общаться, или «никого нет дома». ». При анализе причинной силы программируемых цифровых компьютеров на уровне их металлических компонентов — транзисторов, проводов и диодов, которые служат физической основой любых вычислений, — теория показывает, что их внутренняя причинная сила и их Φ ничтожны. Кроме того, Φ не зависит от программного обеспечения, работающего на процессоре, независимо от того, вычисляет ли оно налоги или моделирует работу мозга.

Действительно, теория доказывает, что две сети, которые выполняют одну и ту же операцию ввода-вывода, но имеют разную конфигурацию цепей, могут обладать разным количеством Φ. В одной цепи может отсутствовать Φ, а в другой могут быть высокие уровни. Хотя внешне они идентичны, одна сеть что-то испытывает, а ее аналог-зомби-самозванец ничего не чувствует. Отличие под капотом, во внутренней разводке сети. Короче говоря, сознание касается бытия, а не действия.

Разница между этими теориями заключается в том, что GNW подчеркивает функцию человеческого мозга при объяснении сознания, тогда как IIT утверждает, что действительно важны внутренние причинные силы мозга.

Различия обнаруживаются, когда мы изучаем коннектом мозга, полную спецификацию точной синаптической проводки всей нервной системы. Анатомы уже нанесли на карту коннектомы нескольких червей. Они работают над коннектомом для плодовой мушки и планируют заняться мышами в течение следующего десятилетия. Предположим, что в будущем можно будет сканировать весь человеческий мозг с его примерно 100 миллиардами нейронов и квадрильонами синапсов на ультраструктурном уровне после смерти его владельца, а затем смоделировать этот орган на каком-нибудь продвинутом компьютере, может быть, квантовом. машина. Если модель достаточно точна, эта симуляция проснется и будет вести себя как цифровой симулякр умершего человека — говорить и получать доступ к его или ее воспоминаниям, желаниям, страхам и другим чертам.

Если для создания сознания достаточно имитировать работу мозга, как это постулируется теорией GNW, смоделированный человек будет в сознании, перевоплотившись в компьютер. Действительно, загрузка коннектома в облако, чтобы люди могли жить в цифровой загробной жизни, является обычным научно-фантастическим тропом.

IIT предлагает радикально иную интерпретацию этой ситуации: симулякр будет ощущаться так же, как программное обеспечение, работающее на модном японском унитазе, — ничего. Он будет вести себя как человек, но без врожденных чувств, как зомби (но без всякого желания есть человечину) — абсолютный дипфейк.

Чтобы создать сознание, необходимы внутренние причинные силы мозга. И эти силы нельзя смоделировать, они должны быть неотъемлемой частью физики лежащего в их основе механизма.

Чтобы понять, почему симуляция недостаточно хороша, спросите себя, почему в погодной симуляции ливня никогда не промокает или почему астрофизики могут моделировать огромную гравитационную силу черной дыры, не беспокоясь о том, что они будут поглощены ливнем. пространство-время огибает их компьютер. Ответ: потому что симуляция не имеет причинной силы, способной заставить атмосферный пар конденсироваться в воду или искривить пространство-время! Однако в принципе можно было бы достичь сознания человеческого уровня, выйдя за рамки симуляции и создав так называемое нейроморфное оборудование, основанное на архитектуре, построенной по образу нервной системы.

Помимо споров о симуляциях, есть и другие отличия. IIT и GNW предсказывают, что отдельные области коры составляют физический субстрат конкретных сознательных переживаний с эпицентром либо в задней, либо в передней части коры. Этот и другие прогнозы в настоящее время проверяются в рамках масштабного сотрудничества шести лабораторий в США, Европе и Китае, которое только что получило финансирование в размере 5 млн долларов от благотворительного фонда Templeton World Charity Foundation.

Возможность того, что машины станут разумными, зависит от этических соображений. Если компьютеры воспринимают жизнь через свои собственные чувства, они перестают быть просто средством для достижения цели, определяемой их полезностью для нас, людей. Они становятся самоцелью.

Согласно GNW, они превращаются из простых объектов в субъектов — каждый существует как «я» — со своей точкой зрения. Эта дилемма возникает в наиболее убедительных телевизионных эпизодах Black Mirror и Westworld.Как только когнитивные способности компьютеров сравняются с человеческими, их стремление отстаивать юридические и политические права станет непреодолимым — право не быть стертым, не стереть память, не страдать от боли и унижения. Альтернатива, воплощенная в ИИТ, заключается в том, что компьютеры останутся лишь сверхсложной техникой, призрачными пустыми оболочками, лишенными того, что мы ценим больше всего: ощущения самой жизни.

Эта статья изначально была опубликована под названием «Пруст среди машин» в журнале Scientific American 321, 6, 46–49 (декабрь 2019 г.)

Читайте также: