Исследования в сфере искусственного интеллекта

Основные статьи:

• Искусственный интеллект
• Исследования и разработки (НИОКР, R&D мировой рынок)

Исследования ИИ в России

Основная статья: Исследования искусственного интеллекта в России

Хроника исследований

2024: Роботы станут эмоциональными — новая российская технология

В октябре 2024 года российские ученые объявили о разработке инновационной системы, способной наделить искусственный интеллект (ИИ) эмоциональными характеристиками при взаимодействии с людьми. Технология, созданная совместными усилиями исследователей из Национального исследовательского университета «Высшая школа экономики» (НИУ ВШЭ) и Сбербанка. Подробнее здесь

2023: Назван топ-5 компаний мира по числу научных публикаций в сфере ИИ

Рейтинг мировых компаний по количеству научных публикаций в сфере искусственного интеллекта в период с 2010-го по 2023 год возглавила корпорация Microsoft. Вместе с тем первое место по интенсивности цитирования таких работ удерживает Google. Об этом говорится в исследовании компании Epoch, результаты которого обнародованы 27 ноября 2023-го.

Отмечается, что на фоне стремительного развития ИИ-систем, включая генеративные сервисы, компании из США активно наращивают вычислительные ресурсы, необходимые для обучения моделей. Так, за 11 лет (к 2023 году) корпорация Google увеличила мощность вычислений в области ИИ приблизительно в 10 млн раз. Компании OpenAI и Meta (признана экстремистской организацией; деятельность на территории Российской Федерации запрещена) подняли данное значение в 1 млн раз за шесть лет (к 2023-му). Этот рост намного превышает общую тенденцию в сегменте машинного обучения, где за тот же период зафиксирована прибавка в 4 тыс. раз. В топ-5 компаний по количеству научных публикаций в период 2010–2023 гг. входят:

1. Microsoft — 14 550 работ;
2. Google — 10 094 работ;
3. IBM — 9738 работ;
4. Huawei — 5140 работ;
5. Intel— 4928 работ.

В исследовании отмечается, что китайские отраслевые лаборатории отстают от американских по всем показателям, которые учитывает Epoch. Тем не менее, ИИ-направление активно развивают такие компании из КНР, как Alibaba, Tencent, Baidu и Huawei. В частности, Tencent и Alibaba находятся на 6-м и 7-м местах в рейтинге с 3495 и 3424 публикаций соответственно. В плане цитируемости научных работ в области ИИ список топ-5 выглядит следующим образом (в 2010–2023 гг.):

1. Google — 433 009;
2. Microsoft — 336 207;
3. Meta — 187 553;
4. IBM — 105 101;
5. DeepMind — 68 983.^[1]

2020: Южная Корея и Китай лидируют по числу патентов в сфере ИИ на миллион жителей

Количество выданных патентов в сфере ИИ на душу населения в разных странах мира

В относительных цифрах мировой лидер по патентам в области ИИ - это Южная Корея: там за 2020 год было выдано 158 патентов на миллион жителей страны. В занимающем вторую строчку Китае на миллион жителей пришлось 45 патентов (с учётом населения Китая - это очень много), в замыкающих тройку лидеров США - 44 патента на миллион человек.

В России на миллион жителей приходится 0.5 патента в области ИИ - то есть, порядка 70 патентов на всю страну. Примерно такой же уровень, около половины патента на миллион человек, зафиксирован, к примеру, в Бразилии.

2017: Gamalon представила технологию самообучения по фрагментам данных

В феврале 2017 года компания Gamalon сообщила о разработке технологии искусственного интеллекта, способной быстро самообучаться по нескольким фрагментам данным. По своей эффективности и точности обучения новая разработка соответствует мощным нейронным сетям. Подробнее здесь.

2016: Развитие специализированных ИИ-систем и исследования путей создания искусственного разума

В 2016 году выделяли два направления развития ИИ:

• решение проблем, связанных с приближением специализированных систем ИИ к возможностям человека, и их интеграции, которая реализована природой человека;

• создание искусственного разума, представляющего интеграцию уже созданных систем ИИ в единую систему, способную решать проблемы человечества.

В это время в области искусственного интеллекта наблюдается вовлечение многих предметных областей, имеющих скорее практическое отношение к ИИ, а не фундаментальное. Многие подходы были опробованы, но к возникновению искусственного разума ни одна исследовательская группа пока так и не подошла.

2013: Исследования по сортировке изображений

В ноябре 2013 года стало известно об очередной попытке в области создания искусственного интеллекта: ученые предоставили компьютеру миллионы изображений и предложили ему возможность самому проанализировать, что они обозначают. То есть речь идет о попытке создать самообучающуюся систему.

Проект под названием NEIL^[2] реализуется университетом Карнеги-Меллон, что расшифровается как Never Ending Image Learning (дословно – «бесконечное изучение изображений»).

Абхинав Гупта (Abhinav Gupta), слева, и Абхинав Шривастава (Abhinav Shrivastava) осматривают серверный кластер, задействованный в исследовании, в серверной кампуса Карнеги-Меллон Университета в Питтсбурге

В июле 2013 года для обучающегося компьютера была открыта возможность загрузки изображений из интернета в режиме 24 на 7 с тем, чтобы он сам мог выявить и построить взаимосвязи между ними. Таким образом, ученые пытаются заставить заработать искусственный интеллект: систему, способную к самообучению без помощи извне. Метавселенная ВДНХ 3.3 т

Например, компьютер уже смог самостоятельно установить, что зебры обычно обитают в саванне, а тигры это нечто подобное зебрам. Проект спонсируется Google и Министерством обороны США.

2011: 3-я фаза роста ИИ

В 2011 году система вопросов и ответов IBM Watson победила бессменных чемпионов последних лет в игре Jeopardy! (российский аналог программы - «Своя игра»). Системе удалось выиграть в обеих играх. В это время IBM Watson — перспективная разработка IBM, способная воспринимать человеческую речь и производить вероятностный поиск, с применением большого количества алгоритмов.

Хотя эта часть истории сильно похожа на то, что происходило еще 50 лет до этого тем не менее развитие искусственного интеллекта в это времяу происходит в принципиально других условиях.

Усложнение систем связи и решаемых задач требует качественно нового уровня «интеллектуальности» обеспечивающих программных систем, таких как:

• защита от несанкционированного доступа,
• информационная безопасность ресурсов,
• защита от нападений,
• смысловой анализ и поиск информации в сетях и т. п.

С другой стороны, глобализация экономической жизни поднимает конкуренцию на принципиально иной уровень, где требуются мощные системы управления предприятием и ресурсами, аналитики и прогнозирования, а также радикальное повышение эффективности труда. Третий этап после зимы характеризуется также наличием крупнейшего открытого источника персональных данных и кликстрима в виде Интернета и социальных сетей. Ну и, наконец, исчезает ключевой исторический стоп-фактор развития искусственного интеллекта — мощнейшие вычислительные системы, которые отныне можно строить как на дешевых серверных мощностях, так и в крупнейших облачных платформах в режиме pay-as-you-go.

Все это оправдывает оптимизм вовлеченных людей по поводу 3-й фазы роста искусственного интеллекта. Пессимизм некоторых экспертов относительно того, что направление исследований области вновь чрезмерно раздувается, легко оппонировать тем, что сейчас разработки исследователей вышли далеко за пределы лабораторий и прототипов и продолжают интенсивно проникать практически во все сферы жизни человека, начиная от автономных газонокосилок и пылесосов, оснащенных огромным количеством современных датчиков, и заканчивая умными и обучающимися мобильными ассистентами, которыми пользуются сотни миллионов людей.

Скепсис и алармизм на этом этапе даже скорее направлены в сторону чрезмерного развития и самостоятельности искусственного интеллекта и замены им собственно самих людей, которые уже в это время уступают машинам в аспекте скоростей и физическом доступе к огромному пласту данных.

2003-2010: Эра Интернета и больших данных

• «Взрыв Данных»: Рост интернета приводит к огромному увеличению доступных данных и информации. С развитием интернета и цифровых технологий объем доступных данных рос экспоненциально. Это создавало новые возможности для применения и обучения ИИ, особенно в областях, связанных с анализом больших данных.

• Эволюция алгоритмов: продолжалось усовершенствование алгоритмов машинного обучения, особенно методов обучения с учителем и без учителя, улучшались NLP методы и алгоритмы нейронных сетей. Применение этих методов в различных областях, например, в анализе данных и распознавании образов, становилось более распространенным. Однако, мощностей и данных катастрофически не хватало для осмысленных систем.

1990-е годы – начало 2000-х: машинное обучение, нейронные сети, компьютерные игры

• Рост коммерческого интереса: Появление первых успешных коммерческих применений ИИ, особенно в области экспертных систем.

• Развитие машинного обучения: алгоритмы обучения на основе данных начинают заменять жестко запрограммированные инструкции.

• Развитие нейронных сетей: прототипирование и теоретическое обоснование нейронных сетей. Возобновление интереса к нейронным сетям и их потенциалу.

Практически все разработки в этот период носили теоретический характер, существенного прикладного расширения не присутствовало. Однако, именно в 1990-х началась экспансия робототехники с применением Robotics AI, в интегрировалось в промышленности в рамках автоматизированных систем управления (АСУ).

Одним из существенных драйверов развития ИИ в 1990-х были компьютерные игры (ИИ для игровых ботов), которые в свою очередь предопределили развитие индустрии, как на аппаратном уровне, так и на программном.

1997: Компьютер Deep Blue обыгрывает чемпиона мира по шахматам Гарри Каспарова

Очередной всплеск интереса к ИИ произошел в середине 1990-х гг. В 1997 году компьютер IBM под названием Deep Blue стал первым компьютером, который победил чемпиона мира по шахматам Гарри Каспарова.

Шахматный матч Гарри Каспарова против компьютера Deep Blue, 1997 год

Матч Каспаров против суперЭВМ не принёс удовлетворения ни компьютерщикам, ни шахматистам, и система не была признана Каспаровым.

Позже линия суперкомпьютеров IBM проявилась в проектах brute force BluGene (молекулярное моделирование) и моделирование системы пирамидальных клеток в швейцарском центре Blue Brain.

1980-е

В начале 1980-х гг. ученые в области теории вычислений Барр и Файгенбаум предложили следующее определение ИИ:

Искусственный интеллект — это область информатики, которая занимается разработкой интеллектуальных компьютерных систем, то есть систем, обладающих возможностями, которые мы традиционно связываем с человеческим разумом, — понимание языка, обучение, способность рассуждать, решать проблемы и т. д.

Устаревшие общие определения искусственного интеллекта:

• (J. McCarthy) ИИ разрабатывает машины, которым присуще разумное поведение
• (Britannica) ИИ - способность цифровых компьютеров решать задачи, которые обычно ассоциируются с высоко интеллектуальными возможностями человека
• (Файгенбаум) ИИ - разрабатывает интеллектуальные компьютерные системы обладающие возможностями, которые мы традиционно связываем с человеческим разумом: понимание языка, обучение, способность рассуждать, решать проблемы и т. д.
• (Elaine Rich) ИИ - наука о том, как научить компьютеры делать что-то, в чем на данный момент человек успешнее.

Позже к ИИ стали относить ряд алгоритмов и программных систем, отличительным свойством которых является то, что они могут решать некоторые задачи так, как это делал бы размышляющий над их решением человек.

1970-е: Застой развития ИИ из-за недостатка технологий

Медленное развитие искусственного интеллекта (1970-е – 1980-е годы). Данный период принято считать периодом застоя технологий, связанных с ИИ, что во многом обусловлено проблемой масштабирования и критическим дефицитом вычислительной мощности с принципиальной неспособностью заполнения данных для обучения (не было ни Интернета, ни памяти, ни достаточной пропускной способности). Это привело к разочарованию в ИИ, как технологии, не соответствующей времени.

Однако, первые прототипы экспертных систем начали появляться в это время, как и специализированные языки программирования, такие как LISP.

1960-е: Простая обработка естественного языка

Обработка естественного языка: Начальные исследования в области обработки естественного языка начались, но они были довольно ограниченны. Создание простых ИИ-программ, таких как ELIZA (программа, имитирующая диалог).

1956: Появление термина "искусственный интеллект" на конференции в Дартмуте

Летом 1956 года в Университете Дартмута в США прошла первая конференция с участием таких ученых, как Маккарти, Минский, Шеннон, Тьюринг, которые впоследствии были названы основателями сферы искусственного разума. В течение 6 недель ученые обсуждали возможности реализации проектов в сфере искусственного интеллекта. Именно тогда и появился сам термин artificialintelligence — искусственный интеллект. И именно после этой летней встречи пришло и «первое лето» в развитии проектов, связанных с этой областью.

Как видно, после знаменитой конференции в Дартмуте искусственный интеллект получил впечатляющее развитие. Были созданы машины, которые могли решать математические проблемы, обыгрывать в шахматы, и даже первый прообраз чат-бота, который мог разговаривать с людьми, вводя их в заблуждение по поводу своей осознанности.

Все эти значительные шаги вперед в сфере машинного интеллекта произошли вследствие серьезного финансирования подобных инициатив со стороны военных исследовательских организаций и, в частности, Defence Advanced Research Projects Agency (DARPA), которая была создана как шоковая реакция на запуск первого спутника Советским Союзом.

1954: ПО для игры в шахматы

В 1954 году американский исследователь Ньюэлл решил написать программу для игры в шахматы. К работе были привлечены аналитики RAND Corporation. В качестве теоретической основы программы был использован метод, предложенный основателем теории информации Шенноном, а его точная формализация была выполнена Аланом Тьюрингом.

1950: Тест Тьюринга: Когда машина сравняется разумом с человеком

История искусственного интеллекта как нового научного направления начинается в середине XX века. К этому времени уже было сформировано множество предпосылок его зарождения: среди философов давно шли споры о природе человека и процессе познания мира, нейрофизиологи и психологи разработали ряд теорий относительно работы человеческого мозга и мышления, экономисты и математики задавались вопросами оптимальных расчётов и представления знаний о мире в формализованном виде; наконец, зародился фундамент математической теории вычислений — теории алгоритмов — и были созданы первые компьютеры.

Возможности новых машин в плане скорости вычислений оказались больше человеческих, поэтому в учёном сообществе закрался вопрос: каковы границы возможностей компьютеров и достигнут ли машины уровня развития человека?

В 1950 году один из пионеров в области вычислительной техники, английский учёный Алан Тьюринг, пишет статью под названием «Может ли машина мыслить?», в которой описывает процедуру, с помощью которой можно будет определить момент, когда машина сравняется в плане разумности с человеком, получившую название теста Тьюринга.

1940-е: Моделирование мышления: нейрокибернетический и логический подходы

С конца 1940-х годов исследования в области моделирования процесса мышления разделились на два независимых подхода: нейрокибернетический и логический.

• Нейрокибернетический подход относится к восходящему типу (англ. Bottom-Up AI) и предполагает путь изучения биологического аспекта нейронных сетей и эволюционных вычислений.

• Логический подход относится к нисходящему типу (англ. Top-Down AI) и означает создание экспертных систем, баз знаний и систем логического вывода, имитирующих высокоуровневые психические процессы: мышление, рассуждение, речь, эмоции, творчество и т. д^[3].

1930-е: Концепция "Крошка-машина" для обучения искусственного разума как ребенка

С середины 1930-х годов, с момента публикации работ английского ученого Алана Тьюринга, в которых обсуждались проблемы создания устройств, способных самостоятельно решать различные сложные задачи, к проблеме искусственного интеллекта в мировом научном сообществе стали относиться внимательно. Тьюринг предложил считать интеллектуальной такую машину, которую испытатель в процессе общения с ней не сможет отличить от человека. Тогда же появился термин Baby Machine — концепция, предполагающая обучение искусственного разума на манер маленького ребенка, а не создание сразу «умного взрослого» робота.

1914: Устройство Леонардо Кеведо для игры в шахматы

В 1914 году директор одного из испанских технических институтов Леонардо Торрес Кеведо изготовил электромеханическое устройство, способное разыгрывать простейшие шахматные эндшпили почти так же хорошо, как и человек.

1835: Машина Чарльза Бэббиджа для игры в шахматы

В 1830-х годах английский математик Чарльз Бэббидж придумал концепцию сложного цифрового калькулятора — аналитической машины, которая, как утверждал разработчик, могла бы рассчитывать ходы для игры в шахматы.

1832: Семён Корсаков изобретает перфокарты и 5 "интеллектуальных машин"

Основная статья: Исследования в сфере искусственного интеллекта в России

Коллежский советник Семён Николаевич Корсаков (1787—1853) ставил задачу усиления возможностей разума посредством разработки научных методов и устройств, перекликающуюся с современной концепцией искусственного интеллекта, как усилителя естественного.

В 1832 году С. Н. Корсаков опубликовал описание пяти изобретённых им механических устройств, так называемых «интеллектуальных машин», для частичной механизации умственной деятельности в задачах поиска, сравнения и классификации. В конструкции своих машин Корсаков впервые в истории информатики применил перфорированные карты, игравшие у него своего рода роль баз знаний, а сами машины по существу являлись предтечами экспертных систем.

XVII век: Рене Декарт: Животное - сложный механизм

В XVII веке Рене Декарт предположил, что животное — некий сложный механизм, тем самым сформулировав механистическую теорию.

Подходы и направления в исследованиях ИИ

Единого ответа на вопрос, чем занимается искусственный интеллект, не существует. Почти каждый автор, пишущий книгу об ИИ, отталкивается в ней от какого-либо определения, рассматривая в его свете достижения этой науки.

В философии не решён вопрос о природе и статусе человеческого интеллекта. Нет и точного критерия достижения компьютерами «разумности», хотя на заре искусственного интеллекта был предложен ряд гипотез, например, тест Тьюринга или гипотеза Ньюэлла — Саймона. Поэтому, несмотря на наличие множества подходов как к пониманию задач ИИ, так и созданию интеллектуальных информационных систем, можно выделить два основных подхода к разработке ИИ:

• нисходящий (англ. Top-Down AI), семиотический — создание экспертных систем, баз знаний и систем логического вывода, имитирующих высокоуровневые психические процессы: мышление, рассуждение, речь, эмоции, творчество и т. д.;
• восходящий (англ. Bottom-Up AI), биологический — изучение нейронных сетей и эволюционных вычислений, моделирующих интеллектуальное поведение на основе биологических элементов, а также создание соответствующих вычислительных систем, таких как нейрокомпьютер или биокомпьютер.

Последний подход, строго говоря, не относится к науке о ИИ в смысле, данном Джоном Маккарти, — их объединяет только общая конечная цель.

Тест Тьюринга и интуитивный подход

Эмпирический тест был предложен Аланом Тьюрингом в статье «Вычислительные машины и разум» (англ. Computing Machinery and Intelligence), опубликованной в 1950 году в философском журнале «Mind». Целью данного теста является определение возможности искусственного мышления, близкого к человеческому.

Стандартная интерпретация этого теста звучит следующим образом: «Человек взаимодействует с одним компьютером и одним человеком. На основании ответов на вопросы он должен определить, с кем он разговаривает: с человеком или компьютерной программой. Задача компьютерной программы — ввести человека в заблуждение, заставив сделать неверный выбор». Все участники теста не видят друг друга.

Самый общий подход предполагает, что ИИ будет способен проявлять поведение, не отличающееся от человеческого, причём в нормальных ситуациях. Эта идея является обобщением подхода теста Тьюринга, который утверждает, что машина станет разумной тогда, когда будет способна поддерживать разговор с обычным человеком, и тот не сможет понять, что говорит с машиной (разговор идёт по переписке).

Писатели-фантасты часто предлагают ещё один подход: ИИ возникнет тогда, когда машина будет способна чувствовать и творить. Так, хозяин Эндрю Мартина из «Двухсотлетнего человека» начинает относиться к нему как к человеку, когда тот создаёт игрушку по собственному проекту. А Дейта из «Звёздного пути», будучи способным к коммуникации и научению, мечтает обрести эмоции и интуицию.

Однако последний подход вряд ли выдерживает критику при более детальном рассмотрении. К примеру, несложно создать механизм, который будет оценивать некоторые параметры внешней или внутренней среды и реагировать на их неблагоприятные значения. Про такую систему можно сказать, что у неё есть чувства («боль» — реакция на срабатывание датчика удара, «голод» — реакция на низкий заряд аккумулятора, и т. п.). А кластеры, создаваемые картами Кохонена, и многие другие продукты «интеллектуальных» систем можно рассматривать как вид творчества.

Символьный подход

Исторически символьный подход был первым в эпоху цифровых машин, так как именно после создания Лисп, первого языка символьных вычислений, у его автора возникла уверенность в возможности практически приступить к реализации этими средствами интеллекта. Символьный подход позволяет оперировать слабоформализованными представлениями и их смыслами.

Успешность и эффективность решения новых задач зависит от умения выделять только существенную информацию, что требует гибкости в методах абстрагирования. Тогда как обычная программа устанавливает один свой способ интерпретации данных, из-за чего её работа и выглядит предвзятой и чисто механической. Интеллектуальную задачу в этом случае решает только человек, аналитик или программист, не умея доверить этого машине. В результате создается единственная модель абстрагирования, система конструктивных сущностей и алгоритмов. А гибкость и универсальность выливается в значительные затраты ресурсов для не типичных задач, то есть система от интеллекта возвращается к грубой силе.

Основная особенность символьных вычислений — создание новых правил в процессе выполнения программы. Тогда как возможности не интеллектуальных систем завершаются как раз перед способностью хотя бы обозначать вновь возникающие трудности. Тем более эти трудности не решаются и наконец компьютер не совершенствует такие способности самостоятельно.

Недостатком символьного подхода является то, что такие открытые возможности воспринимаются не подготовленными людьми как отсутствие инструментов. Эту, скорее культурную проблему, отчасти решает логическое программирование.

Логический подход

Логический подход к созданию систем искусственного интеллекта основан на моделировании рассуждений. Теоретической основой служит логика.

Логический подход может быть проиллюстрирован применением для этих целей языка и системы логического программирования Пролог. Программы, записанные на языке Пролог, представляют наборы фактов и правил логического вывода без жесткого задания алгоритма как последовательности действий, приводящих к необходимому результату.

Агентно-ориентированный подход

Последний подход, развиваемый с начала 1990-х годов, называется агентно-ориентированным подходом, или подходом, основанным на использовании интеллектуальных (рациональных) агентов. Согласно этому подходу, интеллект — это вычислительная часть (грубо говоря, планирование) способности достигать поставленных перед интеллектуальной машиной целей. Сама такая машина будет интеллектуальным агентом, воспринимающим окружающий его мир с помощью датчиков, и способной воздействовать на объекты в окружающей среде с помощью исполнительных механизмов.

Этот подход акцентирует внимание на тех методах и алгоритмах, которые помогут интеллектуальному агенту выживать в окружающей среде при выполнении его задачи. Так, здесь значительно тщательнее изучаются алгоритмы поиска пути и принятия решений.

Гибридный подход

Гибридный подход предполагает, что только синергетическая комбинация нейронных и символьных моделей достигает полного спектра когнитивных и вычислительных возможностей. Например, экспертные правила умозаключений могут генерироваться нейронными сетями, а порождающие правила получают с помощью статистического обучения. Сторонники данного подхода считают, что гибридные информационные системы будут значительно более сильными, чем сумма различных концепций по отдельности.

Читайте также

• Обзор: Искусственный интеллект 2018

Робототехника

Примечания