Философские проблемы развития искусственного интеллекта

Что же нам делать? Остался ли одним из возможных путей для нашего развития путь совершенствования собственных возможностей, использования собственных ресурсов? Ведь, хотя обученная машина и переигрывает шахматиста или игрока в покер, обучение машин происходит принципиально иначе, чем обучение людей. Элисон Гопник – профессор психологии и философии в Калифорнийском университете сравнивает обучение детей и обучение искусственного интеллекта [4]. Она выделяет два способа обучения: «восходящий» и «нисходящий» по аналогии эмпирического и рационального методов в истории философии. В первом случае обучение машины начинается похоже на чувственное восприятия мира человеком: «фотоны и колебания воздуха, которые воспринимаем все мы» [4, с. 61]. Информация попадает в компьютер в виде точек цифрового изображения или аудиозаписи звука. Затем из этих данных компьютер выделяет ряд элементов, которые можно обобщить и идентифицировать как единый объект окружающего мира. Этот восходящий подход связан с идеями английского эмпиризма и И.П. Павлова. Ученые придумали способ, позволяющий компьютерам находить закономерности в таких данных по принципу работы нейронов. Идея нейронной сети переживает изменения в настоящее время и успешно «работает» на коммерческие цели. По этому методу устроены Google и Facebook.

Элисон Гопник считает, что с увеличением объема перерабатываемой информации, с лучшими вычислительными возможностями «нейросетевые системы могут обучаться гораздо более эффективно, чем мы могли когда-то предполагать» [4, с. 61]. То есть, восходящий метод развивается.

Другой, «нисходящий», метод знаком нам через рационалистический метод познания Рене Декарта. И даже еще ранее у Платона мы видим эту модель познания как «припоминания» Платона. В диалоге «Менон» ученик Сократа уже знает решение математической задачи, и философ побуждает его вспомнить. В рационалистической системе Декарта знание также присуще человеку с рождения. Этот метод также не стоит на месте в своем развитии. «В 2000 году этот принцип пережил второе рождение в виде вероятностного или байесовского моделирования» [4, с. 62]. В случае обучения машины по этому методу разработчики формируют и закладывают в нее абстрактные гипотезы о мире, и машина использует то, что в нее заложено, чтобы построить прогнозы, как будут выглядеть данные, если верны эти выдвинутые гипотезы. Системы пересматриваются в зависимости от наблюдаемого результата.

Гопник считает оба метода несовершенными. «Восходящий подход» в машинном обучении позволяет выявлять значимые признаки для решения поставленных задач определенного типа. Для этого нейронная сеть должна пройти процесс самообучения. Она изучает миллионы сообщений из огромных баз данных. И тут машины сталкиваются с трудностями, с которыми не сталкиваются при обучении люди. Так в «восходящем методе» компьютеру для различения усатых и мохнатых лиц требуется миллионы упорядоченных объектов. То есть для формирования «поля сравнения» в компьютер должны быть заложены миллионы изображений усатых людей и миллионы изображений мохнатых животных, чтобы компьютер начал систематически различать их. «После интенсивного обучения компьютер наконец может узнать кошку в изображении, которое он никогда не видел. Однако то, как он это делает, совершенно не похоже на процесс обобщения у человека» [4, с. 62]. Некоторые изображения не будут отмечены компьютером как кошки, а некоторые пятна, наоборот, будут таковыми считаться. Если мы сравним на этом этапе обучения способность и быстроту схватывания информации компьютером с возможностями ребенка, то оказывается, что малышу достаточно всего нескольких примеров, чтобы различить «усатого дядю» и животное.

В «нисходящем» подходе вместо тысячи примеров для выявления закономерностей ученые пользуются общей схемой действий, которая теоретически может привести к достижению определенного результата. Метод, названный по имени статистика и философа ХVIII века Томаса Байеса, объединяет данную модель с теорией вероятности, используя так называемый «байесовский вывод». «Вероятностная порождающая модель показывает, насколько вероятно то, что вы увидите какую-то структуру в данных, если верна гипотеза» [4, с. 63]. Этот метод подходит для того, чтобы научить машину учиться так, как это делают люди. Разработчики закладывают в машину определенный принцип отбора. Но для формулировки такого принципа требуется огромная предварительная работа.