Tehnoloģijas, kas atdarina dabu, maina mūsu dzīvi, sākot no mākslīgā intelekta līdz pašatjaunojošam betonam. Kā šīs inovācijas veidos mūsu nākotni?
Nav pārspīlēts teikt, ka cilvēku civilizācijas ērtības visā pasaulē ir iespējamas, pateicoties inženierzinātņu attīstībai, taču daži no šiem inženiertehniskajiem sasniegumiem bija iespējami, atdarinot dabu. Tas, kā lidmašīnas izmanto pacēlāju, lai lidotu, atdarina putnu lidojuma veidu, un veids, kā zemūdenes izmanto skaņas viļņus, lai izpētītu okeāna dibenu, ir līdzīgs tam, kā sikspārņi izmanto ultraskaņu, lai izvairītos no šķēršļiem. Šīs dabiskās mīmikas piemērus var atrast mums visapkārt. Piemēram, tīrīšanas roboti atdarina skudru kolektīvo uzvedību, lai efektīvi attīrītu telpas, un tika izstrādāts pašdziedinošs betons, lai atdarinātu cilvēka ādas dziedināšanas procesu. Faktiski metodes, ko organismi ir izvēlējušies izdzīvošanai, ir tās, kas simtiem miljonu gadu evolūcijas laikā ir saplūdušas līdz visoptimālākajam veidam, kā to izdarīt, tāpēc tas ir ļoti efektīvs veids, kā inženierzinātnes no tiem aizņemties idejas. Datoru jomā ir joma, kas atdarina dažas no tām pašām dzīves īpašībām: mākslīgais intelekts, kas atdarina cilvēka intelektu.
Faktiski mākslīgā intelekta izpēte tradicionālajā izpratnē aizsākās datora rašanās laikā. Pēc Aniak dzimšanas 1947. gadā skaitļošanas tehnoloģiju straujā attīstība lika datorzinātniekiem iztēloties rožainu mākslīgā intelekta nākotni, paredzot, ka 10 līdz 20 gadu laikā domāšanas mašīnas spēs palīdzēt cilvēkiem. Tomēr pretēji viņu cerībām, kad zinātnieki mēģināja atrisināt tādas problēmas kā dabiskās valodas apstrāde (valodas, kuras cilvēki izmanto saziņai, piemēram, korejiešu un angļu) un objektu atpazīšana, izmantojot datorus, viņi saprata, ka ir gandrīz neiespējami dot datoriem pamata zināšanas. bērna patstāvīgas domāšanas prasmes. Saskaroties ar šiem ierobežojumiem, mākslīgā intelekta joma palika nemainīga bez lieliem sasniegumiem līdz 90. gadiem, kad tā atkal sāka attīstīties un nesen ir uzrādījusi vairākus sasniegumus. IPhone Siri un Google valodu tulkošanas sistēma, ko mēs bieži izmantojam, bija iespējama, pateicoties nesenajiem AI notikumiem.
Tātad, kāds ir iemesls AI atdzimšanai pēc stagnācijas perioda? Lai to saprastu, ir svarīgi apzināties atšķirību starp tradicionālo datortehnoloģiju un neseno pieeju AI problēmām. Dators ir abstraktas mašīnas, ko sauc par Tjūringa mašīnu, fiziska realizācija, ko 1936. gadā izgudroja matemātiķis Alans Tjūrings. Tjūringa mašīna tika piedāvāta kā mašīna, kas, ja ir ievadīta vērtība, darbojas saskaņā ar matemātisko algoritmu, ko definējis cilvēks, kurš definē noteikumus un procesus pa vienam, un izvada atbilstošo rezultātu. Tāpēc no datora, kas ir Tjūringa mašīnas fiziska realizācija, skatījumā mākslīgais intelekts ir vienkārši algoritmu apstrāde: kad tiek dota risināma problēma, dators neiziet cauri procesam, lai saprastu, kas ir problēma, bet vienkārši mēģina to atrisināt, burtiski izpildot algoritmu, izmantojot saglabātos algoritmus. Šo pieeju sauc par uz noteikumiem balstītu sistēmu, un viss agrīnais mākslīgais intelekts to izmantoja.
Tomēr uz noteikumiem balstītās sistēmas cieš no divām būtiskām problēmām. Pirmais ir tas, ka datoram nav iespēju apstrādāt jauna veida problēmas, kuras nav algoritmā, tāpēc katru reizi, kad tiek parādīta jauna veida problēma, algoritms ir jāpaplašina, lai tas varētu labi darboties jaunajā. problēmas veids. Šī problēma tomēr nav liktenīga, jo AI sistēmas izstrādes mērķis ir palīdzēt atrisināt noteiktas iepriekš noteiktas problēmas (valodas tulkošana, objektu atpazīšana utt.), nevis spēt visas problēmas atrisināt kā cilvēks. Drīzāk otrā problēma ir uz noteikumiem balstītu sistēmu galvenais trūkums. Otra problēma ir tāda, ka pat tad, ja problēma cilvēkam ir ļoti vienkārši atrisināma, lai to pārvērstu par algoritmu uz noteikumiem balstītas sistēmas veidā, jums ir jāuzskaita visi problēmas noteikumi. Piemēram, pieņemsim, ka mēs vēlamies uzrakstīt algoritmu, lai dators aplūkotu objektu un noteiktu, vai tas ir ābols vai nē. Pirmkārt, mēs meklētu daudzās iezīmes, kas definē ābolu (tas ir sarkans, tas ir apaļš, tam ir augšdaļa, tam ir īpaša garša), un pēc tam algoritms pārbaudītu katru no šīm pazīmēm, salīdzinot ar objektu, ko novēro dators. tas būtu ļoti neefektīvs laiks un ne vienmēr precīzs.
No otras puses, pašreizējo AI sistēmu pieeja ir jauns veids, kā atrisināt uz noteikumiem balstītu sistēmu problēmas: tā atdarina veidu, kā cilvēki domā un spriež ar savām smadzenēm. Cilvēki ikdienas situācijās neizdara spriedumus, visam piemērojot noteikumus, izņemot īpašās situācijās, kurās nepieciešama loģiska plūsma, piemēram, matemātika. Lai saprastu, kā cilvēki domā, ņemsim piemēru no Džefa Hokinsa grāmatas On Intelligence (The Thinking Brain, the Thinking Machine). Apsveriet procesu, kurā mēs redzam kucēnu un atpazīstam to kā suni: pirmkārt, kad mēs redzam kucēnu, mūsu redzes nerva šķiedras atpazīst noteiktu modeli, kas mūsu smadzenēs iedarbina noteiktas smadzeņu šūnas, kas glabā abstraktu kucēna jēdzienu, un mums rodas doma par suni. Smadzeņu šūnas, kas glabā šo suņa jēdzienu, arī iedarbināsies, kad dzirdam suņa rej vai pieskaramies sunim. Tas ir tāpēc, ka modeļi, kurus mēs uztveram caur dzirdi, ožu, redzi utt., ir saistīti ar šiem neironiem. Citiem vārdiem sakot, mūsu domāšanas process ir balstīts uz faktu, ka mēs kopš bērnības esam bijuši pakļauti daudziem modeļiem un esam apguvuši ar tiem saistītos jēdzienus, un, saskaroties ar jaunu modeli, mēs meklējam modeli, kas ir vislīdzīgākais jau apgūtajam modelim, un atpazīstam ar to saistīto jēdzienu. Šis mācību process ir saistīts ne tikai ar vizuāliem modeļiem, bet arī par emocionālām reakcijām, sociālo situāciju uztveri un daudz ko citu. Piemēram, process, kurā bērns apgūst emocijas, vērojot savu vecāku sejas izteiksmes, ietver modeļu atpazīšanu. Šādā veidā ieviestās mākslīgā intelekta sistēmas var atrisināt problēmas daudz īsākā laikā nekā sistēmas, kuru pamatā ir noteikumi, un tām ir tāda priekšrocība, ka nav jāizstrādā algoritms, bet tikai jāsagatavo dati, lai apmācītu datoru. Arī algoritmu veiktspēja ir daudz labāka nekā uz noteikumiem balstītām sistēmām.
Ap šo laiku pagājušajā gadā IBM izveidotā sistēma ar nosaukumu “Watson” nokļuva ziņu virsrakstos, kad tā populārajā amerikāņu viktorīnas šovā pārspēja Dženingsu un Riteru, divus Jeopardy visu laiku uzvarētājus. “Watson” ir liela uz noteikumiem balstīta sistēma, kuru IBM komanda pavadīja gadiem ilgi, veidojot un kas faktiski nesaprot nevienu jēdzienu. Lai gan “Watson” izmantoja tekstā minēto neefektīvo uz noteikumiem balstīto sistēmu, tā spēja pārspēt cilvēkus, pateicoties datora ierocim: ātrajam apstrādes ātrumam. Mākslīgais intelekts, kas atdarina cilvēka smadzenes, vēl ir sākumstadijā, taču kāda būs nākotne, kad to attīstīs tālāk un apvienos ar datoru ātro apstrādes ātrumu. Piemēram, mākslīgais intelekts varēs uzraudzīt cilvēka veselību reāllaikā, lai novērstu slimības un ieteiktu personalizētas ārstēšanas metodes. AI var arī mainīt izglītību. Tas spēs analizēt studentu mācīšanās modeļus un nodrošināt viņiem personalizētus mācību plānus, lai maksimāli palielinātu mācīšanos. Iespējams, mēs dzīvosim laikmetā, kurā mēs cieši sadarbojamies ar datoriem, lai atrisinātu radošākas un sarežģītākas problēmas.
