Искусственный интеллект. Иллюстрированная история. От автоматов до нейросетей

В 1951 г. ученый-когнитивист Марвин Мински (1927–2016) и его студент Дин Эдмундс сконструировали SNARC – нейросетевую машину, состоящую из 3000 электронных ламп, которые имитировали 40 связанных нейронов. Мински использовал эту машину для изучения сценария, в котором условная крыса бегала по лабиринту. Когда крыса случайно совершала последовательность полезных движений и выбегала из лабиринта, связи, соответствующие этим движениям, усиливались, тем самым подкрепляя желаемое поведение и ускоряя обучение. Среди других ранних примеров устройств для обучения с подкреплением следует отметить системы для игры в шашки (1959), крестики-нолики (1960) и нарды (1992).

Как следует из этих примеров, обучение с подкреплением – это разновидность машинного обучения, которое предполагает прохождение определенных состояний в поисках вознаграждения или максимизации ожидаемого совокупного вознаграждения. «Ученик» (программный агент) совершает множество действий, чтобы выяснить, какие из них приносят наибольшее вознаграждение. Сейчас обучение с подкреплением часто совмещают с глубоким обучением, при котором задействуется крупная нейросеть, зачастую для распознавания закономерностей в данных. При обучении с подкреплением системы и машины учатся без заранее сформулированных инструкций. Это означает, что беспилотные автомобили, промышленные роботы и дроны развивают и совершенствуют свои навыки методом проб и ошибок, постепенно накапливая опыт. Однако широко применять подобный метод проблематично: он требует огромных массивов данных и тренировочных симуляций.

СМ. ТАКЖЕ Крестики-нолики (ок. 1300 до н. э.), Искусственные нейронные сети (1943), Машинное обучение (1959), Победа над чемпионом мира по коротким нардам (1979), Шашки и искусственный интеллект (1994)

Обучение с подкреплением – метод обучения программных агентов полезным действиям для максимизации общего вознаграждения. Среди ранних примеров применения метода – решение для прохождения лабиринтов, а также системы для игры в шашки, крестики-нолики и короткие нарды.

Распознавание речи. 1952

Недавно журнал Economist

приравнял использование современных устройств с технологией распознавания речи к «произнесению магического заклинания», которое позволяет людям «управлять миром с помощью одних только слов». Это перекликается с утверждением писателя Артура Кларка: любая достаточно развитая технология неотличима от магии. «Стремительное развитие технологий обработки голоса подтверждает тезис Кларка… Скажите несколько слов в пространство – и ближайшее устройство исполнит ваше желание».

Теория и практика машинного распознавания звучащей речи имеют долгую историю. В 1952 г. Bell Laboratories разработала на основе ламповой схемы систему AUDREY, которая понимала произносимые вслух числа. Десять лет спустя на Всемирной выставке 1962 г. в Сиэтле была представлена машина IBM Shoebox

: она распознавала шестнадцать слов, включая цифры от 0 до 9, и выполняла арифметические операции, если слышала такие слова, как «плюс». В 1987 г. американский производитель игрушек Worlds of Wonder создал куклу Джули, которая понимала несколько простых фраз и отвечала на них.

Технологии машинного распознавания речи значительно эволюционировали. Поначалу в них использовалась скрытая марковская модель – статистический метод предсказания того, соответствует ли звук слову. В наше время для достижения высокой точности распознавания применяется глубокое обучение (то есть искусственные нейросети с множеством слоев). Например, система распознавания речи может слышать звуковой поток в шумной среде и строить «догадки» о том, что говорится, определяя вероятность появления разных слов и фраз, с которыми она сталкивалась в тренировочных текстах. Специальные приложения могут располагать данными о вероятности использования той или иной фразы и определять, например, следует ли ранжировать слова «аневризма брюшной аорты» высоко или низко, с учетом того, услышаны ли они системой голосового ввода в рентгеновском кабинете или автомобильной системой, ожидающей простой команды.

Сегодня многочисленные цифровые помощники – в наших домах, автомобилях, офисах и мобильных телефонах – отвечают на голосовые команды и вопросы и пишут заметки под нашу диктовку. Речевой ввод также облегчает жизнь слабовидящим и людям с ограниченными физическими возможностями.

СМ. ТАКЖЕ Синтез речи (1939), Искусственные нейронные сети (1943), Обработка естественного языка (1954)

УстройствоIBM Shoebox слушало, как оператор произносит цифры и арифметические команды, например: «Пять плюс три плюс восемь минус девять. Сумма».

Обработка естественного языка. 1954