Виртуальный ты. Как создание цифровых близнецов изменит будущее человечества

Мы не убеждены, что научный метод устарел, хотя и верим, что ИИ действительно будет иметь решающее значение для успеха проекта виртуального человека, являясь его четвертым ингредиентом. Тем не менее ИИ наиболее эффективен, когда работает рука об руку с механистическим пониманием, основанным на законах природы, когда гипотезы ИИ могут быть проверены в симуляциях, основанных на физике, а результаты методов, основанных на физике, используются для обучения ИИ. Это то, что мы подразумеваем под большим ИИ.

От естественного интеллекта к искусственному

Самый многообещающий подход к ИИ основан на естественном интеллекте – человеческом мозге. В конце 1950-х гг., работая в IBM, Артур Сэмюэл ввел термин «машинное обучение», имея в виду программу, обладающую свойственной мозгу способностью учиться на своих ошибках, играя в шахматы или шашки[196]. Более мощный подход к машинному обучению возник на основе примитивных представлений человеческого мозга, известных как нейронные сети, которые появились в 1943 г., когда Уоррен Мак-Калок (1898–1969) и Уолтер Питтс (1923–1969) из Университета Иллинойса предложили, что клетки мозга – нейроны – можно рассматривать как логические переключатели[197].

Нейронным сетям понадобится полвека, чтобы реализовать свой потенциал. В середине 1990-х гг., примерно в то время, когда мы писали Frontiers of Complexity, произошла так называемая «зима ИИ», когда область завязла из-за появления нового класса нейронных сетей. Эти искусственные нейронные сети в самом простом виде состояли из входного слоя нейронов, выходного слоя и скрытого слоя. Сила связей между нейронами была изменена, чтобы сеть могла учиться, чаще всего с использованием алгоритма, называемого «обратное распространение ошибок». При наличии достаточного количества обучающих данных для решения нелинейных задач требовался всего лишь один скрытый слой. Получив фотографии животных из семейства кошачьих, на которых они были отнесены к категории тигров, сеть смогла начать охоту на тигров с использованием нового набора изображений, не имея ни малейшего представления о том, чем на самом деле является тигр.

Британский когнитивный психолог Джеффри Хинтон показал, что нейронные сети могут стать еще мощнее, если добавить дополнительные слои нейронов – отсюда и термин «глубокое обучение», где «глубокий» означает глубину слоев. Эти скрытые слои способны отразить более глубокое представление о проблеме, например при категоризации изображения. Первый уровень обрабатывает входные данные (например, пиксели) и передает эту информацию на следующий уровень, запуская некоторые из нейронов, которые затем передают сигнал более высоким уровням, пока в конечном итоге не определят, что на входном изображении. Благодаря глубокому обучению ИИ на сегодняшний день, возможно, добился наибольших успехов, будь то систематизация фотографий, выдача рекомендаций о том, что покупать или смотреть, или подчинение устным командам.

Рисунок 21. Глубокая нейронная сеть (IBM)

Благодаря машинному обучению для ИИ стало рутинным искать закономерности, например, разделять гласные звуки или различать лица, и он превосходно справляется со всеми видами задач, от синхронного языкового перевода до приложений в компьютерном зрении и анализе фондового рынка. GPT-3, созданный OpenAI в Сан-Франциско, был обучен примерно на 200 миллиардах слов и способен писать удивительно беглый текст в ответ на запрос. ИИ использует знания о статистических взаимосвязях между словами и фразами, которые читает, чтобы делать выводы, но никто не будет утверждать, что он понимает их значение. Результаты иногда могут быть столь же дурацкими, сколь и впечатляющими[198].

Глубокое обучение превзошло людей, когда дело доходит до многопользовательской боевой арены Dota 2, стратегической игры StarCraft II и гоночного симулятора Gran Turismo[199]. Игры предоставляют ограниченную среду, например виртуальную песочницу, которую машинному обучению исследовать гораздо проще, чем реальный мир. Было бы ошибкой думать, что, научившись на сотнях тысяч игр, ИИ действительно стал умнее людей. Он просто хорош в этих играх так же, как компьютеры намного лучше людей умеют умножать огромные числа. Десятилетия исследований показали, что люди склонны видеть в неодушевленном разум и свободу действий[200], проклятие «апофении», которое восходит к заре человеческого сознания, когда наши предки боялись, что шорох в подлеске знаменует присутствие злобного лесного духа.