Как создать искусственный интеллект на компьютере

Как создать искусственный интеллект? | GeekBrains

Что надо знать и с чего начать.

http://d2xzmw6cctk25h.cloudfront.net/post/830/og_cover_image/23c7fa690587888d2bd1596f4ebba102

На этой неделе вы могли прочитать крайне мотивирующей кейс от Валерия Турова, где он рассказал об одной из своих целей, которая привела в профессию – желанию познать принцип работы и научиться создавать самому игровых ботов.

А ведь действительно, именно желание создать совершенный искусственный интеллект, будь то игровая модель или мобильная программа, сподвигла на путь программиста многих из нас. Проблема в том, что за тоннами учебного материала и суровой действительностью заказчиков, это самое желание было заменено простым стремлением к саморазвитию. Для тех, кто так и не приступил к исполнению детской мечты, далее краткий путеводитель по созданию настоящего искусственного разума.

Стадия 1. Разочарование

Когда мы говорим о создании хотя бы простых ботов, глаза наполняются блеском, а в голове мелькают сотни идей, что он должен уметь делать. Однако, когда дело доходит до реализации, оказывается, что ключом к разгадке реальной модели поведения является...математика. Если быть немного конкретнее, то вот список её разделов, которые необходимо проштудировать хотя бы в формате университетского образования:

• Линейная алгебра;

• Логика;

• Теория графов;

• Теория вероятностей и математическая статистика.

Это тот научный плацдарм, на котором будут строится ваше дальнейшее программирование. Без знания и понимания этой теории все задумки быстро разобьются о взаимодействие с человеком, ведь искусственный разум на самом деле не больше, чем набор формул.

Стадия 2. Принятие

Когда спесь немного сбита студенческой литературой, можно приступать к изучению языков. Бросаться на LISP или другие функциональные языки пока не стоит, для начала надо научиться работать с переменными и однозначными состояниями. Как для быстрого изучения, так и дальнейшего развития прекрасно подойдёт Python, но в целом можно взять за основу любой язык, имеющий соответствующие библиотеки.

Стадия 3. Развитие

Теперь переходим непосредственно к теории ИИ. Их условно можно разделить на 3 категории:

1. Слабый ИИ – боты, которых мы видим в компьютерных играх, или простые подручные помощники, вроде Siri. Они или выполняют узкоспециализированные задачи или являются незначительным комплексом таковых, а любая непредсказуемость взаимодействия ставит их в тупик.

2. Сильный ИИ – это машины, интеллект которых сопоставим с человеческим мозгом. На сегодняшний день нет реальных представителей этого класса, но компьютеры, вроде Watson очень близки к достижению этой цели.

3. Совершенные ИИ – будущее, машинный мозг, который превзойдёт наши возможности. Именно об опасности таких разработок предупреждают Стивен Хоккинг, Элон Маск и кинофраншиза «Терминатор».

Естественно, начинать следует с самых простых ботов. Для этого вспомните старую-добрую игру «Крестики-нолики» при использовании поля 3х3 и постарайтесь выяснить для себя основные алгоритмы действий: вероятность победы при безошибочных действиях, наиболее удачные места на поле для расположения фигуры, необходимость сводить игру к ничьей и так далее.

Сыграв несколько десятков партий и анализируя собственные действия, вы наверняка сможете выделить все важные аспекты и переписать их в машинный код. Если нет, то продолжайте думать, а эта ссылка здесь полежит на всякий случай.

К слову, если вы всё-таки взялись за язык Python, то создать довольно простого бота можно обратившись к этому подробному мануалу. Для других языков, таких как C++ или Java, вам также не составит труда найти пошаговые материалы. Почувствовав, что за созданием ИИ нет ничего сверхъестественного, вы сможете смело закрыть браузер и приступить к личным экспериментам.

Стадия 4. Азарт

Теперь, когда дело сдвинулось с мёртвой точки, вам наверняка хочется создать что-то более серьёзное. В этом вам поможет ряд следующих ресурсов:

Как вы поняли даже из названий, это API, которые позволят без лишних затрат времени создать некоторое подобие серьёзного ИИ.

Стадия 5. Работа

Теперь же, когда вы уже вполне ясно представляете, как ИИ создавать и чем при этом пользоваться, пора выводить свои знания на новый уровень. Во-первых, для этого потребуется изучение дисциплины, которое носит название «Машинное обучение». Во-вторых, необходимо научиться работать с соответствующими библиотеками выбранного языка программирования. Для рассматриваемого нами Python это Scikit-learn, NLTK, SciPy, PyBrain и Nump. В-третьих, в развитии никуда не обойтись от функционального программирования. Ну и самое главное, вы теперь сможете читать литературу о ИИ с полным пониманием дела:

• Artificial Intelligence for Games, Ян Миллингтон;

• Game Programming Patterns, Роберт Найсторм;

• AI Algorithms, Data Structures, and Idioms in Prolog, Lisp, and Java, Джордж Люгер, Уильям Стбалфилд;

• Computational Cognitive Neuroscience, Рэнделл О’Рейли, Юко Мунаката;

• Artificial Intelligence: A Modern Approach, Стюарт Рассел, Питер Норвиг.

И да, вся или почти вся литература по данной тематике представлена на иностранном языке, поэтому если хотите заниматься созданием ИИ профессионально необходимо подтянуть свой английский до технического уровня. Если вы только начинаете путь к  мечте, советуем записаться на бесплатный двухчасовой интенсив по основам программирования.

В остальном, ваше дальнейшее развитие будет зависеть лишь от практики и желания усложнять алгоритмы. Но будьте осторожны: возможно совершенный искусственный разум опасен для человечества?

Как сделать искусственный интеллект на компьютер. Как создать искусственный интеллект

masterok

Мастерок.жж.рф

Хочу все знать

Дожили до того момента, когда искусственный интеллект создаёт собственную нейросеть. Хотя многие думают, что это одно и тоже. Но на самом деле не всё так просто и сейчас мы попробуем разобраться что это такое и кто кого может создать.

Инженеры из подразделения Google Brain весной текущего года продемонстрировали AutoML. Этот искусственный интеллект умеет без участия человека производить собственные уникальнейшие ИИ. Как выяснилось совсем недавно, AutoML смог впервые создать NASNet, систему компьютерного зрения. Данная технология серьёзно превосходит все созданные ранее людьми аналоги. Эта основанная на искусственном интеллекте система может стать отличной помощницей в развитии, скажем, автономных автомобилей. Применима она и в робототехнике – роботы смогут выйти на абсолютно новый уровень.

Развитие AutoML проходит по уникальной обучающей системе с подкреплением. Речь идёт о нейросети-управленце, самостоятельно разрабатывающей абсолютно новые нейросети, предназначенные для тех или иных конкретных задач. В указанном нами случае AutoML имеет целью производство системы, максимально точно распознающей в реальном времени объекты в видеосюжете.

Искусственный интеллект сам смог обучить новую нейронную сеть, следя за ошибками и корректируя работу. Обучающий процесс повторялся многократно (тысячи раз), до тех пор, пока система не оказалась годной к работе. Любопытно, что она смогла обойти любые аналогичные нейросети, имеющиеся в настоящее время, но разработанные и обученные человеком.

При этом AutoML оценивает работу NASNеt и использует эту информацию для улучшения дочерней сети; этот процесс повторяется тысячи раз. Когда инженеры протестировали NASNet на наборах изображений ImageNet и COCO, она превзошла все существующие системы компьютерного зрения.

В Google официально заявили, что NASNet распознаёт с точностью равной 82,7%. Результат на 1.2 % превышает прошлый рекорд, который в начале осени нынешнего года установили исследователи из фирмы Momenta и специалисты Оксфорда. NASNet на 4% эффективнее своих аналогов со средней точностью в 43,1%.

Есть и упрощённый вариант NASNet, который адаптирован под мобильные платформы. Он превосходит аналоги чуть больше, чем на три процента. В скором будущем можно будет использовать данную систему для производства автономных автомобилей, для которых важно наличие компьютерного зрения. AutoML же продолжает производить новые потомственные нейросети, стремясь к покорению ещё больших высот.

При этом, конечно, возникают этические вопросы, связанные с опасениями по поводу ИИ: что, если AutoML будет создавать системы с такой скоростью, что общество просто за ними не поспеет? Впрочем, многие крупные компании стараются учитывать проблемы безопасности ИИ. Например, Amazon, Facebook, Apple и некоторые другие корпорации являются членами Партнерства по развитию ИИ (Partnership on AI to Benefit People and Society). Институт инженеров и электротехники (IEE) же предложил этические стандарты для ИИ, а DeepMind, например, анонсировал создание группы, которая будет заниматься моральными и этическими вопросами, связанными с применениями искусственного интеллекта.

Впрочем, многие крупные компании стараются учитывать проблемы безопасности ИИ. При этом, конечно, возникают этические вопросы, связанные с опасениями по поводу ИИ: что, если AutoML будет создавать системы с такой скоростью, что общество просто за ними не поспеет? Институт инженеров и электротехники (IEE) же предложил этические стандарты для ИИ, а DeepMind, например, анонсировал создание группы, которая будет заниматься моральными и этическими вопросами, связанными с применениями искусственного интеллекта. Например, Amazon, Facebook, Apple и некоторые другие корпорации являются членами Партнерства по развитию ИИ (Partnership on AI to Benefit People and Society).

Что такое искусственный интеллект?

Автором термина «искусственный интеллект» является Джон Маккарти, изобретатель языка Лисп, основоположник функционального программирования и лауреат премии Тьюринга за огромный вклад в области исследований искусственного интеллекта.
Искусственный интеллект — это способ сделать компьютер, компьютер-контролируемого робота или программу способную также разумно мыслить как человек.

Исследования в области ИИ осуществляются путем изучения умственных способностей человека, а затем полученные результаты этого исследования используются как основа для разработки интеллектуальных программ и систем.

Что такое нейронная сеть?

Идея нейросети заключается в том, чтобы собрать сложную структуру из очень простых элементов. Вряд ли можно считать разумным один-единственный участок мозга — а вот люди обычно на удивление неплохо проходят тест на IQ. Тем не менее до сих пор идею создания разума «из ничего» обычно высмеивали: шутке про тысячу обезьян с печатными машинками уже сотня лет, а при желании критику нейросетей можно найти даже у Цицерона, который ехидно предлагал до посинения подбрасывать в воздух жетоны с буквами, чтобы рано или поздно получился осмысленный текст. Однако в XXI веке оказалось, что классики ехидничали зря: именно армия обезьян с жетонами может при должном упорстве захватить мир.
На самом деле нейросеть можно собрать даже из спичечных коробков: это просто набор нехитрых правил, по которым обрабатывается информация. «Искусственным нейроном», или перцептроном, называется не какой-то особый прибор, а всего лишь несколько арифметических действий.

Работает перцептрон проще некуда: он получает несколько исходных чисел, умножает каждое на «ценность» этого числа (о ней чуть ниже), складывает и в зависимости от результата выдаёт 1 или –1. Например, мы фотографируем чистое поле и показываем нашему нейрону какую-нибудь точку на этой картинке — то есть посылаем ему в качестве двух сигналов случайные координаты. А затем спрашиваем: «Дорогой нейрон, здесь небо или земля?» — «Минус один, — отвечает болванчик, безмятежно разглядывая кучевое облако. — Ясно же, что земля».

«Тыкать пальцем в небо» — это и есть основное занятие перцептрона. Никакой точности от него ждать не приходится: с тем же успехом можно подбросить монетку. Магия начинается на следующей стадии, которая называется машинным обучением. Мы ведь знаем правильный ответ — а значит, можем записать его в свою программу. Вот и получается, что за каждую неверную догадку перцептрон в буквальном смысле получает штраф, а за верную — премию: «ценность» входящих сигналов вырастает или уменьшается. После этого программа прогоняется уже по новой формуле. Рано или поздно нейрон неизбежно «поймёт», что земля на фотографии снизу, а небо сверху, — то есть попросту начнёт игнорировать сигнал от того канала, по которому ему передают x-координаты. Если такому умудрённому опытом роботу подсунуть другую фотографию, то линию горизонта он, может, и не найдёт, но верх с низом уже точно не перепутает.

В реальной работе формулы немного сложнее, но принцип остаётся тем же. Перцептрон умеет выполнять только одну задачу: брать числа и раскладывать по двум стопкам. Самое интересное начинается тогда, когда таких элементов несколько, ведь входящие числа могут быть сигналами от других «кирпичиков»! Скажем, один нейрон будет пытаться отличить синие пиксели от зелёных, второй продолжит возиться с координатами, а третий попробует рассудить, у кого из этих двоих результаты ближе к истине. Если же натравить на синие пиксели сразу несколько нейронов и суммировать их результаты, то получится уже целый слой, в котором «лучшие ученики» будут получать дополнительные премии. Таким образом достаточно развесистая сеть может перелопатить целую гору данных и учесть при этом все свои ошибки.

Нейронную сеть можно сделать с помощью спичечных коробков — тогда у вас в арсенале появится фокус, которым можно развлекать гостей на вечеринках. Редакция МирФ уже попробовала — и смиренно признаёт превосходство искусственного интеллекта. Давайте научим неразумную материю играть в игру «11 палочек». Правила просты: на столе лежит 11 спичек, и в каждый ход можно взять либо одну, либо две. Побеждает тот, кто взял последнюю. Как же играть в это против «компьютера»?

Берём 10 коробков или стаканчиков. На каждом пишем номер от 2 до 11.

Кладём в каждый коробок два камешка — чёрный и белый. Можно использовать любые предметы — лишь бы они отличались друг от друга. Всё — у нас есть сеть из десяти нейронов!

Нейросеть всегда ходит первой. Для начала посмотрите, сколько осталось спичек, и возьмите коробок с таким номером. На первом ходу это будет коробок №11. Возьмите из нужного коробка любой камешек. Можно закрыть глаза или кинуть монетку, главное — действовать наугад.
Если камень белый — нейросеть решает взять две спички. Если чёрный — одну. Положите камешек рядом с коробком, чтобы не забыть, какой именно «нейрон» принимал решение. После этого ходит человек — и так до тех пор, пока спички не закончатся.

Ну а теперь начинается самое интересное: обучение. Если сеть выиграла партию, то её надо наградить: кинуть в те «нейроны», которые участвовали в этой партии, по одному дополнительному камешку того же цвета, который выпал во время игры. Если же сеть проиграла — возьмите последний использованный коробок и выньте оттуда неудачно сыгравший камень. Может оказаться, что коробок уже пустой, — тогда «последним» считается предыдущий походивший нейрон. Во время следующей партии, попав на пустой коробок, нейросеть автоматически сдастся.

Вот и всё! Сыграйте так несколько партий. Сперва вы не заметите ничего подозрительного, но после каждого выигрыша сеть будет делать всё более и более удачные ходы — и где-то через десяток партий вы поймёте, что создали монстра, которого не в силах обыграть.

Цифровая телепатия: как искусственный интеллект учится читать мысли человека

Ученые обещают, что скоро компьютеры научатся на расстоянии читать мысли людей. Если это произойдет, машинам станет доступна телепатия, которая всегда считалось чудом. Куда виртуальные фокусы могут завести человечество?

Чтобы поразить мир, необязательно строить огромную лабораторию, начиненную тоннами гудящего железа. В системном блоке компьютера живет, развивается, крепнет искусственный интеллект, нейросеть, у которой одна задача — научиться копировать любой голос. Нужно ей для этого всего ничего.

Владимир Свешников, генеральный директор компании: «Несколько часов примеров голоса, то есть это аудио, и к аудио прилагается текст. Загружается текст, ставится задача синтезировать голос. Нейросеть это запоминает, как ребенок».

Характерные речевые особенности программа улавливает так, что невооруженным ухом от оригинала не отличишь. Как доверять телефонам, когда эта машина научится говорить не как сейчас, по заранее написанному, а считывая мысли в реальном времени и подменяя голос?

Существуют риски для бизнеса, ведь можно обрушить акции компании, опубликовав фальшивую запись. Ученые в сфере искусственного интеллекта должны относиться ответственно к своим разработкам, а общество — задуматься о контроле над ними. Это может показаться фантастическим бредом, но совсем скоро хитроумные программы действительно будут управляться одной лишь силой мысли. Великий мечтатель и фанат самых дерзких разработок Илон Маск презентовал крохотный имплант для мозга.

Илон Маск, изобретатель, Основатель компании SpaceX: «Это может звучать странно, но мы пытаемся достичь некого симбиоза между человеческим и искусственным интеллектом. Первый такой чип мы планируем внедрить человеку уже в следующем году, так что ждать осталось недолго».

Количество сторонников идеи чипирования растет по экспоненте, чип в голове может стать таким же привычным аксессуаром, как смартфон. И тогда эта технология действительно срастит искусственный интеллект с человеческим разумом. Именно об этом грезит Маск — чтобы в перспективе любую информацию загружать прямо в мозг, как в компьютер, учить языки за считаные часы, а то и минуты, и даже передавать друг другу мысли.

Известный телепат Лиор Сушард развлекает публику в эфире вечернего шоу. Многие, наверное, скажут: шарлатан. Но прежде чем говорить о том, можно ли с помощью машин читать мысли, надо разобраться, что такое телепатия. В прямом эфире НТВ провели эксперимент с участием телезрителей. Их попросили максимально быстро отвечать на вопросы. Сначала нужно было решать в уме примеры, а затем быстро загадать инструмент и цвет. Большинство гостей в студии подумали про «красный молоток». Никто не залезал к ним в голову. Это никакая не телепатия, а психология: людей отвлекали вычислениями, они теряли бдительность и выбирали первое, что приходило в голову. По статистике, чаще всего это именно красный цвет и именно молоток, который знаком всем с детства. Иллюзионист Лиор Сушард, у которого трюки гораздо сложнее, признается, что его «магия» тоже строится исключительно на науке.

Лиор Сушард, иллюзионист: «Я использую пять своих чувств чтобы создать шестое чувство. Здесь очень много техник, начиная с психологии и заканчивая языком тела».

Искусственный интеллект читает мысли людей примерно по тому же принципу. Доказательством может служить применяемая в реабилитационном центре технология, которая помогает людям писать силой мысли, без рук. Нужно расслабиться и концентрироваться на определенной букве, цифре, символе. Компьютер понимает, что пользователь хочет набрать. Сегодня это окно в мир для потерявших способность двигаться. Если технологию усовершенствовать, она пригодится любому.

Алеся Чичинкина, PR-директор компании-разработчика : «Нейронет — это то, что должно заменить интернет к 2035 году, когда исчезнут посредники между нашим мозгом и тем, что мы хотим сделать, напечатать ли, дать ли команду какому-то устройству».

Крупный автопроизводитель презентовал программу, которая предугадывает желания водителей.

Люсиан Джордж, старший исследователь в области инноваций: «Программа фиксирует очень четкие сигналы, которые появляются в нашем мозгу, когда мы что-то хотим сделать и когда, наоборот, чего-то не хотим».

Эта технология будет выигрывать водителю драгоценные секунды и предотвращать аварии. Почему же люди боятся слияния с искусственным интеллектом? Оказывается, подвох есть.

Томас Риардон, генеральный директор компании-разработчика технологии управления компьютера мыслями: «Самая мощная идея, которую мы имеем, что искусственный интеллект может доминировать над нами и нашими собственными нейронными сетями».

Уже скоро людям предстоит жить в мире, в котором правду о себе будет скрыть невозможно, а любая бездушная машина сможет читать мысли.

Создать искусственный интеллект

Иску́сственный интелле́кт, Artificial intelligence — наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ; свойство интеллекта выполнять творческие функции, которые традиционно считаются прерогативой человека. На сегодняшний день известно, что цифровые цепи в миллионы раз быстрее био-химических, происходит разработка/создание/улучшение существующих искусственных форм интеллекта, но они имеют очень узкие области применения. Нет полноценного мозгового центра. который бы обучался и принимал решения самостоятельно в разных сферах деятельности, начиная от элементарнейших принеси, подай и заканчивая разработкой сложнейших квантовых механизмов. Со временем скорость разработки будет только увеличиваться.

Мы живем в 21 веке и являемся свидетелями резкого скачка развития не только развития IT, но и систем, в т.ч. ИИ который в будущем, будет управлять львиной долей человеческой жизнедеятельности и участвовать в :

1. Финансовом секторе:

1.1 Алгоритмическая торговля — предполагает использование сложных систем искусственного интеллекта для принятия торговых решений со скоростью, превышающую скорость на которую способен человеческий организм. Это позволяет делать миллионы сделок в день без какого-либо вмешательства человека. Автоматизированные торговые системы обычно используются крупными институциональными инвесторами

1.2 Исследования рынка и интеллектуальный анализ данных — несколько крупных финансовых учреждений вложили средства в развитие ИИ, чтобы использовать его в их инвестиционной практике. Разработки BlackRock’ AI, Aladdin, используются как внутри компании, так и для клиентов компании, ассистируя в принятии инвестиционных решений. Широкий спектр функциональных возможностей данной системы включает обработку естественного языка для чтения текста, такого как новости, отчеты брокеров и каналы социальных сетей. Затем система оценивает настроения в упомянутых компаний и присваивает им оценку. Банки, такие как UBS и Deutsche Bank, используют систему ИИ под названием Sqreem (Sequential Quantum Reduction and Extraction Model, Модель Последовательной Квантовой Редукции и Экстракции), которая может обрабатывать данные для разработки профилей потребителей и сопоставлять их с продуктами, которые они, скорее всего, захотят. Goldman Sachs использует Kensho, платформу аналитики рынка, которая объединяет статистические вычисления с большими данными и обработкой естественного языка. Его системы машинного обучения используют данные в Интернете и оценивают корреляции между мировыми событиями и их влиянием на цены финансовых активов. Информация, извлеченная системой ИИ из прямой трансляции новостей, используется в принятии инвестиционных решений.

1.3 Андеррайтин- Upstart анализирует огромное количество потребительских данных и использует алгоритмы машинного обучения для построения моделей кредитного риска, которые прогнозируют вероятность дефолта. Их технология будет лицензирована для банков, чтобы они могли использовать её для оценки своих процессов.

ZestFinance разработала свою платформу Zest Automated Machine Learning (ZAML) специально для кредитного андеррайтинга. Эта платформа использует компьютерное обучение для анализа десятков тысяч традиционных и нетрадиционных переменных (от транзакций покупки до того, каким образом клиент заполняет форму), используемых в кредитной индустрии, для оценки заемщиков. Платформа особенно полезна для присвоения кредитных баллов клиентам с небольшой кредитной истории, таким как миллениалы.

2.Сектор Тяжелой промышленности — Роботы стали распространены во многих отраслях промышленности и часто занимаются работой, которая считается опасной для людей. Роботы оказались эффективными на рабочих местах, связанных с повторяющимися рутинными заданиями, которые могут привести к ошибкам или несчастным случаям из-за снижения концентрации с течением времени. Также широкое применение роботы получили в работе, которую люди могут найти унизительной.

3. Медицина — Искусственные нейронные сети, такие как технология Concept Processing в программном обеспечении EMR, используются в качестве клинических систем принятия решений для медиуинской диагностики

Другие задачи в медицине, которые потенциально могут выполняться искусственным интеллектом и начинают разрабатываться, включают:

• Компьютерная интерпретация медицинских изображений. Такие системы помогают сканировать цифровые изображения, например от компьютерной томографии, для типичных проявлений и для выделения заметных отклонений, таких как возможные заболевания. Типичным применением является обнаружение опухоли.
• Анализ сердечного ритма
• Проект Watson — это еще одно использование ИИ в этой области, программа вопросов/ответов, которая создана для помощи врачам-онкологам
• Создание лекарств
• Проведение сложнейших операций на уровне недоступном человеку
• Имплантация в мозг электронных носителей с воссозданием нейронных связей для полной конфигурации мозга с имплантируемым носителем.

Подходы к пониманию проблемы

Единого ответа на вопрос, чем занимается искусственный интеллект, не существует. Почти каждый автор, пишущий книгу об ИИ, отталкивается в ней от какого-либо определения, рассматривая в его свете достижения этой науки.

В философии не решён вопрос о природе и статусе человеческого интеллекта. Нет и точного критерия достижения компьютерами «разумности», хотя на заре искусственного интеллекта был предложен ряд гипотез, например, тест Тьюринга или гипотеза Ньюэлла-Саймона, поэтому, несмотря на наличие множества подходов как к пониманию задач ИИ, так и созданию ИИС можно выделить два основных подхода к разработке ИИ:

• нисходящий, он же семиотический — создание экспертных систем, без знаний и систем логического вывода, имитирующих высокоуровневые психические процессы: мышление, рассуждение, речь, эмоции, творчество и т. д.;
• восходящий он же биологический — изучение нейронных сетей и эволюционных вычислений, моделирующих интеллектуальное поведение на основе биологических элементов, а также создание соответствующих вычислительных систем, таких как нейрокомпьютер или биокомпьютер.

Последний подход, строго говоря, не относится к науке о ИИ в смысле, данном Джоном Маккарти, — их объединяет только общая конечная цель.

Тест Тьюринга и интуитивный подход

Эмпирический тест был предложен Аланом Тьюрингом в статье опубликованной в 1950 году в философском журнале «Mind». Целью данного теста является определение возможности искусственного мышления, близкого к человеческому.

Стандартная интерпретация этого теста звучит следующим образом: «Человек взаимодействует с одним компьютером и одним человеком. На основании ответов на вопросы он должен определить, с кем он разговаривает: с человеком или компьютерной программой. Задача компьютерной программы — ввести человека в заблуждение, заставив сделать неверный выбор». Все участники теста не видят друг друга.

• Самый общий подход предполагает, что ИИ будет способен проявлять поведение, не отличающееся от человеческого, причём в нормальных ситуациях. Эта идея является обобщением подхода, который утверждает, что машина станет разумной тогда, когда будет способна поддерживать разговор с обычным человеком, и тот не сможет понять, что говорит с машиной (разговор идёт по переписке).

Однако последний подход вряд ли выдерживает критику при более детальном рассмотрении. К примеру, несложно создать механизм, который будет оценивать некоторые параметры внешней или внутренней среды и реагировать на их неблагоприятные значения. Про такую систему можно сказать, что у неё есть чувства («боль» — реакция на срабатывание датчика удара, «голод» — реакция на низкий заряд аккумулятора, и т. п.). А кластеры, создаваемые картами Кохонена, и многие другие продукты «интеллектуальных» систем можно рассматривать как вид творчества.

Исторически символьный подход был первым в эпоху цифровых машин, так как именно после создания Лисп, первого языка символьных вычислений, у его автора возникла уверенность в возможности практически приступить к реализации этими средствами интеллекта. Символьный подход позволяет оперировать слабоформализованными представлениями и их смыслами.

Успешность и эффективность решения новых задач зависит от умения выделять только существенную информацию, что требует гибкости в методах абстрагирования. Тогда как обычная программа устанавливает один свой способ интерпретации данных, из-за чего её работа и выглядит предвзятой и чисто механической. Интеллектуальную задачу в этом случае решает только человек, аналитик или программист, не умея доверить этого машине. В результате создается единственная модель абстрагирования, система конструктивных сущностей и алгоритмов. А гибкость и универсальность выливается в значительные затраты ресурсов для не типичных задач, то есть система от интеллекта возвращается к грубой силе.

Основная особенность символьных вычислений — создание новых правил в процессе выполнения программы. Тогда как возможности не интеллектуальных систем завершаются как раз перед способностью хотя бы обозначать вновь возникающие трудности. Тем более эти трудности не решаются и наконец компьютер не совершенствует такие способности самостоятельно.

Недостатком символьного подхода является то, что такие открытые возможности воспринимаются не подготовленными людьми как отсутствие инструментов. Эту, скорее культурную проблему, отчасти решает логическое программирование.

Логический подход к созданию систем искусственного интеллекта основан на моделировании рассуждений. Теоретической основой служит логика.

Логический подход может быть проиллюстрирован применением для этих целей языка и системы логического программирования Пролог. Программы, записанные на языке Пролог, представляют наборы фактов и правил логического вывода без жесткого задания алгоритма как последовательности действий, приводящих к необходимому результату.

Последний подход, развиваемый с начала 90-х, называется агентно-ориентированным подходом, или подходом, основанным на использовании интеллектуальных (рациональных) агентов. Согласно этому подходу, интеллект — это вычислительная часть (грубо говоря, планирование) способности достигать поставленных перед интеллектуальной машиной целей. Сама такая машина будет интеллектуальным агентом воспринимающим окружающий его мир с помощью датчиков, и способной воздействовать на объекты в окружающей среде с помощью исполнительных механизмов.

Этот подход акцентирует внимание на тех методах и алгоритмах, которые помогут выживать в при выполнении его задачи. Так, здесь значительно тщательнее изучаются алгоритмы поиска пути и принятия решений.

Гибридный подход предполагает, что только синергийная комбинация нейронных и символьных моделей достигает полного спектра когнитивных и вычислительных возможностей. Например, экспертные правила умозаключений могут генерироваться нейронными сетями, а порождающие правила получают с помощью статистического обучения. Сторонники данного подхода считают, что гибридные информационные системы будут значительно более сильными, чем сумма различных концепций по отдельности.

Только представьте, роботы, которые не чувствуют боли, страха, умеют думать и принимать самостоятельные решения.

Господа, мы стоим на пороге будущего, остается лишь шагнуть вперед !

Критерий завершения

ИИ используется в военных целях передовыми военными державами

Источники:

http://masterok.livejournal.com/4103537.html
http://www.ntv.ru/novosti/2250421/
http://smartprogress.do/goal/294538/

Создание искусственного интеллекта / Хабр

В результате своих изысканий я перестал для себя использовать фразу «искусственный интеллект» как слишком неопределенную и пришел к другой формулировке: алгоритм самостоятельного обучения, исследования и применения найденных результатов для решения любых возможных к реализации задач.

Что такое ИИ, об этом уже много было написано. Я ставлю вопрос по другому, не «что такое ИИ», а «зачем нужен ИИ». Мне он нужен, что бы заработать много денег, затем что бы компьютер выполнял за меня все, что я сам не хочу делать, после построить космический корабль и улететь к звездам.

Вот и буду здесь описывать, как заставить компьютер выполнять наши желания. Если вы ожидаете здесь увидеть описание или упоминание, как работает сознание, что такое самосознание, что значит думать или рассуждать — то это не сюда. Думать — это не про компьютеры. Компьютеры рассчитывают, вычисляют и выполняют программы. Вот и подумаем, как сделать программу, способную рассчитать необходимую последовательность действий для реализации наших желаний.

В каком виде в компьютер попадет наша задача — через клавиатуру, через микрофон, или с датчиков вживленных в мозг — это не важно, это дело вторичное. Если мы сможем компьютер заставить выполнять желания написанные текстом, то после мы можем поставить ему задачу, что бы он сделал программу, которая так же выполняет желания, но через микрофон. Анализ изображений так же лишний.

Утверждать, что для того, что бы создаваемый ИИ мог распознавать изображения и звук, в него изначально должны быть включены такие алгоритмы, это все равно что утверждать, что всякий человек, который таковые создал, от рождения знали как работают такие программы.

Сформулируем аксиомы:
1. Все в мире можно посчитать по каким-нибудь правилам. (про погрешности позже)
2. Расчет по правилу, это однозначная зависимость результата от исходных данных.
3. Любые однозначные зависимости можно находить статистически.
А теперь утверждения:
4. Существует функция преобразования текстовых описаний в правила — что бы не нужно было искать уже давно найденные знания.
5. Существует функция преобразования задач в решения (это исполнялка наших желаний).
6. Правило прогнозирования произвольных данных включает в себя все остальные правила и функции.

Переведем это на язык программиста:
1. Все в мире можно посчитать по каким-нибудь алгоритмам.
2. Алгоритм всегда при повторении исходных данных дает одинаковый результат.
3. При наличии множества примеров исходных данных и к ним результатов, при бесконечном времени поиска можно найти все множество возможных алгоритмов, реализующих эту зависимость исходных данных и результата.
4. Существует алгоритмы конвертации текстовых описаний в алгоритмы (или любых других информационных данных) — чтобы не искать потребные алгоритмы статистически, если их уже кто-то когда-то нашел и описал.
5. Можно создать программу, которая будет исполнять наши желания, будь они в текстовом или голосовом виде, при условии, что эти желания реализуемы физически и в потребные рамки времени.
6. Если умудриться создать программу, которая умеет прогнозировать и учиться прогнозированию по мере поступления новых данных, то по истечении бесконечного времени такая программа будет включать все возможные в нашем мире алгоритмы. Ну а при не бесконечном времени для практической пользы и с некоторой погрешностью ее можно заставить выполнять алгоритмы программы п.5 или любые другие.

И еще, ИМХО:
7. Другого способа полностью самостоятельного и независимого от человека обучения, кроме как поиска перебором правил и статистической проверки их на прогнозировании, не существует. И нужно только научиться использовать это свойство. Это свойство является частью работы мозга.

Что нужно прогнозировать. В человеческий мозг от рождения начинает поступать поток информации — от глаз, ушей, тактильные и пр. И все решения принимаются им на основании ранее поступивших данных. По аналогии, делаем программу, у которой есть вход новой информации по одному байту — входной побайтовый поток. Все что поступило ранее, представляется в виде одного сплошного списка. От 0 до 255 будет поступать внешняя информация, и свыше 255 будем использовать как специальные управляющие маркеры. Т.е. вход позволяет записать скажем до 0xFFFF размерность числа. И именно этот поток, а точнее очередное добавляемое число информации и нужно научиться прогнозировать, на основании поступавших до этого данных. Т.е. программа должна пытаться угадать, какое будет добавлено следующее число.

Конечно возможны и другие варианты представления данных, но для целей, когда на вход поступают самые различные форматы, попросту туда по началу запихиваем различные html с описаниями, этот наиболее оптимальный. Хотя маркеры можно заменить на эскейп последовательности в целях оптимизации, но объяснять с ними менее удобно. (А так же, представим, что все в ASCII, а не UTF).

Итак, сначала как и при рождении, пихаем туда все подряд интернет-страницы с описаниями и разделяем их маркером нового текста — <NewPage> — что бы этот черный ящик учился всему подряд. Маркеры я буду обозначать тегами, но подразумевается, что они просто какое-то уникальное число. По прошествии некоторого объема данных, начинаем манипулировать входящей информацией с помощью управляющих маркеров.

Под прогнозированием я понимаю такой алгоритм, который знает не только какие закономерности уже были, но и ищет постоянно новые. И потому если на вход такой программе послать последовательность
<BEG>небо<ANS>синие<END>
<BEG>трава<ANS>зеленная<END>
<BEG>потолок<ANS>…
, то он должен сообразить, что за маркером <ANS> следует цвет от указанного ранее объекта, и на месте многоточия спрогнозирует наиболее вероятный цвет потолка.

Мы ему несколько примеров повторили, что бы он понял которую функцию нужно применить в пределах этих тегов. А сам цвет, он конечно же не выдумать должен, а должен его уже знать самостоятельно изучив вычисляя закономерности на прогнозировании.

Когда от алгоритма требуется ответ, то на вход последующих шагов подается то, что было прогнозом предыдущего шага. Типа автопрогнозирование (по аналогии со словом автокорреляция). И при этом отключаем функцию поиска новых последовательностей.

Другой пример, можно после первого маркера указывать вопрос, а во втором ответ, и тогда будь этот алгоритм супер-мега-крутым, он должен начать давать ответы даже на самые сложные вопросы. Опять же, в пределах уже изученных фактов.

Можно много придумать разных трюков с управляющими маркерами, поданными на вход прогнозирующего механизма, и получать любые желаемые функции. Если вам будет скучно читать про алгоритмическое обоснование этого свойства, то можно пролистать до следующих примеров с управляющими маркерами.

Из чего состоит этот черный ящик. Во первых стоит упомянуть, что стопроцентного прогнозирования всегда и во всех ситуациях сделать не возможно. С другой стороны, если как результат всегда выдавать число ноль, то это то же будет прогнозом. Хоть и с абсолютно стопроцентной погрешностью. А теперь посчитаем, с какой вероятностью, за каким числом, какое дальше следует число. Для каждого числа определится наиболее вероятное следующее. Т.е. мы его сможем немножко спрогнозировать. Это первый шаг очень длинного пути.

Однозначное отображение исходных данных на результат по алгоритму, это соответствует математическому определению слова функция, за исключением того, что к определению алгоритма не налагается определенность в количестве и размещении входных и выходных данных. Так же пример, пусть будет маленькая табличка: объект-цвет, в нее занесем множество строк: небо-синее, трава-зеленная, потолок-белый. Это получилась маленькая локальная функция однозначного отображения. И не важно, что в действительности не редко цвета не такие — там будут другие свои таблицы. И любая база данных, содержащая запомненные свойства чего-либо, является множеством функций, и отображает идентификаторы объектов на их свойства.

Для упрощения, дальше во многих ситуациях, вместо термина алгоритм, я буду употреблять термин функция, типа однопараметрическая, если другого не указано. И всякие такие упоминания, нужно в голове подразумевать расширяемость до алгоритмов.

И описание буду давать примерное, т.к. в реальности реализовать все это я пока… Но оно все логично. А так же следует учитывать, что все расчеты ведутся коэффициентами, а не истина или ложь. (возможно даже если явно указано что истина и ложь).

Любой алгоритм, в особенности который оперирует целыми числами, может быть разложен на множество условий и переходов между ними. Операции сложения, умножения, и пр. так же раскладываются на подалгоритмики из условий и переходов. И еще оператор результата. Это не оператор возврата. Оператор условия берет откуда-то значение и сравнивает его с константным. А оператор результата складывает куда-нибудь константное значение. Расположение взятия или складывания вычисляется относительно либо базовой точки, либо относительно прежних шагов алгоритма.

 struct t_node { int type; // 0 - условие, 1 - результат union { struct { // оператор условия t_node* source_get; t_value* compare_value; t_node* next_if_then; t_node* next_if_else; }; struct { // оператор результата t_node* dest_set; t_value* result_value; }; } }; 

Каждая прогнозируемая точка рассчитывается по какой-то функции. К функции прилагается условие, которое тестирует на применимость этой функции к этой точке. Общая сцепка возвращает, либо ложь — не применимость, либо результат расчета функции. А непрерывное прогнозирование потока, это поочередная проверка применимости всех уже придуманных функции и их расчет, если истина. И так для каждой точки.

Кроме условия на применимость, есть еще дистанции. Между исходными данными, и результатными, и эта дистанция бывает различной, при одной и той же функции, применяемой в зависимости от условия. (И от условия до исходной или прогнозируемой то же есть дистанция, ее будем подразумевать, но опускать при объяснениях. И дистанции бывают динамическими).

При накоплении большого числа функций, будет возрастать количество условий, тестирующих применимость этих функций. Но, эти условия во многих случаях возможно располагать в виде деревьев, и отсечение множеств функций будет происходить пропорционально логарифмической зависимости.

Когда идет начальное создание и замер функции, то вместо оператора результата, идет накопление распределения фактических результатов. После накопления статистики, распределение заменяем на наиболее вероятный результат, и функцию предваряем условием, так же протестировав условие на максимальность вероятности результата.

Это идет поиск одиночных фактов корреляции. Накопив кучу таких одиночных, пытаемся объединить их в группы. Смотрим, из которых можно выделить общее условие и общую дистанцию от исходного значения к результату. А так же, проверяем, что при таких условиях и дистанциях, в других случаях, где идет повторение исходного значения, не идет широкое распределение результатного. Т.е. в известных частых употреблениях, оно высокотождественно.

Коэффициент тождественности. (Здесь двунаправленная тождественность. Но чаще она однонаправленная. Позже переобдумаю формулу.)
Количество каждой пары XY в квадрат и суммируем.
Делим на: сумма количеств в квадрате каждого значения X плюс сумма количеств в квадрате Y минус делимое.
Т.е. SUM(XY^2) / (SUM(X^2) + SUM(Y^2) — SUM(XY^2)).
Этот коэффициент от 0 до 1.

И в результате, что происходит. Мы на высокочастотных фактах убедились, что при этих условии и дистанции, эти факты однозначны. А остальные редковстречаемые — но суммарно таких будет гораздо больше чем частых — имеют ту же погрешность, что и частовстреченные факты в этих условиях. Т.е. мы можем накапливать базу прогнозирования на единично встречаемых фактах в этих условиях.

Да будет база знаний. Небо часто синее, а тропическая-редкая-фигня где-то увидели что она серо-буро-малиновая. И запомнили, т.к. правило мы проверили — оно надежное. И принцип не зависит от языка, будь то китайский или инопланетный. А позже, после понимания правил переводов, можно будет сообразить, что одна функция может собираться из разных языков. При этом нужно учесть, что базу знаний так же можно представить в виде алгоритмов — если исходное значение такое-то, то результатное такое-то.

Дальше, мы в следствии перебора других правил, находим, что при других расположении и условии, возникает уже виденная тождественность. Причем теперь нам не обязательно набирать большую базу для подтверждения тождественности, достаточно набрать десяток единичных фактов, и увидеть, что в пределах этого десятка, отображение происходит в те же значения, как и у прежней функции. Т.е. та же функция используется в других условиях. Это свойство образует то, что мы в описании разными выражениями можем описывать одно и то же свойство. А порой их просто перечислять в таблицах на интернет-страницах. И дальше, сбор фактов по этой функции можно производить уже по нескольким вариантам использования.

Происходит накопление возможных различных условий и расположений относительно функций, и на них так же можно пытаться находить закономерности. Не редко, правила выборки подобны для различных функций, отличаясь только каким-нибудь признаком (например слово идентифицирующее свойство или заголовок в таблице).

В общем понаходили мы кучку однопараметрических функций. А теперь, как при образовании из одиночных фактов в однопараметрические, так же и здесь, попытаемся сгруппировать однопараметрические по части условия и части дистанции. Та часть, что общая — новое условие, а та, что различается — это второй параметр новой функции — двухпараметрической, где первым параметром будет параметр однопараметрической.

Получается, что каждый новый параметр у многопараметрических находится с той же линейностью, что и образование из единичных фактов в однопараметрические (ну или почти с той же). Т.е. нахождение N-параметрической пропорционально N. Что в стремлении к очень много параметрам становится почти нейронной сеткой. (Кто захочет, тот поймет.)

Конвертационные функции.

Конечно замечательно, когда нам предоставили множество корреспондирующих примеров, скажем маленьких текстов перевода с русского на английский. И можно начинать пытаться находить между ними закономерности. Но в действительности, оно все перемешано во входном потоке информации.

Вот мы взяли нашли одну какую-то функцию, и путь между данными. Вторую и третью. Теперь смотрим, можем ли среди них, у каких-либо найти у путей общую часть. Попытаться найти структуры X-P1-(P2)-P3-Y. А потом, найти еще другие подобные структуры, с подобными X-P1 и P3-Y, но различающимися P2. И тогда мы можем заключить, что имеем дело со сложной структурой, между которыми существуют зависимости. А множество найденных правил, за вычетом серединной части, объединим в групп и назовем конвертационной функцией. Таким образом образуются функции перевода, компиляции, и прочие сложные сущности.

Вот возьмите лист с русским текстом, и с его переводом на незнакомый язык. Без самоучителя чрезвычайно сложно из этих листов найти понимание правил перевода. Но это возможно. И примерно так же, как это делали бы вы, это нужно оформить в поисковый алгоритм.

Когда разберусь с простыми функциями, тогда и буду дальше обмусоливать конвертационный поиск, пока сойдет и набросок, и понимание что это то же возможно.

Кроме статистического поиска функций, еще можно их формировать из описаний, посредством конвертационной функции в правила — читающая функция. Статистику для изначального создания читающей функции можно в избытке найти в интернете в учебниках — корреляции между описаниями и правилами примененными к примерам в тех описаниях. Т.е. получается, что алгоритм поиска должен одинаково видеть и исходные данные, и правила примененные к ним, т.е. все должно располагаться в неком однородном по типам доступов графе данных. Из такого же принципа только обратном, могут находиться правила для обратной конвертации внутренних правил во внешние описания или внешние программы. А так же формировать понимание системы, что она знает, а чего нет — можно перед затребованием ответа, поинтересоваться, а знает ли система ответ — да или нет.

Функции о которых я говорил, на самом деле не просто находимый единый кусок алгоритма, а могут состоять из последовательности других функций. Что в свою очередь не вызов процедуры, а последовательность преобразований, типа как в linux работа с pipe. Для примера, я грубо описывал прогнозирование сразу слов и фраз. Но что бы получить прогноз только символа, к этой фразе нужно применить функцию взятия этого одного символа. Или функция научилась понимать задачи на английском, а ТЗ на русском. Тогда РусскоеТЗ->ПеревестиНаАнглийский->ВыполнитьТЗнаАнглийском->Результат.

Функции могут быть не фиксированными в определении, и доопределяться или переопределяться по мере поступления дополнительной информации или при вообще изменении условий — функция перевода не конечная, и к тому же может меняться со временем.

Так же на оценку вероятностей влияет повторяемость одного множества в разных функциях — образует или подтверждает типы.

Так же нужно упомянуть, что не мало множеств реального мира, а не интернет-страниц, являются упорядоченными и возможно непрерывными, или с прочими характеристиками множеств, что как-то то же улучшает расчеты вероятностей.

Кроме непосредственного замера найденного правила на примерах, предполагаю существование других способов оценки, что то типа классификатора правил. А возможно и классификатора этих классификаторов.

Еще нюансы. Прогнозирование состоит из двух уровней. Уровень найденных правил и уровень поиска новых правил. Но поиск новых правил по сути то же программа со своими критериями. И допускаю (хотя пока не продумывал), что может быть все проще. Что нужен нулевой уровень, который будет искать возможные алгоритмы поиска во всем их многообразии, которые уже в свою очередь будут создавать конечные правила. А может быть это вообще многоуровневая рекурсия или фрактал.

Вернемся к управляющим маркерам. В результате всех этих рассуждений про алгоритм получается, что через них мы запрашиваем от этого черного ящика продолжить последовательность, и выдать расчет по функции определяемой по подобию. Типа сделать так, как было показано до этого.

Есть другой способ определения функции в этом механизме — выдать функцию через определение. Например:
<QUERY>Перевести на английский<PARAM>стол<RES>table<END>
<QUERY>Ответить на вопрос<PARAM>цвет неба<RES>синий<END>
<QUERY>Создать программу по ТЗ<PARAM>хочу искусственный интеллект<RES>...

Использование этой системы для решения наших задач состоит в следующем алгоритме. Делаем описание определения специального идентификатора для описания задач. Потом, создаем описание задачи и присваиваем ей новый идентификатор. Делаем описание допустимых действий. К примеру (хоть и не практично) непосредственно команды процессора — описания из интернета, а к компьютеру подключены манипуляторы, которыми через порты можно управлять. И после, мы у системы можем спрашивать, какое нужно выполнить следующее действие, для приближения задачи к решению, ссылаясь на задачу по идентификатору. А так же через раз спрашивать, не нужно ли какой дополнительно информации необходимой для дальнейшего расчета действий — информации по общим знаниям или по текущему состоянию решения задачи. И зацикливаем запросы действий и запросы информации в какой-нибудь внешний цикл. Вся эта схема строится на текстовых определениях, и потому может быть запущена посредством функций получаемых по определению. А выход — только лишь команды — отпадает вопрос многовероятности текстов. Вопрос масштабов необходимого прогнозирования сейчас не обсуждается — если будет необходимый и достаточный функционал прогнозирования — по логике оно должно работать.

Если кто в ИИ видит не способ решения задач, а какие-либо характеристики человека, то можно сказать, что человеческое поведение и качества так же являются расчетными и прогнозируемыми. И в литературе есть достаточно описаний того или иного свойства. И потому, если в системе мы опишем, которое из свойств хотим, то она в меру знаний будет его эмулировать. И будет воспроизводить либо абстрактное усредненное поведение, либо со ссылкой на конкретную личность. Ну или если хотите, можно попробовать запустить сверхразум — если дадите этому определение.

Прогнозировать можно что-то, что происходит по истечению какого-то времени. Объекты движутся со скоростями и ускорениями, и всякие другие возможные изменения чего-либо со временем. Прогнозировать можно и пространство. Для примера, вы заходите в незнакомую комнату, в которой стоит стол, у которого один из углов накрыт листом бумаги. Вы это угол не видите, но мыслено можете спрогнозировать, что он вероятней всего такой же прямоугольный, как и другие углы (а не закругленный), и цвет этого угла такой же как и у других углов. Конечно, прогнозирование пространства происходит с погрешностями — вдруг тот угол стола обгрызенный, и на нем пятно краски. Но и прогнозирование временных процессов тоже всегда с погрешностями. Ускорение свободного падения на земле не всегда 9.81, а зависит от высоты над уровнем моря, и от рядом стоящих гор. И измерительные приборы вы никогда не сможете сделать абсолютно точными. Т.е. прогнозирование пространства и процессов во времени всегда происходит с погрешностями, и у различных прогнозируемых сущностей различные погрешности. Но суть одинакова — алгоритмы, находимые статистически.

Получается, что прогнозирование нашего байтового потока, это вроде прогнозирование пространства информации. В нем кодируются и пространство и время. Вот встречается там какая-то структура — пусть будет кусок программы. Этот кусок программы — это прогнозируемое пространство, такое же как и стол. Набор правил прогнозирования этой структуры образуют правила этой структуры — что-то вроде регулярных выражений. Для определения структуры этих структур вычисляется прогнозирование не одиночного значения, а множества допустимых значений. На момент описания алгоритма, про отдельность роли структур в нем я еще не осознавал, и потому туда это не попало. Но добавив это свойство, образуется полное понимание картинки, и со временем попробую переписать. Учтите, что под структурами подразумеваются условно расширяемые — если такое-то свойство имеет такое-то значение, значит добавляется еще пачка свойств.

В целом, все что возможно в нашем мире, описывается типами, структурами, конвертациями и процессами. И все эти свойства подчиняются правилам, которые находятся в результате прогнозирования. Мозг делает тоже самое, только не точными методами, т.к. он аналоговое устройство.

Процессы научных исследований, отличаются от прочих тем, что до этого найденного знания не было описано в литературе. И что найденному знанию даются идентификаторы названий и описания. Это нам, людям нужны эти идентификаторы и описания — для обмена между собой, а компьютер нашел себе новую закономерность, и моча использует эту запись в базе его знаний. Если конечно не нужно поделиться с другими компьютерами.

Будет ли он искать исследования целенаправленно без постановки такой задачи? Нет, потому что у него нету собственных желаний, а только поставленные задачи. То, что у нас отвечает за реализацию собственных желаний и интересов, это у нас называется личность. Можно и у компьютера запрограммировать личность. И будет ли она подобна человеческой, или какой-то компьютерный аналог — но это все равно останется всего лишь поставленной задачей.

А наша творческая деятельность в искусстве, это те же исследования, только ищутся сущности, затрагивающие наши эмоции, чувства и разум.

Окончательной инструкции по изготовлению такой программы пока нету. Вопросов остается много, и про сам алгоритм, и про использование (и про многовариантность текстов). Со временем буду дальше уточнять и детализировать описание.

Альтернативным направлением реализации прогнозирования является использование рекуррентных нейронных сетей (скажем сеть Элмана). В этом направлении не нужно задумываться о природе прогнозирования, но там множество своих трудностей и нюансов. Но если это направление реализовать, то остальное использование остается прежним.

Выводы по статье:
1. Прогнозирование является способом находить все возможные алгоритмы.
2. С помощью манипуляции входом прогнозирования можно эти алгоритмы от туда вытаскивать.
3. Это свойство можно использовать, что бы разговаривать с компьютером.
4. Это свойство можно использовать, что бы решать любые задачи.
5. ИИ будет тем, как вы его определите, и после определения его можно решить как задачу.

Некоторые скажут, что брутфорсом найти какую-либо закономерность будет чрезмерно долго. В противовес этому могу сказать, что ребенок учится говорить несколько лет. Сколько вариантов мы сможем просчитать за несколько лет? Найденные и готовые правила применяются быстро, и для компьютеров гораздо быстрей чем у человека. А вот поиск новых и там и там долго, но будет ли компьютер дольше человека, этого мы не узнаем, пока не сделаем такой алгоритм. Так же, замечу, что брутфорс великолепно распараллеливается, и найдутся миллионы энтузиастов, которые включат свои домашние ПК для этой цели. И получиться, что эти несколько лет, еще можно поделить на миллион. А найденные правила другими компьютерами будут изучаться моментально, в отличие от аналогичного процесса у человека.

Другие начнут утверждать, что в мозге биллионы клеток нацеленных на распараллеливание. Тогда вопрос, каким образом задействуются эти биллионы при попытке без учебника на примерах изучить иностранный язык? Человек будет долго сидеть над распечатками и выписывать коррелирующие слова. В то же время, один компьютер это будет пачками делать за доли секунды.

И анализ изображений — двинте десяток бильярдных шаров и посчитайте сколько будет столкновений. (закрывшись от звука). А два десятка или три… И причем здесь биллионы клеток?

В общем, быстродействие мозга и его многопараллельность — это очень спорный вопрос.

Когда вы думаете о создании думающего компьютера, вы копируете в него то, чему человек научился в течении жизни, и не пытаетесь понять, а каковы механизмы, позволяющие это накопить от стартовой программы — пожрать и поспать. И эти механизмы основываются отнюдь не на аксиомах формальной логики. Но на математике и статистике.

PS: проголосуйте в голосовалке. Задумайтесь, перечитайте и проголосуйте. Не будьте воздержавшимися. Если нужны более детальные ответы — обращайтесь.

PPS: мое мнение, что научного определения термина «Искусственный интеллект» не существует. Существует только научно-фантастическое. А если нужна реальность, то см. п.5 в выводах по статье.

PPPS: Я много разных интерпретаций понял гораздо позже уже после написания статьи. Скажем, что поиск зависимости вопрос-ответ является аппроксимацией. Или каковы более точные научные определения вытаскивания нужной функции из многообразия найденных в процессе поиска функций прогнозирования. На каждый маленький момент понимания нельзя написать отдельную статью, а на все в общем нельзя, потому что не объединить в один заголовок. И все эти понимания, дают ответ, как получать от компьютерных вычислительных мощностей ответы на задаваемые вопросы, ответы на которые не всегда можно прочитать в существующих описаниях, как скажем для проекта Watson. Как создать программу, которая по одному упоминанию, или движению пальца, пытается понять и сделать то, что от нее хотят.

Когда нибудь такая программа будет сделана. И назовут ее очередным гаджетом. А не ИИ.

****
Исходники по этой теме, а так же дальнейшее развитие представления можете найти на сайте http://www.create-ai.org

Как создать искусственный интеллект? История первая. Что такое интеллект? / Хабр

В серии статей мы расскажем о новых подходах в ИИ, моделировании личности и обработке BIG Data, которые недоступны для большинства специалистов по ИИ и общественности. Ценность этой информации в том, что она вся проверена на практике и большинство теоретических наработок реализованы в прикладных проектах.

Многие из вас слышали про современные технологии, которые ассоциируются сегодня с понятием искусственный интеллект, а именно: экспертные системы, нейронные сети, лингвистические алгоритмы, гибридные системы, когнитивные технологии, имитационные(чат-боты) и пр.

Да, многие компании с помощью приведенных выше технологий решают задачи своих клиентов по обработке информации. Некоторые из этих компаний пишут, что создают или создали решения в области искусственного интеллекта. Но интеллект ли это?

Первое, что мы с вами сделаем это определим, что такое интеллект.

• Обязательно ли встраивать в программу интеллекта компьютера особенности языка (описывать семантику, грамматику, морфологию) или он смог бы выучить языки самостоятельно через взаимодействие с человеком?
• Если бы вам поставили задачу научить компьютер языку, то что бы вы делали?
• Если бы в обучении принимали участие только вы, то на кого он был бы похож?

• Породистого попугая, теоретически способного к общению.
• Новорожденного ребенка.

• Во-первых, я попросил вас представить себе (вообразить), «что будет если…». Вы действовали в изменившихся условиях. Возможно вам не хватало информации и знаний, вам было трудно.
• Во-вторых, вы оказались способны к обучению, познанию, вы нашли знакомую вам аналогию сами или встретили ее в тексте, а возможно вы воспользовались интернетом или спросили совет друга.

В первую очередь интеллект – это способность обучаться и воображать.

Давайте вернемся к нашему примеру c ребенком для того, чтобы описать процесс обучения более подробно.
Какие принципы работают, когда ребенок учится понимать язык и говорить на нем?

1. Чем чаще он слышит слово в разных контекстах, тем быстрее он его запомнит. Слово, которое он произнесет первым скорее всего будет – «мама».
   «Мама тебя любит»
   «Мамочка тебе ручки помоет»
   «Мама тебя целует»
   «А где мама?»
   Обучение происходит за счет избыточности данных.
2. Чем больше каналов поступления информации задействовано, тем эффективнее обучение:
   ребенок слышит: «Мама тебя любит».
   ребенок видит улыбку мамы.
   ребенок чувствует тепло исходящее от мамы.
   ребенок чувствует вкус и запах маминого молока.
   ребенок говорит «Мама».
3. Ребенок не сможет воспроизвести слово сразу правильно. Он будет пытаться, пробывать. «М», «Ма», «Мам», «М» … «Мама». Обучение происходит в действии, каждая следующая попытка корректируется пока не получим результат. Метод проб и ошибок. Очень важно получение обратной связи из реальности.
4. Не воспитывайте своих детей, все равно они будут похожи на вас. Ребенок стремится быть похожим на окружающих его людей. Он подражает им и учится у них. Это один из механизмов моделирования личности, о котором мы поговорим более подробно в следующих статьях.

Какова же роль воображения?

И еще один интересный пример работы воображения из мира животных – это наблюдение за сороками. Сорока на глазах других сорок зарыла еду на пустыре. Все сороки улетели, но наша сорока вернулась на пустырь и перепрятала еду. Что произошло? Она представила себе(вообразила), «что будет если» прилетит другая сорока, которая видела куда она спрятала еду. Она смоделировала ситуацию и нашла решение как этого избежать.

Воображение – это моделирование ситуации на произвольных условиях.

Как вы уже убедились, интеллект – это не база знаний, это не набор запрограммированных реакций или следование заранее определенным правилам.

Интеллект – это способность к обучению, познанию и адаптации к изменяющимся условиям в процессе решения трудностей.

Вам не кажется, что определяя интеллект мы упустили из виду какие-то важные компоненты или забыли о чем-то рассказать?

Да, мы упустили из виду восприятие, и забыли рассказать про память.

Представьте себе, что вы смотрите в глазок и видите часть буквы:

Что это за буква?

Может быть «К»?

Конечно нет, это же японский иероглиф «вечность».

Перед вами только, что поставили задачу(проблему). Скорее всего вы нашли похожий образ буквы «К» у себя в голове и успокоились.

Ваш интеллект воспринимает все образами и ищет похожий образ в памяти, если его нет, то формируется привязка(якорь) к уже существующим образам и благодаря этому вы запоминаете новую информацию, получаете навыки или опыт.

Образ – субъективное видение реального мира, воспринимаемого при помощи органов чувств (каналов поступления информации).

Восприятие субъективно, потому что зависит от последовательности обучения, последовательности появления образов в жизни человека и их влияния.

Восприятие начинается с распознания образов светло/темно. Открываем глаза – светло, закрываем – темно. Далее человек учится распознавать все более сложные образы – «мама», «папа», мяч, стол, собака. Мы получаем опорные данные, а все последующие образы – это надстройка над предыдущими.

С этой точки зрения обучение – это процесс построения новых взаимосвязей между воспринимаемыми образами и образами, которые уже есть в памяти.

Память служит для хранения образов и их взаимосвязей.

А воображение – это способность достраивать незавершенный образ.

Для обобщения приведем еще один эксперимент из мира животных:

Шимпанзе посадили в клетку, а внутри клетки подвесили гроздь бананов довольно высоко от пола. Сначала шимпанзе прыгала, но быстро устала, и, казалось, потеряла интерес к бананам и уселась, едва обращая на них внимание. Но через некоторое время обезьяна взяла палку, оставленную в клетке, и раскачивала бананы до тех пор, пока они не упали. В другой раз, чтобы достать бананы, шимпанзе удалось соединить две палки, так как каждой палки по отдельности не хватало, чтобы до них дотянуться. Животное справилось и с более сложной задачей, неожиданно поставив под бананами коробку и используя ее как ступеньку.

Шимпанзе показали знакомый ей образ «гроздь бананов». Но образ для нее оказался незавершенным – их нельзя достать и съесть. Но так как это был единственный источник пищи из доступных, то незавершенный образ наращивал внутреннее напряжение и требовал завершения.

Средства для решения проблемы (завершения образа), всегда имелись в наличии, но возникновение решения требовало преобразования имеющихся образов (требовалось обучиться с помощью воображения). Шимпанзе необходимо было представить себе (умственно перечислить все возможные варианты): «что будет если я возьму палку», «а что будет если…» и наиболее вероятные предположения проверить на практике, попробовать и получить обратную связь, опять вообразить, попробовать, получить обратную связь и так далее до тех пор, пока мы не завершим образ(научимся).

Если бы распознание образа иероглифа «вечность» было бы для вас вопросом жизни и смерти, то вы обязательно нашли способ это сделать.

С более популярного языка перейдем к техническому и сформулируем основные понятия, которые мы будем использовать далее:

• Пересечение избыточной информации из разных информационных каналов создает образ.
• Обучение – это преобразование информационных потоков в информационное поле.
• Информационное поле(память) – хранение образов и их взаимосвязей.
• Воображение – …
  – «Уважаемый читатель, дострой образ воображения самостоятельно, используя избыточную информацию из своего жизненного опыта и этой статьи».
  
• Интеллект – это способность обучаться и воображать.

В начале статьи мы перечислили технологии, ассоциирующиеся сегодня с искусственным интеллектом, теперь вы самостоятельно сможете оценить насколько они соответствуют понятию интеллект.

В следующей статье мы рассмотрим такую задачу как интеллектуальный поиск информации в интернете. Определим критерии интеллектуальности, разработаем практические подходы и «пощупаем» реальное приложение, в котором реализованы принципы, описанные в этой статье.

Статья не претендует на истину, является частью наших разработок и исследований. Пишите комментарии, дополняйте материал своими примерами или размышлениями. Обучайтесь и воображайте…

Читайте следующую статью на хабре:
Как создать искусственный интеллект? История вторая. Алгоритмы интеллектуального поиска и хранения информации

Как создают искусственный интеллект: от кода до робота

• Рейтинги
• Обзоры
  • Смартфоны и планшеты
  • Компьютеры и ноутбуки
  • Комплектующие
  • Периферия
  • Фото и видео
  • Аксессуары
  • ТВ и аудио
  • Техника для дома
  • Программы и приложения
• Новости
• Советы
  • Покупка
  • Эксплуатация
  • Ремонт
• Подборки

Искусственный интеллект превратит нас в волшебников — Российская газета

Большая часть истории человечества - это история бедности и страданий. Мир стал меняться все быстрее с тех пор, как появилась экспериментальная физика и началась эпоха машин. Но к лучшему ли? Как физика и новые технологии изменят нашу жизнь в ближайшие десятилетия, "Коту" рассказал профессор Митио Каку, американский физик-теоретик, популяризатор науки и футурист, хедлайнер Всероссийского фестиваля NAUKA 0+.

Десятые годы XXI века можно назвать десятилетием смартфонов. А как люди назовут 2020-е?

Митио Каку: Десятилетием искусственного интеллекта! Умнее станут не только смартфоны - даже диваны превратятся в смарт-диваны. А смартфон будет устройством доступа буквально ко всему. Например, если вам понадобится медицинская помощь, вы обратитесь к специальной программе с ИИ, установленной на ваш телефон. Вы будете разговаривать с ботом, который имеет доступ к базам медицинских данных и способен поставить диагноз. Узнать о состоянии организма, проверить сердечный ритм или взять образец крови можно будет в виртуальной клинике внутри смартфона.

И конечно, это касается не только медицины, а всех сфер жизни. Юристы, например, тоже станут ботами. Вот попали вы, не дай бог, в автомобильную аварию в чужой стране - местным языком не владеете, законов не знаете, что делать, не представляете. На помощь придет бот-юрист, который говорит на любом языке мира и разбирается в законах каждого государства. Он вас проконсультирует, свяжет с полицией, возьмет на себя переговоры с ботами-юристами других участников ДТП.

И так во всем: если вам потребуются бот-инженер или бот-преподаватель, они всегда будут ждать вас в телефоне.

ИИ обо всем подумает за нас?

Митио Каку: Искусственный интеллект расширит наши способности, позволит стать экспертами во всем, что только есть в мире, даст нам возможность контролировать собственный организм и природу, превратит нас в волшебников. Мы станем телепатами - научимся общаться одной силой мысли. Овладеем телекинезом. Уже сегодня мы можем подключить мозг парализованного человека к инвалидному креслу, и он учится управлять им, мысленно отправляя сообщения.

Чип в голове

Устройством, обеспечивающим контакт с ИИ, по-прежнему будет смартфон?

Митио Каку: Сначала смартфон, потом люди смогут мысленно разговаривать между собой и с компьютерами через импланты. Это случится не завтра, но основы такой сети - Brainnet - закладываются уже сейчас. В этом новом пространстве мы будем передавать друг другу воспоминания, чувства, мысли.

Возьмем, например, искусство - оно станет совсем не таким, как сегодня. Ведь все, что вы в принципе способны мысленно визуализировать, можно будет сразу распечатать на 3D-принтере. Мы будем создавать произведения искусства в своем сознании. Художникам это точно понравится!

Или представим, как будут праздновать Рождество. Каждый сможет загрузить дизайн любой игрушки, любого объекта из Сети или из головы, отправить его силой мысли на 3D-принтер и распечатать подарок прямо под елку. Кстати, уже сейчас 3D-принтеры печатают изделия из металла, а значит, любой может создать обручальное кольцо собственного дизайна.

В ближайшем будущем люди начнут печатать себе одежду и обувь. Потребуется всего лишь отсканировать ноги, и принтер сделает ботинки, которые будут вам идеально впору.

Иными словами, символ нашего будущего - это маленький имплант внутри головы?

Митио Каку: Да! Этот имплант очень облегчит нам жизнь: мы станем мысленно выходить в интернет, а ноутбуки уйдут в прошлое. Основные компоненты этой технологии уже разработаны. Сегодня мы можем фиксировать импульсы нейронов, соответствующие простым воспоминаниям мышей, а скоро научимся "фотографировать" и записывать воспоминания обезьян и людей. Это поможет, например, пациентам с болезнью Альцгеймера, которые забывают, кто они такие. Технологии позволят записать воспоминания и ввести их в гиппокамп больных, чтобы они вспомнили свое прошлое. Как в фильме "Матрица" - там в гиппокамп загружалась целая виртуальная вселенная. Уже сейчас мы наблюдаем прообраз такой искусственной памяти, ведь наши воспоминания сохраняются в интернете.

Митио Каку. Фото: Владимир Смирнов/ТАСС

Идеальный капитализм

Многие опасаются, что ИИ лишит нас работы.

Митио Каку: Скорее, он изменит наше представление о профессиях. Я преподаватель и читаю лекции в университете, но сейчас студенты спокойно могут прослушать курс в Сети. Очень скоро преподаватели станут больше похожи на наставников, которые консультируют своих учеников. Роботы не могут быть наставниками, они вообще очень плохи в межличностных отношениях.

Мир становится лучше и развивается, а значит, мы сами тоже должны становиться лучше и развиваться. Поэтому ключевой ценностью будущего станет образование.

Как пандемия и другие события последнего года изменили ваши представления о будущем?

Митио Каку: Пандемия заставляет нас двигаться к будущему быстрее. Коронавирус ускорил развитие цифровизации, особенно сетевых и VR-технологий, потому что теперь мы боимся лишний раз выйти на улицу.

И конечно, мы победим ковид с помощью все того же искусственного интеллекта. Сейчас, когда пандемия на пике и тысячи людей умирают каждый день, мы не понимаем, что произошло и как с этим бороться. Тем не менее и сегодня мы можем многое: например, новые термометры способны отправлять данные каждого измерения температуры в Сеть и мгновенно регистрировать вспышки эпидемии. Технологии телемедицины, которые бы мониторили здоровье людей в реальном времени и отправляли данные в Сеть, позволили бы избежать многих ошибок. Например, в Соединенных Штатах есть такой праздник - Марди Гра. В этом году в начале марта почти миллион человек приехали в Новый Орлеан, чтобы отметить его. Никто, конечно, не подозревал, что через две недели все больницы будут заполнены умирающими пациентами.

Мы можем отслеживать передвижения тысяч людей, используя искусственный интеллект и данные с сотовых телефонов. А значит, мы можем отслеживать и распространение вируса.

Интересный факт: в аэропорту Хельсинки собак обучили обнаруживать коронавирус за 10 секунд... 10 секунд! Они распознают коронавирус с 95-процентной точностью. А в будущем высокотехнологичные датчики смогут идентифицировать подобные вирусы в считаные секунды.

Есть ли у вас модель идеального будущего для нашего мира?

Митио Каку: Да, есть. В настоящий момент мы совершаем переход от товарного капитала к интеллектуальному. Тони Блэр любил говорить, что Англия получает больше доходов от рок-н-ролла, чем от угледобывающей промышленности. Добыча угля больше не завязана на человеке, британского рабочего заменили машины. Цены на сырье в среднем падают уже 150 лет из-за развития технологий, но интеллектуальный капитал зависит не только от этого. Интеллектуальный капитал, как и рок-н-ролл, требует творческого подхода, воображения, понимания вкусов людей. А роботы ничего в этом не смыслят. Вот почему рок-н-ролл приносит огромный доход, в то время как добыча угля - это технология из прошлого. Мы наблюдаем изменение природы капитализма.

Ведь что такое капитализм? Это частная собственность плюс спрос и предложение. Капитализм несовершенен: вы не знаете, кто вас обманывает, вы не знаете, сколько на самом деле стоит та или иная вещь. Но мы движемся к "идеальному капитализму": если доступ в интернет будет в вашей контактной линзе, то, когда вы придете в супермаркет, она отсканирует все товары и подскажет, что стоит покупать, а где цена завышена.

Почему Джефф Безос, создатель Amazon, - самый богатый человек в мире? Он оцифровал посредника, вот и все. Посредники - неэффективная часть капитала. Такие препятствия можно устранить с помощью искусственного интеллекта и компьютеров, что и сделал Безос - создал электронного посредника.

Технологии ведут нас к светлому будущему или все будет зависеть от решений политиков?

Митио Каку: Большинство футуристов сказали бы, что технологический прогресс не имеет направления, он вне морали - хорош и плох одновременно, как меч, который может быть использован и в добрых целях, и в злых. Я же не согласен с большинством и думаю, что технологический прогресс имеет этическую направленность, постепенно меняя мир к лучшему. Простые люди получают доступ к знаниям в интернете и начинают лучше понимать, как устроен мир, это дает им возможность участвовать в создании будущего. Интернет способствует демократии: люди ведут дискуссии и обнаруживают, что не обязаны жить при диктатуре или верить всему, что говорит правительство. Наконец, интернет помогает им организоваться и реализовать свои политические идеи.

Конечно, технологии имеют и оборотную сторону. Меня волнует нарушение конфиденциальности: наши банковские операции, история звонков и перемещений известны и находятся практически у всех на виду. Но я думаю, это та цена, которую стоит заплатить за удобство.

В аэропорту, например, вы проходите обязательную проверку багажа. Это унылый процесс, который добавляет еще 15-30 минут к регистрации, но мы идем на это, потому что не хотим, чтобы террористы взорвали самолет. Точно так же мы должны принять определенные ограничения на неприкосновенность частной жизни, чтобы победить пандемию. Мы должны пойти на какие-то компромиссы, но получить главное преимущество развития технологий - знание. Знание, распространяясь повсеместно, расширяет возможности людей, что, в свою очередь, усиливает демократию.

Роботизироваться будешь?

Предопределено ли будущее, которое вы описываете, и до какой степени?

Митио Каку: Полагаю, оно неизбежно. Хотя многие боятся такого сценария, особенно того, что роботы станут умнее нас. Эта гипотеза основана на законе Мура, который гласит, что мощность компьютеров удваивается каждые 18 месяцев. Но это не может длиться бесконечно. В конечном счете закон Мура перестанет действовать, а Кремниевая долина придет в упадок. Почему? В силу квантовой теории, которой я профессионально занимаюсь. В современных процессорах установлены транзисторы размером от 20 до 50 атомов, на сегодня это самая передовая технология. В будущем появится пятиатомный транзистор, но дальше двигаться некуда. При уменьшении размеров транзистора неизбежно происходит перегрев и утечка электронов: теплота выделяется в таких количествах, что чип постепенно начинает плавиться.

Так что современный компьютер скоро устареет. Сейчас появляются первые квантовые компьютеры, но их очень трудно сделать. Они вроде как существуют, но очень примитивны. Я не думаю, что в ближайшее десятилетие квантовый процессор может быть установлен на ноутбуке или сотовом телефоне. Поэтому тот факт, что закон Мура скоро перестанет действовать, представляет для человечества реальную проблему.

Но роботы все-таки станут умнее нас?

Митио Каку: Насколько умны роботы сегодня? Самые передовые роботы - военные. Они обладают интеллектом, который уступает даже примитивному интеллекту таракана. Если выпустить в лес таракана, он сможет найти себе пару, пищу, укрытие. Но если поместить в лес военного робота, что он будет там делать? Он будет беспрерывно падать, не сможет даже ходить по лесу. Такой робот абсолютно бесполезен - как черепаха, которая опрокинулась на спину и не может подняться.

Я реалист и понимаю, что в будущем роботы станут умными, - сначала как насекомые, затем как мыши, затем как крысы, затем как собаки. Думаю, где-то к концу столетия они станут умными, как обезьяны. Наверное, тогда нам все-таки придется установить чип, отключающий их, если они вдруг задумают нас убить. Но еще через сто лет они станут настолько умны, что смогут отключить этот чип. И что тогда делать? Я думаю, в итоге мы должны будем слиться - вместо того чтобы бороться с ними, мы должны стать ими. Это будет симбиоз органической и кибернетической технологий: мы превратимся в сверхлюдей, способных жить на Венере или Марсе, парить в открытом космосе без кислорода. Это слияние произойдет с нашего согласия, ведь лишь тогда мы сможем исследовать и покорять Вселенную.

Однажды мы встретим инопланетян на летающей тарелке и будем очень удивлены. Они тоже окажутся частично роботизированными и частично органическими, потому что это самый эффективный способ существования.

Получается, наше слияние с роботами неизбежно?

Митио Каку: Оно необходимо, потому что иначе рано или поздно машины станут умнее нас, это лишь вопрос времени. Я думаю, это произойдет через несколько столетий, хотя некоторые оптимисты считают, что речь идет о десятилетиях. Как физик я строю свои прогнозы, исходя из возможностей кремниевых технологий.

Не стоит бояться слияния с технологиями, этот процесс уже давно запущен. Люди тысячелетиями совершенствуют себя технологическим путем: боевая раскраска или оружие издавна помогали там, где не справлялось слабое тело. А в будущем технологии перейдут внутрь. Думаю, потомки сами выберут такой путь развития - захотят стать сверхлюдьми и исследовать Вселенную.

Поговорим со Сталиным?

Все люди разные - найдутся и те, кто не захочет становиться сверхчеловеком… Какое будущее ждет тех, кто откажется меняться?

Митио Каку: Конечно, у людей должен быть выбор. И надеюсь, альтернатив будет не две, а больше. Многим наверняка придется по душе возможность оцифровать свое сознание - цифровое бессмертие. Уже сейчас предпринимаются попытки создать виртуального двойника на основе оцифровки всех данных о человеке. А в будущем, вм

Искусственный интеллект 101: С чего начать

Что такое искусственный интеллект (ИИ)?

Вы думаете о Чаппи, Терминаторе и Люси? Разумные, осознающие себя роботы ближе к реальности, чем вы думаете. Суть искусственного интеллекта - это разработка компьютерных систем, которые равны или превосходят человеческий интеллект. Искусственный интеллект (ИИ) - это исследование информатики, направленное на разработку программного обеспечения или машин, демонстрирующих человеческий интеллект.Достаточно простое определение, правда?

Очевидно, это еще не все. ИИ - это обширная тема, начиная от простых калькуляторов и заканчивая технологиями самоуправления и тем, что может радикально изменить будущее.

Цели и применение AI

Основные цели ИИ включают дедукцию и рассуждение, представление знаний, планирование, обработку естественного языка (НЛП), обучение, восприятие и способность манипулировать и перемещать объекты.Долгосрочные цели исследований в области искусственного интеллекта включают достижение креативности, социального интеллекта и общего (человеческого уровня) интеллекта.

AI сильно повлиял на различные сектора, которые мы, возможно, не узнаем. Рэй Курцвейл говорит: «Многие тысячи приложений ИИ глубоко встроены в инфраструктуру каждой отрасли». Джон Маккарти, один из основателей ИИ, однажды сказал, что «как только он работает, никто больше не называет это ИИ».

В общих чертах ИИ подразделяется на следующие:

Источник: Bluenotes

Типы AI

Хотя существуют различные формы ИИ, поскольку это широкое понятие, мы можем разделить его на следующие три категории в зависимости от возможностей ИИ:

Слабый ИИ, , также называемый узким ИИ, фокусируется на одной задаче.В случае слабого ИИ нет самосознания или подлинного интеллекта.

iOS Siri - хороший пример слабого ИИ, сочетающего в себе несколько слабых методов ИИ. Он может многое сделать для пользователя, и вы увидите, насколько он «узкий», когда попытаетесь поговорить с виртуальным помощником.

Strong AI, , который также называют Истинным AI, - это компьютер, умен, как человеческий мозг. Такой ИИ сможет выполнять все задачи, которые может выполнять человек.В этой области ведется много исследований, но нам еще многое предстоит сделать. Вы должны представить себе Матрицу или меня, робота.

Искусственный суперинтеллект поразит вас, если вас впечатлит Сильный ИИ. Ник Бостром, ведущий мыслитель ИИ, определяет его как «интеллект, который намного умнее лучших человеческих мозгов практически во всех областях, включая научное творчество, общую мудрость и социальные навыки».

Искусственный суперинтеллект - причина, по которой многие выдающиеся ученые и технологи, в том числе Стивен Хокинг и Илон Маск, выразили озабоченность по поводу возможности вымирания человечества.

С чего начать?

Первое, что вам нужно сделать, это выучить язык программирования. Хотя есть много языков, с которых вы можете начать, многие предпочитают начинать с Python, потому что его библиотеки лучше подходят для машинного обучения.

Вот несколько хороших ресурсов по Python:

Знакомство с ботами

BOT - это самый простой пример слабого ИИ, который может выполнять автоматические задачи от вашего имени.Чат-боты были одной из первых автоматизированных программ, получивших название «боты». Вам нужны AI и ML для ваших чат-ботов. Веб-сканеры, используемые поисковыми системами, такими как Google, являются прекрасным примером сложного и продвинутого BOT.

Вы должны изучить следующее, прежде чем начинать программировать ботов, чтобы облегчить себе жизнь.

• • xpath - это поможет вам проверить и настроить таргетинг на HTML и построить своего бота на основе того, что вы там видите.

• • regex - это поможет вам обрабатывать данные, которые вы скармливаете своему боту, очищая или нацеливая (или и то и другое) на те части, которые имеют значение для вашей логики.

• REST - это действительно важно, поскольку в конечном итоге вы будете работать с API. Для этого вы можете использовать запросы.

Как создать своего первого бота?

Вы можете начать изучение того, как создавать ботов на Python, самым простым способом из следующего руководства.

Вы также можете начать с использования API-интерфейсов и инструментов, которые позволяют создавать приложения для конечных пользователей. Это поможет вам создать что-то, не беспокоясь сначала о теории.Вот некоторые из API, которые вы можете использовать для этого:

Вот список нескольких задач BOT, которые вы можете попрактиковать и опробовать перед тем, как приступить к решающей задаче.

Что теперь?

После того, как вы получите полное представление о предпочитаемом вами языке программирования и достаточно попрактикуетесь с основами, вы должны начать больше узнавать о машинном обучении. В Python начните изучать библиотеки Scikit-learn, NLTK, SciPy, PyBrain и Numpy, которые будут полезны при написании алгоритмов машинного обучения.Вам нужно знать и продвинутую математику.

Вот список ресурсов, которые вы можете изучить и попрактиковаться:

Вот еще несколько ценных ссылок:

Вам также следует принять участие в различных соревнованиях по программированию AI и BOT в разных местах в Интернете:

Прежде чем вы начнете учиться и вносить свой вклад в область ИИ, прочтите, как ИИ быстро меняет мир.

Популярные подобные сообщения:

1. Как нанять специалиста по данным
2. 5 обязательных советов по контролю для платформы оценки разработчиков
3. Как убедиться в том, что ваш технический кадровый резерв защищен от переманивания

«Я хочу изучать искусственный интеллект и машинное обучение. С чего начать? »| Даниэль Бурк

Я работал в Apple Store и хотел перемен. Чтобы начать создавать технологию, которую я обслуживал.

Я начал изучать машинное обучение (ML) и искусственный интеллект (AI).

Так много всего происходит. Слишком.

Каждую неделю кажется, что Google или Facebook выпускают новый вид ИИ, чтобы ускорить работу или улучшить наш опыт.

И не обращайте внимания на количество компаний, занимающихся беспилотными автомобилями.Хотя это и хорошо. Я не любитель водить машину, а дороги опасны.

Даже несмотря на то, что все это происходит, до сих пор не существует согласованного определения того, что такое искусственный интеллект.

Некоторые утверждают, что глубокое обучение можно считать ИИ, другие скажут, что это не ИИ, если оно не пройдет тест Тьюринга.

Эта нечеткость вначале сильно замедлила мой прогресс. Трудно было выучить что-то, что имеет так много разных определений.

Довольно определений.

Мы с друзьями создавали веб-стартап. Это не удалось. Мы сдались из-за отсутствия смысла. Но по ходу дела я все больше и больше слышал о машинном обучении и искусственном интеллекте.

«Компьютер учится за вас?» Я не мог в это поверить.

Я наткнулся на программу Deep Learning Nanodegree от Udacity. Веселый персонаж по имени Сирадж Раваль был в одном из промо-роликов. Его энергия была заразительной. Несмотря на то, что я не отвечал основным требованиям (я никогда раньше не писал ни строчки на Python), я подписался.

За 3 недели до даты начала курса я написал в службу поддержки Udacity по электронной почте, спрашивая, какова политика возврата. Я боялся, что не смогу пройти курс.

Мне не вернули деньги. Я прошел курс в установленные сроки. Это было сложно. Иногда действительно сложно. Мои первые два проекта были сданы с опозданием на четыре дня. Но волнение от участия в одной из самых важных технологий в мире двигало меня вперед.

Завершив курс Deep Learning Nanodegree, я гарантированно принял участие в программе Udacity AI Nanodegree, Self-Driving Car Nanodegree или Robotics Nanodegree.Все отличные варианты.

Я снова потерялся.

Классика. «Куда мне идти дальше?»

Мне нужна была учебная программа. Я заложил фундамент с помощью Deep Learning Nanodegree, теперь пришло время выяснить, что будет дальше.

Я не планировал в ближайшее время возвращаться в университет. В любом случае у меня не было 100000 долларов на получение степени магистра.

Итак, я сделал то, что делал вначале. Обратился за помощью к моему наставнику, Google.

Я начал заниматься глубоким обучением без каких-либо предварительных знаний в этой области.Вместо того, чтобы подняться на вершину айсберга искусственного интеллекта, вертолет высадил меня на вершине.

Изучив несколько курсов, я составил список из них, которые больше всего интересовали меня в Trello.

Я знал, что онлайн-курсы часто бросают. Я не собирался позволять себе быть частью этого числа. У меня была миссия.

Чтобы взять на себя ответственность, я начал делиться своим опытом обучения онлайн. Я решил, что могу попрактиковаться в передаче того, что узнал, а также найти других людей, которым интересны те же вещи, что и я.Мои друзья все еще думают, что я инопланетянин, когда я начинаю одну из своих авантюр с искусственным интеллектом.

Я сделал доску Trello общедоступной и написал в блоге сообщение о своих усилиях.

Учебная программа немного изменилась с тех пор, как я ее впервые написал, но она по-прежнему актуальна. Я посещал доску Trello несколько раз в неделю, чтобы отслеживать свои успехи.

Я австралиец. И все волнения, казалось, происходили в США.

Итак, я поступил наиболее логично и купил билет в один конец. Я проучился год и решил, что пора начать применять свои навыки на практике.

Мой план состоял в том, чтобы попасть в США и получить работу.

Затем Эшли написала мне в LinkedIn: «Привет, я видела твои публикации, и они действительно классные, я думаю, тебе стоит познакомиться с Майком».

Я встретил Майка.

Я рассказал ему свою историю онлайн-обучения, как мне нравятся медицинские технологии и мои планы поехать в США.

«Возможно, тебе лучше остаться здесь на год или около того и посмотреть, что ты найдешь, я думаю, тебе бы хотелось познакомиться с Кэмерон».

Я встретил Кэмерон.

У нас была похожая беседа, о которой мы говорили с Майком.Здоровье, технологии, онлайн-обучение, США.

«Мы работаем над некоторыми проблемами со здоровьем, почему бы вам не прийти в четверг?»

Пришел четверг. Я нервничал. Но однажды кто-то сказал мне, что нервничать - это то же самое, что быть возбужденным. Я был взволнован.

Я провел день, встречаясь с командой Макса Кельзена и проблемами, над которыми они работали.

Два четверга спустя Ник, генеральный директор Athon, ведущий инженер по машинному обучению, и я пошли выпить кофе.

«Хотели бы вы присоединиться к команде?» - спросил Ник.

«Конечно», - сказал я.

Мой рейс в США был перенесен на пару месяцев, и я купил обратный билет.

Изучая онлайн, я знал, что это необычно. Все должности, на которые я претендовал, имели степень магистра или, по крайней мере, какую-то техническую степень.

У меня не было ни того, ни другого. Но у меня были навыки, которые я получил на множестве онлайн-курсов.

По пути я делилась своей работой в Интернете. Мой GitHub содержал все проекты, над которыми я работал, мой LinkedIn был разложен, и я практиковался в передаче того, что я узнал, через YouTube и статьи на Medium.

Я никогда не сдавал резюме Максу Кельсену. «Мы видели ваш профиль в LinkedIn».

Моей основной работой было резюме.

Независимо от того, учитесь ли вы в Интернете или получаете степень магистра, портфолио того, над чем вы работали, - отличный способ создать скин в игре.

Навыки машинного обучения и искусственного интеллекта пользуются спросом, но это не значит, что вам не нужно их демонстрировать. Даже самый лучший продукт не будет продаваться без места на полке.

Будь то GitHub, Kaggle, LinkedIn или блог, всегда есть место, где люди смогут вас найти.Кроме того, иметь собственный уголок в Интернете - это очень весело.

Куда вы идете, чтобы научиться этим навыкам? Какие курсы самые лучшие?

Нет лучшего ответа. У каждого будет свой путь. Некоторые люди лучше учатся с помощью книг, другие - с помощью видео.

Что важнее, чем то, как вы начали, так это то, почему вы начинаете.

Начнем с того, почему.

Почему вы хотите получить эти навыки?

Хотите зарабатывать деньги?

Хотите строить вещи?

Хотите изменить мир к лучшему?

Нет правильной причины.Все действительны по-своему.

Начните с того, почему, потому что знать почему важнее, чем как. Иметь «почему» означает, что когда становится трудно, а становится трудно, у вас есть к чему обратиться. Что-то, чтобы напомнить вам, почему вы начали.