Люди отличаются от всех других животных на нашей прекрасной Земле. Это определенно потому, что мы можем думать, мы можем понимать вещи, применять знания для улучшения наших навыков. Все это указывает на то, что мы умны.

Что ж, я хочу повторить вопрос, заданный отцом современной информатики г-ном Аланом М. Тьюрингом: «Могут ли машины думать?».

Алан Тьюринг - выдающийся английский математик и компьютерный ученый. Он предложил этот вопрос в своей статье «Вычислительные машины и интеллект». Сейчас мы сначала скажем: «Конечно, они умеют думать!». Но даже сегодня никакие машины не умны, мы обсудим это позже в этой статье.

Алан Тьюринг

Итак, что на самом деле означает термин «искусственный интеллект»? Термин ИИ был впервые введен Джоном Маккарти в 1956 году, когда он провел свою первую научную конференцию по этой теме, и определяется как наука и техника создания интеллектуальных машин, особенно интеллектуальных компьютерных программ. Несмотря на то, что этот термин был придуман и получил определение в 1956 году, путь к пониманию того, могут ли машины по-настоящему мыслить, начался намного раньше. В основополагающей работе Ванневара Буша «Как мы можем думать» (1945) он предложил систему, которая расширяет собственные знания и понимание людей. Пять лет спустя Алан Тьюринг написал статью об обозначении машин, способных имитировать человека и способности делать разумные вещи.

Никто не может опровергнуть способность компьютера обладать логикой. Но многим неизвестно, может ли машина мыслить. Точное определение мышления важно, потому что существовало сильное возражение относительно того, возможно ли вообще это обозначение. Например, есть так называемый аргумент «китайской комнаты». Представьте, что кого-то заперли в комнате, где передали записки на китайском языке. Используя целую библиотеку правил и справочные таблицы, они смогут давать правильные ответы на китайском, но действительно ли они «понимают» этот язык? Аргумент состоит в том, что, поскольку компьютеры всегда будут применять механический поиск фактов, они никогда не смогут «понять» предмет.

Этот аргумент неоднократно опровергался исследователями, но он подрывает веру людей в машины и так называемые экспертные системы в жизненно важных приложениях.

Тест Тьюринга

Вы знаете, что такое машина, что машина считается умной? Ответ, состоящий из одного предложения, - это «Тест Тьюринга». Ну что это?

Алан Тьюринг предложил метод оценки способности машин мыслить, получивший название «тест Тьюринга». Тест, также называемый «имитационной игрой», как он был назван в статье Тьюринга «Вычислительные машины и интеллект», был предложен как простой тест, который можно использовать для доказательства способности машин мыслить. Тест Тьюринга использует простой прагматический подход, предполагая, что компьютер, неотличимый от разумного человека, на самом деле показал, что машины могут думать. Тест Тьюринга - центральная долгосрочная цель исследований в области искусственного интеллекта: сможем ли мы когда-нибудь создать компьютер, который сможет в достаточной мере имитировать человека, чтобы указать, где подозрительный судья не сможет отличить человека от машины? ? С самого начала он шел по пути, аналогичному большинству исследований в области искусственного интеллекта. Изначально это казалось трудным, но возможным (как только аппаратные технологии достигли определенного уровня), но оказалось, что это намного сложнее, чем первоначально предполагалось, и прогресс замедлился до такой степени, что некоторые задаются вопросом, будет ли это когда-либо достигнуто. Несмотря на десятилетия исследований и большие технологические достижения, тест Тьюринга по-прежнему ставит цель, к которой стремятся исследователи ИИ, одновременно выясняя, насколько мы далеки от ее реализации.

В тесте Тьюринга участвует человек-следователь и два участника - компьютер и человек. Допрашивающий разговаривает с этими участниками через компьютерные терминалы, не зная их личности. Если после достаточно длительного периода разговора дознаватель не может идентифицировать компьютер, то считается, что компьютер прошел тест Тьюринга и, должно быть, считался интеллектуальным. Тьюринг предсказал, что тест пройдут 200 компьютеров. Существовали различные программы, которые демонстрировали некоторую степень человеческого поведения, но до сих пор ни один компьютер не прошел тест Тьюринга! У меня есть видео на YouTube, чтобы вы могли легче понять Тест Тьюринга. Https://www.youtube.com/watch?v=sXx-PpEBR7k

AI преследует две основные цели. Один из них - создание экспертных систем, систем, которые демонстрируют разумное поведение, обучаются, демонстрируют, объясняют и советуют пользователям. Во-вторых, внедрить человеческий интеллект в машины. Создание систем, которые могут понимать, думать и вести себя как люди.

Большинство современных ИИ-систем - это слабый ИИ, который был разработан для решения конкретных проблем. Даже AlphaGo, который смог победить человеческого чемпиона в настольной игре, Go считается узким ИИ. Go - более сложная игра, чем Chess. Играется на доске 19x19. Что делает Го сложным, так это то, что в игру играют исключительно по инструкциям и шаблонам из прошлого опыта, а не по строгим правилам, которые может объяснить эксперт. Также в Go есть бесконечные возможности для каждого конкретного хода.

Машинное обучение

Хорошо, тогда как компьютерная система учится чему-то на собственном опыте? Это и есть так называемое машинное обучение. ML - это область информатики, которая дает компьютерам возможность учиться без явного программирования.

Термин ML был впервые введен в употребление Артуром Самуэлем, американским пионером в области компьютерных игр и искусственного интеллекта, в 1959 году, когда он работал в IBM. Рассмотрим пример программы.

У вас есть веб-сайт или программа, в которую ваши пользователи могут загружать изображения и хотят отметить, есть ли на ней кошка или собака. Это довольно сложно сделать традиционным программированием или, скажем, невозможно при традиционном программировании. Есть вариант использования ML. Сначала мы создаем нашу собственную модель, то есть позволяем программе запоминать несколько фотографий кошек и собак. И мы тренируем нашу модель снова и снова. Подайте ему все больше и больше данных. После этих шагов наша программа сможет определить, есть ли в загруженном пользователем медиафайле кошка или собака.

Само машинное обучение можно разделить на 3 в зависимости от характера обучения.

  1. Обучение с учителем: в этом типе ввод и вывод задаются для обучения.
  2. Неконтролируемое обучение: для распознавания паттерна даются только входные данные.
  3. Обучение с подкреплением: обратная связь в реальном мире предоставляется системе на ходу.

Существует множество библиотек, которые помогут вам создать интеллектуальную программу. TensorFlow - самая популярная библиотека с открытым исходным кодом, разработанная Google для создания нейронных сетей и вычислений с использованием потоков данных и графиков.

Сложная проблема в области искусственного интеллекта - найти способ научить машину думать, но для того, чтобы сформулировать «мысль» так, как ее понимают современные компьютеры, мы должны сначала сами понять мышление и интеллект. А пока мы продолжим создавать шахматные программы, основанные на грубой силе, экспертные системы, которые не замечают очевидного и взаимодействуют с программами, с которыми просто не так интересно разговаривать.

На этом мы закончим эту статью. Об Экспертных системах, истории Софии и многом другом мы поговорим в другой статье.

Удачного дня, друзья :)

Связанные темы для вас:

  • Вычислительная техника и интеллект - Алан Тьюринг
  • Как мы можем думать - Ванневар Буш
  • Экспертные системы
  • Чтобы узнать больше о TensorFlow: www.tensorflow.org

Я создал презентацию для вас. Я очень рекомендую вам узнать о нем больше. "Кликните сюда".