Кибернетика на изкуствения интелект и невронни мрежи. Невронни мрежи. Перспективни области за внедряване на невронни мрежи

Друга област на изследване на изкуствения интелект са невронните мрежи. Те са проектирани да наподобяват естествените невронни мрежи на човешката нервна система.

Изкуствени невронни мрежи

Изобретателят на първия невронен компютър, д-р Робърт Хехт-Нилсен, дефинира невронната мрежа по следния начин: „Невронната мрежа е изчислителна система, състояща се от редица прости, тясно взаимосвързани обработващи елементи, които обработват информация чрез техния динамичен отговор на външни влияния."

Основна структура на изкуствените невронни мрежи (ANM)

Идеята за ANN се основава на убеждението, че е възможно да се имитира функционирането на човешкия мозък чрез създаване на необходимите връзки с помощта на силиций и проводници, като например в живи неврони и дендрити.

Човешкият мозък се състои от 100 милиарда нервни клетки, наречени неврони. Те са свързани с други хиляди клетки чрез аксони. Стимулите от външната среда или сигналите от сетивата се приемат от дендритите. Тези входни сигнали създават електрически импулси, които бързо преминават през невронната мрежа. След това невронът може да изпраща съобщения до други неврони, които могат да изпратят съобщението по-нататък или може да не го изпратят изобщо.

Изкуствените невронни мрежи се състоят от няколко възела, които имитират биологичните неврони на човешкия мозък. Невроните са свързани и взаимодействат помежду си. Възлите могат да приемат входни данни и да извършват прости операции върху данните. В резултат на тези операции данните се прехвърлят към други неврони. Резултатът за всеки възел се нарича неговото активиране.

Всяка връзка е свързана с тегло. ANN са способни да се учат, което се извършва чрез промяна на стойността на теглото. Следната фигура показва проста ANN:

Видове изкуствени невронни мрежи

Има два типа топологии на изкуствени невронни мрежи – с предна връзка и с обратна връзка.

Информационният поток е еднопосочен. Устройството предава информация на други звена, от които не получава информация. Без цикъл обратна връзка. Те имат фиксирани входове и изходи.

Тук са разрешени вериги за обратна връзка.

Как работят изкуствените невронни мрежи

Топологията показва вериги, като всяка стрелка представлява връзка между два неврона и показва пътя за потока от информация. Всяка връзка има тегло, цяло число, което контролира сигнала между два неврона.

Ако мрежата произвежда „добър“ и „необходим“ изход, тогава няма нужда да коригирате теглата. Ако обаче мрежата генерира „лош“ или „нежелан“ изход или грешка, тогава системата коригира своите тегла, за да подобри последващите резултати.

Машинно обучение в изкуствени невронни мрежи

ANN са способни да учат и трябва да бъдат обучени. Има няколко стратегии за преподаване

Обучение - включва учител, който изпраща обучителна проба в мрежата, на която учителят знае отговорите. Мрежата сравнява своите резултати с отговорите на учителя и коригира своите тегла.

Обучението без надзор е необходимо, когато няма обучителна извадка с известни отговори. Например при проблеми с групиране, т.е. разделяне на набор от елементи на групи според някои критерии.

Обучението с подсилване е стратегия, изградена върху наблюдение. Мрежата взема решения, като наблюдава обкръжението си. Ако наблюдението е отрицателно, мрежата коригира теглата си, за да може да вземе различните необходими решения.

Алгоритъм за обратно разпространение

Бейсови мрежи (BN)

Това са графични структури за представяне на вероятностни връзки между набор от случайни променливи.

В тези мрежи всеки възел представлява произволна променлива със специфични оферти. Например, в медицинска диагноза, раковият възел представлява предположението, че пациентът има рак.

Ръбовете, свързващи възлите, представляват вероятностни зависимости между тези случайни променливи. Ако от два възела, единият влияе на другия възел, тогава те трябва да бъдат директно свързани. Силата на връзката между променливите се определя количествено чрез вероятността, която е свързана с всеки възел.

Единственото ограничение за дъгите в BN е, че не можете да се върнете към възел просто като следвате посоката на дъгата. Следователно BNN се нарича ациклична графика.

BN структурата е идеална за комбиниране на знания и наблюдавани данни. BN може да се използва за изучаване на причинно-следствени връзки и разбиране на различни проблеми и прогнозиране на бъдещето, дори при липса на данни.

Къде се използват невронните мрежи?

Те са в състояние да изпълняват задачи, които са прости за хората, но трудни за машините:

Космонавтика - автопилот на самолет;

Automotive - автомобилни системи за насочване;

Военни - проследяване на целта, автопилот, разпознаване на сигнал/образ;

Електроника – прогнозиране, анализ на повреди, машинно зрение, гласов синтез;

Финансови - оценка на недвижими имоти, кредитни консултанти, ипотека, портфолио на търговско дружество и др.

Обработка на сигнали - Невронните мрежи могат да бъдат обучени да обработват аудио сигнала.

Японски алгоритъм написа книга„Денят, в който компютърът написа роман.“ Въпреки факта, че хората помогнаха на неопитния писател с героите и сюжетните линии, компютърът свърши страхотна работа - в резултат на това едно от произведенията му премина квалификационния етап на престижна литературна награда. Невронните мрежи също написаха продължения на Хари Потър и Игра на тронове.

През 2015 г. е разработена невронната мрежа AlphaGo Екипът на Google DeepMind стана първата програма, която победи професионален играч на Go. И то през май т.г програмата победи най-силния играч на Go в света, Ке Зе. Това беше пробив, защото за дълго времеСмяташе се, че компютрите нямат необходимата интуиция, за да играят Go.

Безопасност

Австралия е на второ място в света след САЩ по брой нападения от акули срещу хора. През 2016 г. в страната са регистрирани 26 случая на атаки на акули, два от които са завършили със смърт.

През 2014 г. Kaspersky Lab съобщи, че тяхната антивирусна програма регистрира 325 хиляди нови заразени файла всеки ден. В същото време проучване на Deep Instinct показа, че новите версии на вирусите практически не се различават от предишните - промяната варира от 2% до 10%. Моделът за самообучение, разработен от Deep Instinct, базиран на тази информация, е способен на висока точност идентифициране на заразени файлове.

Невронните мрежи също могат да търсят определени модели в това как се съхранява информацията облачни услугии докладвайте за открити аномалии, които биха могли да доведат до пробиви в сигурността.

Бонус: невронни мрежи пазят моравата ни

Робърт беше изправен пред задачата да идентифицира котки във видео поток, идващ от външна камера. За да направи това, той използва система, базирана на популярната невронна мрежа Caffe. Всеки път, когато камерата наблюдава промяна в ситуацията на сайта, тя прави седем снимки и ги предава на невронната мрежа. След това невронната мрежа трябваше да определи дали в кадъра присъства котка и, ако отговорът е да, да включи пръскачките.

Изображение от камерата на Bond yard

Преди да започне работа, невронната мрежа беше обучена: Бонд я „нахрани“ с 300 различни снимкикотки. Анализирайки тези снимки, невронната мрежа се научи да разпознава животни. Но това не беше достатъчно: тя правилно идентифицира котките само в 30% от случаите и погрешно взе сянката на Бонд за котка, в резултат на което самият той се намокри.

Невронната мрежа работи по-добре след допълнително обучение Повече ▼снимки. Бонд обаче предупреждава, че е възможно невронната мрежа да се тренира твърде много, в който случай тя ще развие нереалистичен стереотип - например, ако всички изображения, използвани за обучение, са взети от един и същи ъгъл, тогава изкуствен интелектможе да не разпознае една и съща котка от различен ъгъл. Следователно компетентният подбор на серията данни за обучение е изключително важен.

След известно време котките, които са се учили не от снимки, а от собствената си кожа, спряха да посещават сайта на Бонд.

Заключение

Въпреки това, не навсякъде идва машинно обучение, измества хората. Ако една невронна мрежа поставя диагнози по-добре от жив лекар, това не означава, че в бъдеще ще бъдем лекувани изключително от роботи. Най-вероятно лекарят ще работи заедно с невронната мрежа. По същия начин суперкомпютърът на IBM Deep Blue победи Гари Каспаров на шах през 1997 г., но хората от шаха не са изчезнали никъде и известни гросмайстори все още се появяват на кориците на лъскавите списания.

Сътрудничеството с машини ще донесе много повече ползи от конфронтацията. Затова сме съставили списък с материали в свободен достъпкоето ще ви помогне да продължите запознанството си с невронните мрежи:

Почти винаги, когато терминът „AI“ се появи в популярната преса, това е просто фантастичен термин за невронни мрежи, за да направи статията по-ясна за читателя (а също и да привлече повече читатели). Очевидно такава култура вече се е развила сред наблюдателите: ако видите невронна мрежа, напишете, че това е „AI“.

В терминологията: AI е програма, която може да учи (натрупва знания и опит независимо в процеса на своята работа) и ефективно да използва опита си в бъдеще, за да изпълни по-добре определена задача (задачата, за която е създадена тази програма). Ако това специализирана програма(например за игра на шах) - тя се нарича „слаб“ AI, защото нейната способност да разбира (натрупва опит) е специално създадена и адаптирана за шах. Вече са създадени много слаби ИИ. Например Alpha Zero, базиран на невронни мрежи и научил се да играе шах от нулата, сега е претендент за титлата най-силен шахматист в света (играе приблизително на същото ниво и може би дори надминава най-добрите създадени шах програми чрез класическо програмиране, базирано на шахматната теория). Терминът „силен AI“ (или „AI с общо предназначение") е запазена за хипотетична програма, която е в състояние самостоятелно да обучава различни задачи (т.е. няма специално програмиране за конкретна задача). В момента няма такава програма и не се очаква да се появи скоро (в следващите 5 години) Разработки в тази посока се извършват (включително и от споменатите тук автори на Alpha Zero).

Имайте предвид, че в термина AI не се споменават невронни мрежи. Тъй като този термин не описва никаква технология, нито инструмент, нито средство. Терминът AI описва крайния резултат (способността да се учи и използва наученото). Тоест AI може да бъде създаден на базата на невронни мрежи или може би без тях (въпреки че най-вероятно това наистина ще бъдат невронни мрежи).

От друга страна, терминът „невронна мрежа” описва точно технологията (идеята, подхода) на програмиране. Идеята е вместо да програмирате всички действия на програмата команда по команда (както е в класическото програмиране), да създадете някаква основна структура с най-общи идеи за това с какво ще трябва да работи. Освен това тази структура се основава на огромен брой числа на параметри (милиони (милиарди? трилиони?)), но те умишлено са оставени празни (първоначално има някои приблизителни средни стойности и малко боклук). В много отношения тази структура е подобна по принцип на работа с работата на човешкия мозък (поради което се нарича " невроннимрежа"). След това чрез огромен брой (от стотици хиляди до милиони), така да се каже, „практически задачи" (програмата изпълнява работата и след това се оценява успехът на тази програма), стъпка по стъпка се определя кои специфични стойности на всички тези параметри ще доведат до най-добрия резултат. Този процес на търсене на най-добрите параметри е учене, придобиване на опит. Тъй като самата идея на невронната мрежа е, че тя трябва да научи много, всяка работеща невронна мрежа е до известна степен AI (ако е поне някаква полезна задача решава).

Така че терминът AI описва идея. AI може да се основава на принципите на невронните мрежи или може би на някои други. Терминът "невронна мрежа" описва технологията (която досега показва, че е най-обещаващата за бъдещето на силния AI).

Преди по-малко от година прочетох интервю с ръководителя на Deep Mind (считана за водеща (или поне една от водещите) компания в тази област). Той спомена, че ИИ на човешко ниво, според него, ще бъде създаден „след десетки години“ (цитат). Сега е невъзможно да се каже по-точно.

Позволете ми отново да ви напомня, че в момента не е създаден дори „прост“ (въпреки че това всъщност не е просто) AI с общо предназначение, който да има самосъзнание и интересни аналитични способности. Затова сега е рано да се говори за това.

Въпреки че като цяло изглежда, че в общи линии вече е ясно как може да се направи това, по кой път да се върви. Простите невронни мрежи дават по-прости резултати. Сложни многослойни невронни мрежи, а също и повтарящи се (когато изходите на тази мрежа се пренасочват към входовете, което позволява на мрежата първо да направи първото заключение и след това да мисли за това заключение и след това да мисли за решенията, които появили се по време на мислене и така нататък и така нататък, постепенно преминавайки от моментни детайли към голямата картина, всеки път абстрахирайки се все повече и повече) дават много по-впечатляващи резултати. Наблюдавайки тяхната работа, процеса на учене, човек получава впечатлението, че те се държат (вземат решения) почти по същия начин като човек, който учи същото нещо (например, учи се да играе шах). Невронните мрежи идват с приблизително същите идеи в приблизително същите последователности като хората. Има еволюция на идеи от примитивни моментни (дори „в момента“) до сложни, сложно преплетени идеи, които отчитат много нюанси.

Например някои професионални играчив шаха, гледайки играта на Alpha Zero, те казват, че играта му не е като тази на типична шах програма. Един от професионалистите сравни нейната игра с играта на някакво много интелигентно извънземно създание (Гари Каспаров, един от най-добрите играчи в историята на шаха, например, каза, че нейната игра е нещо средно между играта на добър компютърна програмаи добър човек шахматист).

Така че изглежда, че посоката е избрана правилно: повтарящи се невронни мрежи. За да се постигне хуманоиден ИИ, е вероятно няколко нови типа мрежи да бъдат разработени наведнъж и успешно комбинирани заедно. Това изисква огромно количество изчисления, експерименти, опити и грешки. А също и огромно количество изчислителна мощност. Процесът на обучение на такава колосална невронна мрежа ще изисква много компютри. Толкова много. Дори обучението на сравнително проста мрежа като Alpha Zero изисква ресурси, еквивалентни на десетки години работа персонален компютър. Една невронна мрежа, способна да мисли като човек, ще изисква стотици (едва ли толкова малко), хиляди или дори милиони пъти повече изчисления за своето обучение. Такава изчислителна мощ обаче не е непреодолима бариера. Основното е, че има енергия, има я достатъчно, можете да добавите колкото искате процесори и памети, тук няма проблем.

Отговор

Коментирайте

Те са проектирани да наподобяват естествените невронни мрежи на човешката нервна система.

Изкуствени невронни мрежи

Изобретателят на първия невронен компютър, д-р Робърт Хехт-Нилсен, дефинира невронната мрежа по следния начин: „Невронната мрежа е изчислителна система, състояща се от редица прости, тясно взаимосвързани обработващи елементи, които обработват информация чрез техния динамичен отговор на външни влияния."

Основна структура на изкуствените невронни мрежи (ANM)

Идеята за ANN се основава на убеждението, че е възможно да се имитира функционирането на човешкия мозък чрез създаване на необходимите връзки с помощта на силиций и проводници, като например в живи неврони и дендрити.

Човешкият мозък се състои от 100 милиарда нервни клетки, наречени неврони. Те са свързани с други хиляди клетки чрез аксони. Стимулите от външната среда или сигналите от сетивата се приемат от дендритите. Тези входни сигнали създават електрически импулси, които бързо преминават през невронната мрежа. След това невронът може да изпраща съобщения до други неврони, които могат да изпратят съобщението по-нататък или може да не го изпратят изобщо.

Изкуствените невронни мрежи се състоят от няколко възела, които имитират биологичните неврони на човешкия мозък. Невроните са свързани и взаимодействат помежду си. Възлите могат да приемат входни данни и да извършват прости операции върху данните. В резултат на тези операции данните се прехвърлят към други неврони. Резултатът за всеки възел се нарича неговото активиране.

Всяка връзка е свързана с тегло. ANN са способни да се учат, което се извършва чрез промяна на стойността на теглото. Следната фигура показва проста ANN:

Видове изкуствени невронни мрежи

Има два типа топологии на изкуствени невронни мрежи – с предна връзка и с обратна връзка.

Информационният поток е еднопосочен. Устройството предава информация на други звена, от които не получава информация. Няма обратна връзка. Те имат фиксирани входове и изходи.

Тук са разрешени вериги за обратна връзка.

Как работят изкуствените невронни мрежи

Топологията показва вериги, като всяка стрелка представлява връзка между два неврона и показва пътя за потока от информация. Всяка връзка има тегло, цяло число, което контролира сигнала между два неврона.

Ако мрежата произвежда „добър“ и „необходим“ изход, тогава няма нужда да коригирате теглата. Ако обаче мрежата генерира „лош“ или „нежелан“ изход или грешка, тогава системата коригира своите тегла, за да подобри последващите резултати.

Машинно обучение в изкуствени невронни мрежи

ANN са способни да учат и трябва да бъдат обучени. Има няколко стратегии за преподаване

Обучение - включва учител, който изпраща обучителна проба в мрежата, на която учителят знае отговорите. Мрежата сравнява своите резултати с отговорите на учителя и коригира своите тегла.

Обучението без надзор е необходимо, когато няма обучителна извадка с известни отговори. Например при проблеми с групиране, т.е. разделяне на набор от елементи на групи според някои критерии.

Обучението с подсилване е стратегия, изградена върху наблюдение. Мрежата взема решения, като наблюдава обкръжението си. Ако наблюдението е отрицателно, мрежата коригира теглата си, за да може да вземе различните необходими решения.

Алгоритъм за обратно разпространение

Бейсови мрежи (BN)

Това са графични структури за представяне на вероятностни връзки между набор от случайни променливи.

В тези мрежи всеки възел представлява произволна променлива със специфични оферти. Например, в медицинска диагноза, раковият възел представлява предположението, че пациентът има рак.

Ръбовете, свързващи възлите, представляват вероятностни зависимости между тези случайни променливи. Ако от два възела, единият влияе на другия възел, тогава те трябва да бъдат директно свързани. Силата на връзката между променливите се определя количествено чрез вероятността, която е свързана с всеки възел.

Единственото ограничение за дъгите в BN е, че не можете да се върнете към възел просто като следвате посоката на дъгата. Следователно BNN се нарича ациклична графика.

BN структурата е идеална за комбиниране на знания и наблюдавани данни. BN може да се използва за изучаване на причинно-следствени връзки и разбиране на различни проблеми и прогнозиране на бъдещето, дори при липса на данни.

Къде се използват невронните мрежи?

Те са в състояние да изпълняват задачи, които са прости за хората, но трудни за машините:

Космонавтика - автопилот на самолет;

Automotive - автомобилни системи за насочване;

Военни - проследяване на целта, автопилот, разпознаване на сигнал/образ;

Електроника – прогнозиране, анализ на повреди, машинно зрение, гласов синтез;

Финансови - оценка на недвижими имоти, кредитни консултанти, ипотека, портфолио на търговско дружество и др.

Обработка на сигнали - Невронните мрежи могат да бъдат обучени да обработват аудио сигнала.

Ключът към успеха на развитието на изкуствения интелект е невробиологията. Как точно учените се опитват да възпроизведат работата на човешкия мозък и какво е особеното в работата на невронните мрежи - в материала на „Футурист“.

Неврология и изкуствен интелект

„Бъдещето на изкуствения интелект е в невробиологията“, казва основателят на Google DeepMind, доктор по невробиология Демис Хасабис (Demis Hassabis) в статия, публикувана в списание Neuron. Хасабис стартира базираната си в Лондон компания DeepMind, за да създава технически аналог на човешкия интелект, а Google купи компанията му за повече от 500 милиона долара през 2014 г. Миналата година AlphaGo, програма, разработена от DeepMind, победи световните шампиони в логическата игра Go. В сътрудничество с OpenAI, изследователски институт за изкуствен интелект с нестопанска цел, подкрепян от Илон Мъск , компанията също така работи върху създаването на машини с по-разширени възможности за разузнаване.

Всички алгоритми за изкуствен интелект на DeepMind се основават на концепции, открити за първи път в собствения ни мозък. Дълбокото учене и ученето с подсилване - два стълба на съвременния AI - са резултат от безплатен превод на модела на биологичните невронни връзки на човешкия мозък на езика на формалната математика. Дълбоко обучениевсъщност е просто ново име за повече от 70-годишен подход към изкуствения интелект, известен като невронни мрежи. Невронните мрежи са предложени за първи път през 1944 г Уорън Маккълоу (Уорън Маккълоу) и Уолтър Пийтс (Уолтър Питс), двама изследователи от Чикагския университет, които основават това, което понякога се нарича първият отдел по когнитивна наука през 1952 г.

Невронните мрежи бяха основна област на изследване както в неврологията, така и в компютърните науки до 1969 г., но интересът към тях оттогава намаля. Технологията започна да се завръща през 80-те години на миналия век, но отново изпадна в затъмнение през първото десетилетие на новия век и се върна почти веднага през второто, до голяма степен благодарение на увеличената процесорна мощност на графичните чипове.

Схема на устройство на невронна мрежа

Характеристики на работата на невронните мрежи

Невронните мрежи са инструмент за машинно обучение, при който компютърът се научава да изпълнява конкретна задача чрез анализиране на учебни примери. Обикновено тези примери са предварително етикетирани на ръка. Например, система за разпознаване на обекти може да съхранява хиляди етикетирани изображения на коли, къщи, чаши и т.н. и да може да намира визуални модели и характеристики на тези изображения, за да ги свърже по-късно с конкретни етикети. Просто казано, това е и начинът, по който децата се учат - например на дете се показват различни червени предмети, така че в бъдеще то може самостоятелно да свърже този „етикет“ с всички червени предмети.

Но за да се разработи дори отдалечен технически аналог на връзките на нашия мозък, е необходимо създаването на сложен механизъм. Невронните мрежи са съставени от хиляди или милиони прости, но плътно свързани помежду си възли за обработка на информация, обикновено организирани на слоеве. Различни видовемрежите варират в зависимост от техния брой слоеве, броя на връзките между възлите и броя на възлите във всеки слой. Повечето съвременни невронни мрежи са организирани в слоеве от възли, в които данните се движат само в една посока. Един възел може да бъде свързан към множество възли в слоя под него, от който получава данни, и към множество възли в слоя над него, към който изпраща данни.

Пример за мрежово обучение

Възелът присвоява номер на всяка от своите входящи връзки, известен като „тегло“. Когато мрежата е активна, възелът получава друг елемент от данни, друго число от тях и го умножава по вече даденото тегло, след което добавя стойностите, получени от всички входове заедно, получавайки едно число. Ако числото надхвърли прага, възелът "задейства", което в съвременните невронни мрежи обикновено означава изпращане на числото - сумата от претеглените входове - през всичките му изходящи връзки.

В режим на обучение всички тегла и прагове на невронната мрежа първоначално се задават на произволни стойности. Данните за обучение се подават към долния слой - входния слой - и преминават през следващите слоеве, умножени и добавени, докато достигнат изходния слой. По време на обучение теглата и праговете непрекъснато се коригират, докато данните за обучение със същите етикети постигнат сходни резултати.

Бъдещето вече е тук

Впечатляващите резултати от подобряването на производителността на невронните мрежи и разпространението на използването на технологията не се ограничават до победата на AlphaGo и лабораторните изследвания на AI. Ако все още свързвате фразата „самообучаващи се машини“ със света на научната фантастика и филмите на ужасите за въстанието на роботите, тогава добре дошли в бъдещето.

IN последните годининай-ефективните системи с изкуствен интелект - в области като автономно шофиране, разпознаване на реч, компютърно зрениеИ автоматичен превод- са разработени благодарение на невронни мрежи. Може дори да не го забелязваме, но самообучаващите се невронни мрежи вече са вкоренени в ежедневието ни. Така например преводът, който ви се предлага във вашата емисия във Facebook, вече не се извършва автоматично чрез търсене на всеки една думав речника. Сега компанията стартира невронна мрежа, която превежда цели изречения, произвеждайки все по-грамотен, свързан текст. Вече точността на преводите в социалните мрежи се е увеличила с 11%.

Невронен модел, обработен в приложението Prisma

Отделна вълна от интерес към технологиите на обикновените хора в Русия предизвика появата на приложението Prizma, което превръща обикновени снимки в подобия на известни произведения на изкуството. Няма значение дали сте използвали това приложение или, напротив, сте били объркани от злоупотребата му от потребителите на социалните мрежи - заслужава да се отбележи креативността на неговите създатели. Особеността на този на пръв поглед обикновен инструмент за обработка на снимки е, че програмата работи на базата на невронни мрежи, използвайки моделите на различни стилове на рисуване, за да създава нови „шедьоври“.

Но дори и най-простите невронни мрежи заемат много памет и консумират огромни количества енергия, така че обикновено работят на сървъри в облака, където получават данни от десктоп или мобилни устройстваи след това изпратете обратно резултатите от анализа.

За да се справи с този проблем, миналата година асоциираният професор по електротехника и компютърни науки от MIT Vivienne Sze и нейните колеги представиха нов енергийно ефективен компютърен чип, оптимизиран за невронни мрежи, който може да позволи на мощни системи с изкуствен интелект да работят локално на мобилни устройства.

В допълнение, те разработиха аналитичен метод, който може да определи колко енергия изразходва една невронна мрежа, когато работи на определен тип хардуер. След това те използваха технологията, за да оценят нови методи за заобикаляне на невронни мрежи, за да могат да работят по-ефективно на преносими устройства.

Хасабис обаче твърди, че това не е достатъчно. Целта, която изследователите сега си поставят, е да създадат универсален AI със способността да мисли, разсъждава и учи бързо и гъвкаво, изкуствен интелект, способен да разбере реалния свят и да си представи по-добър.

За да се постигне това, е необходимо да се изследва по-отблизо работата на човешкия ум, тъй като това е единственото доказателство, че такава интелигентна система е възможна по принцип.

Проблем с обучението на AI

В зависимост от техните специфични задачи, алгоритмите за машинно обучение се настройват с помощта на специфични математически структури. Чрез милиони примери изкуствените невронни мрежи се научават да настройват фино връзките си, докато достигнат идеално състояние, което им позволява да изпълняват задача с възможно най-висока точност.

Тъй като всеки алгоритъм е напълно пригоден за конкретна задача, преобучението за нова задача често изтрива установените преди това връзки. По този начин, когато AI научи нова задача, той напълно презаписва предишната.

Дилемата на непрекъснатото учене е само един от проблемите на изкуствения интелект. Други дори все още не са толкова точно дефинирани, но може би те ще се окажат по-значими в създаването на гъвкави, изобретателни умове като нашите.

Например, проблемът с въплътеното познание - както обяснява Хасабис, е способността да се създават знания и абстрактни мисли, базирани на независимо сетивно взаимодействие със света. Това е един вид здрав разум, който хората имат, интуиция, която трудно може да се опише, но е изключително полезна за решаване на ежедневните проблеми, пред които сме изправени.

Черти като въображението са още по-трудни за програмиране. Тук AI, ограничен до една конкретна задача, е наистина лош, казва Хасабис. Въображението и иновациите се основават на моделите, които вече сме създали за нашия свят - и представянето на нови сценарии от тях. Това са много мощни инструменти за планиране, но техните изследвания за AI все още са в начален етап.

Учените отбелязват, че когато решават проблемите на невронните мрежи, те се обръщат към невробиологията и физиологията на живите същества. Така последните открития показват, че хипокампусът – част от лимбичната система на мозъка, която отговаря за паметта – „възпроизвежда“ нашите преживявания и спомени бързо напред по време на почивка и сън. Това позволява на мозъка „да се учи отново от успехи и неуспехи, които вече са се случили в миналото“, казва Хасабис.

Изследователите на AI подхванаха тази идея и внедриха елементарна версия на алгоритъма - което доведе до мощни невронни мрежи, обучаващи се чрез опит. Те сравняват настоящите ситуации с предишни събития, съхранени в паметта, и предприемат действия, които преди това са довели до успех или награда.

Но най-доброто предстои

Появата на инструменти за изображения на мозъка и генетично биоинженерство предлага безпрецедентна представа за това как биологичните невронни мрежи се организират и свързват за решаване на проблеми. Докато невролозите работят за решаването на „невронния код“ – основните изчисления, които поддържат мозъчната функция – изследователите на ИИ разполагат с все по-широк набор от инструменти за изучаване.

Струва си да се отбележи, че не само ИИ има какво да научи от невролозите – ползите са взаимни. Съвременната невронаука, в цялата си мощни средстваизображения и оптична генетика, току-що започна да разбира как невронните мрежи поддържат повече високо нивоинтелигентност.

„Невролозите често имат доста неясно разбиране за механизмите, лежащи в основата на концепциите, които изучават“, казва Хасабис. Тъй като изследванията на AI се основават на строга математика, те могат да предложат начини за изясняване на тези неясни концепции в хипотези от реалния свят.

Разбира се, малко вероятно е AI и мозъкът винаги да работят по един и същи начин. Но можем да мислим за ИИ като за приложна изчислителна невронаука, казва Хасабис. Сравняването на AI алгоритмите с човешкия мозък „може да даде представа за някои от най-дълбоките мистерии на ума“.