Интеллект искусственный и человеческий: ключевые различия

Недавно разработанные модели искусственного интеллекта (ИИ) способны на множество впечатляющих свершений, в том числе на распознавание изображений, и даже на создание языка, схожего с человеческим. Но даже если ИИ может вести себя, как человек, это ещё не означает, что он способен думать или осознавать происходящее так же, как это делают люди.

То, как ныне существующие системы искусственного интеллекта «думают» и обучаются, пока ещё в корне отличается от того, как это делают люди. Предстоит пройти долгий путь, прежде чем ИИ действительно сможет мыслить, как мы.

Как родилось одно заблуждение

Разработки в области искусственного интеллекта ещё несколько лет тому назад привели к созданию систем, которые могут вести себя вполне по-человечески. Языковая модель GPT-3 (Generative Pre-trained Transformer 3) умеет создавать текст, который зачастую почти невозможно отличить от человеческой речи. Другая модель, алгоритм PaLM (Pathways Language Model), может писать код, рассуждать логически и объяснять шутки.

Совсем недавно была создана универсальная система искусственного интеллекта, известная как Gato – она готова выполнять сотни различных задач, может самостоятельно писать субтитры к изображениям, отвечать на вопросы, играть в видеоигры и даже управлять роботизированной рукой. Есть ещё и такая нейронная сеть, как DALL-E – это система, обученная создавать иллюстрации на основе текстового описания.

За этими, вне всякого сомнения, выдающимися разработками, последовали и смелые заявления о новых возможностях ИИ в сопоставлении с человеческим интеллектом.  

Так, Нандо де Фрейтас, один из ведущих специалистов дочерней компании Google – DeepMind, занимающейся разработками в сфере искусственного интеллекта, заявил, что для создания ИИ сравнимого с человеческим разумом, достаточно будет кратно масштабировать уже существующие алгоритмы. Некоторые эксперты поддержали эту точку зрения. 

И вправду, глядя на то, как работают современные языковые модели ИИ, легко поверить, что от их человеческого поведения буквально рукой подать до человеческого понимания. Но всё же пока ещё есть некоторые ключевые различия между нами и системами ИИ, в силу чего решение проблемы может оказаться далеко не таким простым, как кажется.

Нейронные сети против человеческого мозга

Последние из созданных систем искусственного интеллекты были построены на основе искусственных нейронных сетей. Собственно, под этим определением – «нейронные сети», мы их и знаем. Их создатели, что очевидно, вдохновлялись человеческим мозгом, в котором миллиарды клеток, называемых нейронами, отправляют сигналы различным органам, обрабатывают информацию и образуют сложные взаимосвязи друг с другом.

Нейронная сеть – это сильно упрощенная версия мозга человека. Реальные нейроны заменяются узлами, обрабатывающими информацию. Связи между узлами характеризуются так называемым «весом» – коэффициентом, на который умножается объём информации, обработанной одним узлом.

При достаточном количестве связанных узлов, уложенных в достаточное количество слоев, нейронные сети можно обучить распознавать паттерны и даже делать обобщения, на основании информации схожей с той, с которой они взаимодействовали раньше. Именно способность идентифицировать особенности той или иной информации, распознавать закономерности и обобщать результаты лежит в основе эффективности нейронных сетей, чья работа имитирует методы, которые для аналогичных задач используют люди. Тем не менее, нельзя игнорировать очевидные различия.

Нейронные сети, как правило, совершенствуются с помощью так называемого контролируемого обучения. В процессе они получают множество примеров ввода информации и желаемых выводов. При этом упомянутые выше коэффициенты – «веса» взаимодействий корректируются до тех пор, пока сеть не «научится» выдавать желаемый результат.

Чтобы выучить языковую задачу, нейронной сети могут представлять требуемое предложение по одному слову за раз. Так она постепенно научится предсказывать следующее слово в последовательности.

Это сильно отличается от того, как учатся люди. Большая часть человеческого обучения происходит без какого-либо контроля и присмотра со стороны. Нам часто не говорят, какой должна быть «правильная» реакция на каждую конкретную информацию. Мы должны разобраться с этим сами.

Например, детям не дают инструкций о том, как говорить. Они сами учатся этому через сложный процесс воздействия речи взрослых, подражания и обратной связи.

Другое отличие связано с объёмом данных, используемых для обучения ИИ. Он без преувеличения огромен. Так, для обучения языковой модели GPT-3, использовалось около 400 миллиардов слов, преимущественно взятых из Интернета. Если бы человек поставил перед собой цель прочесть такой объём текста, при скорости в 150 слов в минуту ему бы потребовалось на это около 4000 лет.  

Иначе говоря, люди при обучении должны гораздо более эффективно использовать куда меньшие объёмы данных.

Каким будет следующий шаг в развитии ИИ?

Есть и ещё фундаментальное отличие, касающееся способа обучения нейронных сетей. Чтобы сопоставить стимул с желаемой реакцией, нейронные сети используют алгоритм, называемый «обратным распространением». Этот алгоритм позволяет передавать информацию об ошибках назад по сети, и корректировать «вес» правильным образом.

Учёные-нейробиологи признают, что обратное распространение не может быть реализовано в человеческом мозге. Для этого нам бы потребовались бы некие внешние корректирующие сигналы, а их просто не существует.

Некоторые исследователи при этом предполагают, что наш мозг всё же способен использовать различные варианты обратного распространения. Впрочем, пока этому нет никаких доказательств.

Вместо корректировки ошибок посредством алгоритма обратного распространения, люди учатся, создавая структурированные ментальные концепции. В них множество объектов, их свойств и ассоциаций связываются друг с другом. К примеру, наше понятие о банане включает в себя его форму, жёлтый цвет, знание того, что это фрукт, знание, как правильно держать банан и так далее.

Насколько нам известно, системы искусственного интеллекта не формируют концептуальные знания подобным образом. Они полагаются на извлечение сложных статистических ассоциаций из своих обучающих данных, а затем применяют их к аналогичным контекстам.

Предпринимаются усилия по созданию ИИ, который мог бы взаимодействовать с различными типами входных данных (например, одновременно с изображениями и текстом). Но будет ли этого достаточно, чтобы системы ИИ смогли овладеть всем богатством человеческих ментальных представлений, используемых нами для понимания мира? Ответ на этот вопрос ещё только предстоит выяснить. К тому же, мы всё ещё многого не знаем о тайнах работы человеческого мозга. И прежде, чем мы создадим машины, которые думают и учатся как люди, нам потребуется узнать немало нового и о самих себе.  

Источник

Total
0
Shares
Добавить комментарий
Похожие статьи

Алгоритм WHIRL помогает обучать роботов имитации человеческих действий для домашней работы

Любопытный эксперимент воплощают в жизнь специалисты Института робототехники Школы компьютерных наук Университета Карнеги-Меллона в Питтсбурге (США). Ими был…
Подробнее
Сброс пароля
Новый пароль