Краткая история ИИ: как зародилась эта технология 70 лет назад и что ждет человечество в будущем

Учитывая нынешнюю шумиху вокруг искусственного интеллекта, кажется, что эта технология появилась совсем недавно. На самом деле, ИИ в той или иной форме существует уже более 70 лет. Чтобы получить более полное представление о современном поколении инструментов ИИ и о том, в каком направлении они развиваются, необходимо понять, как люди к этому пришли. Каждое поколение инструментов ИИ можно рассматривать как улучшение предыдущих, но ни один из них по своей природе не приближается к человеческому разуму.

Математик и пионер вычислительной техники Алан Тьюринг опубликовал в 1950 году статью со вступительным предложением: «Я предлагаю рассмотреть вопрос: “Могут ли машины мыслить?”». Далее он предложил так называемую «Игру в имитацию», которую сейчас принято называть тестом Тьюринга, в котором машина считается разумной, если при разговоре вслепую ее нельзя отличить от человека.

Пятью годами позже в предложении для Дартмутского исследовательского проекта появилось первое упоминание словосочетания «искусственный интеллект». Именно тогда в 1960-х годах возникло направление ИИ, получившее название экспертных систем. Эти системы были разработаны для того, чтобы аккумулировать человеческий опыт в узких областях. Так как в них применялись явные представления знаний, они являются примером того, что называется символическим искусственным интеллектом.

Первые успехи в этой области были широко известны. В частности речь идет о системах для идентификации органических молекул, диагностики инфекций крови и поиска полезных ископаемых. Одним из самых ярких примеров была модель под названием R1, которая в 1982 году, как сообщалось, экономила корпорации Digital Equipment $25 млн в год за счет разработки эффективных конфигураций мини-компьютеров.

Ключевое преимущество экспертных систем заключалось в том, что человек, специализирующийся в узкой теме и не имеющий опыта кодирования, в принципе, мог создавать и поддерживать компьютерную базу знаний. Программный компонент, известный как механизм вывода, применял эти знания для решения новых задач в предметной области, а доказательная база служила объяснением.

В 1980-х годах такие системы были нарасхват, компании стремились создать свои собственные экспертные системы. Но и сегодня они остаются важной частью ИИ.

Машинное обучение

Человеческий мозг содержит около 100 млрд нервных клеток, или нейронов, соединенных между собой разветвленной структурой. Поэтому, в то время как экспертные системы были нацелены на воспроизведение человеческих знаний, возникла отдельная область, известная как коннекционизм, которая была нацелена на более буквальное моделирование работы человеческого мозга. В 1943 году два исследователя по имени Уоррен Маккалох и Уолтер Питтс создали математическую модель нейронов, в которой каждый из них производил бинарный ответ в зависимости от входящих сигналов.

Одна из самых ранних компьютерных моделей связанных нейронов была создана Бернардом Уидроу и Тедом Хоффом в 1960 году. Такие разработки были интересны, но практическое применение их было ограничено до тех пор, пока в 1986 году не был предложен алгоритм обучения для программной модели под названием многослойный перцептрон (MLP).

MLP — это симуляция последовательности из трех или четырех слоев простых нейронов, где каждый слой полностью взаимосвязан со следующим. Алгоритм обучения MLP стал прорывом. Он позволил создать первый практический инструмент, который мог обучаться на наборе примеров (обучающие данные), а затем обобщать их, чтобы классифицировать ранее не встречавшиеся входные данные (тестирующие данные). Для этого к связям между нейронами добавлялись числовые весовые коэффициенты, которые настраивались на обучающих данных, а затем использовались для классификации ранее не встречавшихся примеров.

MLP может решать широкий спектр практических задач при условии, что данные представлены в подходящем для него формате. Классическим примером является распознавание рукописных текстов, но при условии, что изображения были предварительно обработаны с целью выделения ключевых особенностей.

Новые модели ИИ

После успеха MLP стали появляться многочисленные альтернативные формы нейронных сетей. В 1998 году появилась сверточная нейронная сеть (CNN), которая была похожа на MLP, но имела дополнительные слои нейронов для определения ключевых особенностей изображения, что устраняло необходимость в предварительной обработке.

И MLP, и CNN были дискриминационными моделями, то есть они основывались входных данных для получения результата, будь то интерпретация, диагноз, прогноз или рекомендация. В то же время разрабатывались и другие модели нейронных сетей, которые были генеративными, то есть могли создавать что-то новое после предварительного обучения на большом количестве примеров.

Генеративные нейронные сети могут создавать текст, изображения или музыку, а также генерировать новые последовательности для помощи в научных открытиях. Выделяются две модели генеративных нейронных сетей: генеративно-адверсарные сети (GAN) и сети-трансформеры. GAN достигают хороших результатов благодаря тому, что они частично «самокритичны», так как требуют улучшения качества от генеративного компонента.

Сети-трансформеры получили широкое распространение благодаря таким моделям, как GPT4 (Generative Pre-trained Transformer 4) и ее текстовая версия ChatGPT. Эти большие языковые модели (LLM) были обучены на огромных массивах данных, взятых из интернета. Помимо впечатляющих генеративных способностей, обширный набор обучающих данных означает, что такие сети больше не ограничиваются узкоспециализированными областями, как их предшественники, а способны охватить любую тему.

Как будет развиваться ИИ

Возможности LLM привели к мрачным прогнозам о том, что ИИ захватит мир.

Хотя современные модели явно мощнее своих предшественников, траектория развития по-прежнему прослеживается в сторону увеличения мощности, надежности и точности, а не в сторону формирования какого-либо подобия компьютерного разума.

Как отметил профессор Майкл Вулдридж в своем выступлении в Палате лордов британского парламента в 2017 году, «голливудская мечта о разумных машинах не является неизбежной, и я не вижу никакого пути, ведущего нас туда». Семь лет спустя его оценка по-прежнему актуальна.

У ИИ существует множество перспективных и интересных приложений, но взгляд на историю этой технологии показывает, что машинное обучение — не единственный инструмент. Символический ИИ по-прежнему играет важную роль, поскольку он позволяет учитывать известные факты, человеческие представления и взгляды.

Знания, накопленные человечеством, могут быть использованы для отсеивания оскорбительных или предвзятых результатов. И, скорее всего, в будущем будут использоваться самые разные методы ИИ, в том числе и те, которые существуют уже много лет.