Baru-baru ini, penerbitan mengenai prospek kemunculan kecerdasan buatan menjadi lebih kerap. Aspek praktikal dan moral-etika hidup berdampingan dengan manusia dibincangkan. Sejauh mana masanya perbincangan ini? Bolehkah kita benar-benar mengharapkan kemunculan "mesin berfikir"?
Semua projek untuk mencipta kecerdasan buatan boleh dibahagikan secara kasar kepada dua bidang. Yang pertama adalah pengumpulan pangkalan data dan pemprosesannya oleh program yang meniru aktiviti otak manusia. Yang kedua berdasarkan kajian model tingkah laku intelektual. Kelemahan utama dari kedua-duanya adalah bahawa kita masih belum cukup mengetahui apa itu akal dan tingkah laku intelektual, dan otak manusia, terus terang, telah diteliti secara serius baru-baru ini.
Terdapat pendapat bahawa masalah ini dapat diatasi kerana cyborg, iaitu dengan menggabungkan otak yang hidup (kera, dan di masa depan - manusia) dengan komputer, namun jalan ini penuh dengan kesulitan besar, dan, lebih buruk lagi, dalam hal ini mustahil untuk dibincangkan kecerdasan buatan sepenuhnya.
Walau bagaimanapun, para saintis percaya bahawa agak realistik untuk melompati beberapa langkah, memungkinkan kecerdasan buatan berkembang secara bebas - sama seperti ia berkembang di alam hidup, dengan perbezaan bahawa evolusi akan berlaku di ruang maya, bukan di ruang material. Di sini pertaruhan diletakkan pada rangkaian neural tiruan atau rangkaian neural (Artificial Neural Network).
Mari kita ingat apa itu neuron. Ini adalah nama sel saraf, yang berbeza dengan sel lain kerana ia mampu menyimpan dan menghantar maklumat melalui isyarat elektrik dan kimia. Fungsi neuron ditemui pada akhir abad ke-19, yang tentu saja bermain di tangan para materialis, yang mendapat kekuasaan di seluruh dunia pada masa itu: mereka segera menyatakan bahawa neuron itu mengandung "jiwa". Oleh itu idea bahawa jika anda entah bagaimana mengembangkan salinan otak yang tepat, maka "jiwa" akan lahir di dalamnya. Tetapi timbul persoalan falsafah: adakah mungkin untuk berbicara tentang "jiwa" tanpa alasan? Bagaimanapun, ini adalah produk asuhan, seperti yang ditunjukkan oleh kajian "Mowgli" - anak manusia yang dibesarkan oleh haiwan. Oleh itu, tidak cukup untuk membuat salinan otak - ia masih perlu "dididik" untuk mendapatkan kecerdasan.
TEKNIKAL
Otak dewasa normal mengandungi kira-kira 86 bilion neuron. Tidak lama dahulu, idea untuk mewujudkan analog digitalnya kelihatan sangat hebat. Namun, hari ini, dengan perkembangan teknologi maklumat, ini nampaknya sudah dapat dicapai.
Video promosi:
Harus diingat bahawa ahli matematik Amerika terkenal Norbert Wiener, "bapa" sibernetika, dianggap sebagai pengasas teori pemodelan proses biologi yang kompleks, termasuk proses otak. Pada tahun 1949, ahli psikologi Kanada Donald Hebb, seorang pakar dalam kajian proses berfikir, berdasarkan perhitungan Wiener, menyusun algoritma latihan pertama untuk rangkaian saraf (by the way, pada suatu ketika Hebb bertugas di CIA, di mana dia menangani masalah pencucian otak).
Pada tahun 1957, American Frank Rosenblatt, seorang ahli teori kecerdasan buatan, berdasarkan karya sebelumnya, membuat rajah logik perceptron - model sibernetik pembelajaran kendiri otak, yang dilaksanakan tiga tahun kemudian berdasarkan komputer elektronik Mark-1. Perceptron menghantar isyarat dari photocells (sensor, S-cell) ke blok sel memori elektromekanik yang disambungkan secara rawak. Sekiranya salah satu sel menerima isyarat yang melebihi nilai ambang, maka ia menghantarnya lebih jauh - ke penambah (elemen R), dan dengan pekali tertentu ("berat" sambungan AR). Bergantung pada jumlah isyarat yang dikalikan dengan faktor berat, penambah menghasilkan satu daripada tiga hasil yang mungkin untuk output keseluruhan sistem: -1, 0 dan +1. Latihan perceptron berlaku pada tahap memperkenalkan pekali berat badan ke dalam sistem. Sebagai contoh,kita meletakkan angka "persegi" di depan photocell dan menetapkan aturan: ketika kotak muncul di bidang pandangan, perceptron harus memberikan hasil positif (+1), dan ketika objek lain muncul, negatif (-1). Kemudian kami menukar objek satu persatu dan menyesuaikan bobot ketika sebuah kotak muncul ke arah kenaikan, dan jika tidak ada - ke arah penurunan. Hasilnya, kami memperoleh susunan nilai pekali berat yang unik dalam sistem untuk setiap varian penampilan segi empat, dan di masa depan kami dapat menggunakannya untuk mengenali kotak. "Mark-1", walaupun keunggulannya dibandingkan dengan komputer moden, dapat mengenali tidak hanya bentuk geometri, tetapi juga huruf abjad, dan ditulis dalam tulisan tangan yang berbeda.apabila sebuah kotak muncul di bidang pandangan, perceptron harus memberikan hasil positif (+1), dan ketika ada objek lain muncul - negatif (-1). Kemudian kami menukar objek satu persatu dan menyesuaikan bobot ketika sebuah kotak muncul ke arah kenaikan, dan jika tidak ada - ke arah penurunan. Hasilnya, kami memperoleh susunan nilai pekali berat yang unik dalam sistem untuk setiap varian penampilan segi empat, dan di masa depan kami dapat menggunakannya untuk mengenali kotak. "Mark-1", walaupun keunggulannya dibandingkan dengan komputer moden, dapat mengenali bukan hanya bentuk geometri, tetapi juga huruf abjad, dan ditulis dalam tulisan tangan yang berbeda.apabila sebuah kotak muncul di bidang pandangan, perceptron harus memberikan hasil positif (+1), dan ketika ada objek lain muncul - negatif (-1). Kemudian kami menukar objek satu persatu dan menyesuaikan bobot ketika sebuah kotak muncul ke arah kenaikan, dan jika tidak ada - ke arah penurunan. Hasilnya, kami memperoleh susunan nilai pekali berat yang unik dalam sistem untuk setiap varian penampilan segi empat, dan di masa depan kami dapat menggunakannya untuk mengenali kotak. "Mark-1", walaupun keunggulannya dibandingkan dengan komputer moden, dapat mengenali bukan hanya bentuk geometri, tetapi juga huruf abjad, dan ditulis dalam tulisan tangan yang berbeda. Kemudian kita menukar objek satu persatu dan menyesuaikan bobot ketika sebuah kotak muncul ke arah kenaikan, dan jika tidak ada - ke arah penurunan. Hasilnya, kami memperoleh susunan nilai pekali berat yang unik dalam sistem untuk setiap varian penampilan segi empat, dan di masa depan kami dapat menggunakannya untuk mengenali kotak. "Mark-1", walaupun keunggulannya dibandingkan dengan komputer moden, dapat mengenali bukan hanya bentuk geometri, tetapi juga huruf abjad, dan ditulis dalam tulisan tangan yang berbeda. Kemudian kami menukar objek satu persatu dan menyesuaikan bobot ketika sebuah kotak muncul ke arah kenaikan, dan jika tidak ada - ke arah penurunan. Hasilnya, kami memperoleh susunan nilai pekali berat yang unik dalam sistem untuk setiap varian penampilan segi empat, dan di masa depan kami dapat menggunakannya untuk mengenali kotak. Mark-1, walaupun keunggulannya dibandingkan dengan komputer moden, dapat mengenali bukan hanya bentuk geometri, tetapi juga huruf abjad, apalagi, ditulis dalam tulisan tangan yang berbeda. Hasilnya, kami memperoleh susunan nilai pekali berat yang unik dalam sistem untuk setiap varian penampilan segi empat, dan di masa depan kami dapat menggunakannya untuk mengenali kotak. "Mark-1", walaupun keunggulannya dibandingkan dengan komputer moden, dapat mengenali bukan hanya bentuk geometri, tetapi juga huruf abjad, dan ditulis dalam tulisan tangan yang berbeda. Hasilnya, kami memperoleh susunan nilai pekali berat yang unik dalam sistem untuk setiap varian penampilan segi empat, dan di masa depan kami dapat menggunakannya untuk mengenali kotak. "Mark-1", walaupun keunggulannya dibandingkan dengan komputer moden, dapat mengenali bukan hanya bentuk geometri, tetapi juga huruf abjad, dan ditulis dalam tulisan tangan yang berbeda.
PERKARA-PERKARA YANG BENAR
Sudah tentu, banyak rangkaian, algoritma, dan varian perceptron yang lebih kompleks telah muncul sejak itu. Walaupun begitu, pendekatan ini untuk mengatur model rangkaian neural mempunyai batasan mendasar: sebagai contoh, perceptron tidak berdaya untuk menyelesaikan masalah membahagi suatu angka menjadi bahagian yang terpisah atau menentukan kedudukan relatif angka.
Ketika menjadi jelas bahawa mustahil untuk membina kecerdasan buatan berdasarkan perceptron, minat terhadap mereka menurun. Walaupun begitu, pada awal tahun 1980-an, varian baru rangkaian pembelajaran saraf dan pembelajaran kendiri muncul: rangkaian Hopfield, rangkaian Hemming, rangkaian Kohonen, rangkaian Jordan, dan lain-lain. Pada tahun 1986, semacam revolusi berlaku: Saintis Soviet dan Amerika mengembangkan kaedah backpropagation (algoritma kecerunan berulang), yang memungkinkan untuk mengatasi keterbatasan yang ditemui sebelumnya. Setelah itu, jaringan saraf mendapat perkembangan pesat, yang segera dilaksanakan dalam program komputer terapan.
Pakej perisian moden yang dibina berdasarkan rangkaian neural buatan mampu mengenali teks, perintah suara, wajah, gerak isyarat dan ekspresi wajah yang sewenang-wenangnya kompleks. Walau bagaimanapun, ini hanya kes penggunaan paling mudah, ada juga yang lebih biasa. Autopilot pembelajaran kendiri mampu bertindak balas terhadap perkembangan situasi bencana lebih awal daripada juruterbang. Pemeriksa pertukaran mengenal pasti urus niaga yang mencurigakan di pasaran saham. Ejen iklan rangkaian yang mengesan pilihan pelanggan berpotensi. Diagnostik Perubatan Menentukan Patologi pada Bayi.
Jelas bahawa ketika teknologi maklumat bertambah baik, jaringan saraf juga akan menjadi lebih kompleks. Mereka akan menguruskan semua peralatan rumah tangga dan sokongan hidup untuk kediaman, kilang dan pasar raya. Mereka dapat memantau ancaman, menganalisis trend dan memberi nasihat, misalnya, mengenai pelaburan wang yang optimum. Mereka bahkan dapat membuat objek seni: sudah ada lukisan dan puisi yang ditulis oleh rangkaian saraf!
PEREMPUAN ATAU RAKAN?
Sebenarnya, semuanya menjadi kenyataan bahawa rangkaian saraf suatu hari nanti akan menjadi pembantu yang tidak dapat diganti dalam seribu perkara besar dan kecil. Futuris takut akan perkara ini. Mereka percaya bahawa pada suatu ketika, kuantiti akan berubah menjadi berkualiti, kecerdasan buatan akan muncul dalam jaringan saraf, yang akan segera mencabar manusia dan menghancurkannya. Pilihan lain juga mungkin - orang akan sangat bergantung pada keputusan yang dibuat oleh rangkaian saraf sehingga mereka sendiri tidak akan memperhatikan bagaimana mereka akan berubah menjadi budaknya.
Senario menakutkan seperti ini kelihatan terlalu pelik. Faktanya adalah bahawa rangkaian saraf pada mulanya disusun untuk menyesuaikan diri dengan keperluan orang tertentu atau sekumpulan orang. Mereka dapat membantu memperbaiki kesalahan atau memberi nasihat, menonjolkan masalah atau melihat penipuan, tetapi mereka sendiri tidak dapat membuat pilihan antara pilihan yang setara, kerana kita (sayangnya atau bernasib baik) tidak akan dapat mengajar mereka perkara utama - moral. Oleh itu, setiap masa, rangkaian saraf akan seperti anjing domestik - patuh, setia dan ramah.
Anton Pervushin
