Летом 1956 года группа исследователей собралась на верхнем этаже математического факультета Дартмутского колледжа. Они встретились, чтобы обсудить нейронные сети, языковую обработку, нейронные сети и многое другое — все аспекты основной темы семинара: моделирование человеческого интеллекта. Однако, чтобы помочь со сбором средств на конференцию, им нужно было более броское название. Джон Маккарти, организовавший семинар, решил назвать его искусственный интеллект. Эта встреча положила начало новой эре ИИ, подпитывая область вновь обретенным оптимизмом и финансированием. Последующие двадцать лет часто называют золотыми годами ИИ. Однако после этого первоначального всплеска интерес и оптимизм в этой области пошли на убыль, что ознаменовалось чередой периодически повторяющихся академических набегов. Последняя из этих так называемых зим ИИ пришлась примерно на 1987 г. о темпах работ в этой области до начала 1990-х гг. С тех пор эта область набрала обороты, наблюдая значительный всплеск исследований и приложений в технологической отрасли. 2015 год многие считают знаковым для ИИ. Возглавляемый джаггернаутами из района залива, искусственный интеллект заявлял о своей актуальности во множестве новых разработок — от того, чтобы позволить развлекательным платформам, таким как YouTube и Netflix, знать, что вы, возможно, захотите посмотреть дальше, до оснащения транспортных средств способностью ориентироваться в пробках. автономно, чтобы мгновенно исправить мою орфографию, когда я печатаю эти слова здесь.

Учитывая широкий спектр потенциальных возможностей и ролей ИИ, неудивительно, что он начинает вытеснять человека в некоторых областях. Тем не менее, ему предстоит пройти долгий путь, чтобы действительно конкурировать с человеческим интеллектом. Честно говоря, с большой натяжкой можно назвать большую часть современного ИИ интеллектуальным, так как это в значительной степени грубая аналитика данных и статистика в действии. Мишель Чжоу, бывший старший научный сотрудник IBM, называет этот первый этап интеллектуальным распознаванием. Ограничения этого рудиментарного состояния наиболее отчетливо проявляются в приложениях в творческих областях. Роль ИИ как креативного директора — в случае с рекламным агентством McCann Erickson или как музыкального продюсера, как в случае с Sony CSL Lab, — безусловно, захватывающая разработка, но за кулисами большую часть тяжелой работы проделали люди — от предоставления справочных данных, установления параметров обучения до редактирования окончательного результата. С такими тренировочными колесами трудно назвать машину креативной.

Тем не менее, событие в Сеуле прошлой зимой, возможно, стало местом первых угли движка ИИ, который выходит за рамки простых строк «Если x, то y». На указанном мероприятии Ли Се Дол был приглашен принять участие в турнире по го — популярной настольной игре, изобретенной в древнем Китае. Ли кое-что знает об этой игре. Он гроссмейстер и на протяжении большей части последнего десятилетия возглавлял международные рейтинги. На пресс-конференции перед предстоящими пятью играми он разумно рассчитал, что обыграет своего соперника со счетом 5–0 или 4–1. Однако по ходу игры стало ясно, что Ли критически недооценил своего противника. Несмотря на то, что он сыграл одни из лучших сетов в своей карьере, он неоднократно проигрывал — таким образом, что он и публика были загипнотизированы. Его противником был не обычный игрок в го, а система искусственного интеллекта Google AlphaGo.

На поверхностном уровне это может показаться не таким уж впечатляющим достижением. Машины уже свергли людей с престола в таких играх, как шахматы и шашки, так почему же это имеет большее значение? Это действительно может быть просто еще одна машинная победа в настольной игре, но при более внимательном рассмотрении того, как игра развивалась, обнаруживаются глубокие различия — различия, дразнящие творческие способности, которые выходят далеко за рамки кричащей обработки чисел. Только когда человек понимает, насколько необычайно сложной и тонкой является игра Го, можно осознать изумление от триумфа. Для контекста, в шахматах есть коэффициент ветвления, то есть количество доступных ходов для любого данного хода, равное 35. В го это число равно 250. Математически это означает, что количество возможных конфигураций ходов в игра превышает количество атомов во Вселенной. Следовательно, предыдущий рецепт обработки данных методом грубой силы просто невозможен. Вместо этого требуется, как выразились создатели AlphaGo, некоторая степень креативности.

Креативность — явление, которое, как известно, трудно определить. В конечном итоге это проявление чего-то нового и полезного. Это то, что мы все понимаем, но этот процесс остается в значительной степени загадочным и непрозрачным. Несмотря на свою неуловимую природу, есть несколько проверенных методов безумия. Рассмотрим Стефана Загмайстера — одного из самых уважаемых графических дизайнеров нашего времени. Его портфель работ варьируется от обложек пластинок для The Rolling Stones и Jay Z до рекламных кампаний для HBO и Guggenheim. Загмайстер, несомненно, является творческим практиком. В своей работе он использует широкий набор инструментов, но есть один, который ему особенно нравится: метод, называемый Инструмент для генерации идей случайным образом. Это нелинейный подход к решению задач — часть теории латерального мышления, разработанной Эдвардом де Боно в 1960-х годах. Этот метод заставляет Загмейстера устанавливать случайные ориентиры для переосмысления творческих задач. Благодаря этим точкам обзора он может открыть для себя новые грани и возможности данного проекта. Примером этого может быть использование стакана в качестве эталонного объекта для данной проблемы, что позволяет ему размышлять над такими вопросами, как Что, если бы мой продукт был прозрачным?, Что, если бы мой продукт функционировал как контейнер? , "и т.д." С помощью этих новых и маловероятных вопросов можно найти новые решения.

Подобный подход можно найти в архитектурной практике Кьетиля Торесена, Snøhetta, известной такими работами, как Норвежский оперный театр и расширение Музея современного искусства в Сан-Франциско. На веб-сайте Snøhetta есть специальный раздел для одного из их любимых инструментов инновационного мышления: концепции под названием транспозиция. Это метод, при котором участникам предлагается отказаться от своей профессиональной роли и поменяться точками зрения с другими в группе. Это делается для того, чтобы освободить участников от их привычного мышления и заставить их взглянуть на другие дисциплинарные точки зрения, из которых они могут наблюдать иное пространство решений.

Эти примеры иллюстрируют три важных урока. Во-первых, творчество не является неотъемлемым свойством человека — это осознанная практика, следовательно, ему можно научить и научиться. Во-вторых, творческий процесс обычно требует междисциплинарного подхода, и решения выводятся путем синтеза, казалось бы, не связанных между собой элементов. Наконец, причудливая природа творческих практик требует лежащей в основе структуры, навигационной системы, которая может направлять работу и направлять вопросы что, если в продуктивном и осмысленном направлении. Это способность, которая, возможно, до сих пор дает людям преимущество перед машинами в творческих занятиях — это также то, что Герд Гигеренцер, директор Института человеческого развития им. Макса Планка, называет высшей формой интеллекта: >интуиция.

У Ли Седоля интуиция на высоте. С тех пор, как он начал профессионально играть в го, в возрасте 13 лет, он сыграл тысячи матчей и приобрел колоссальный опыт. Это дает ему острую чувствительность к широкому спектру моделей и стратегий игры и подсознательно направляет каждый его шаг. Тем временем команда DeepMind экспериментирует с секретным соусом, чтобы противостоять этому, казалось бы, неподражаемому качеству. Используя область внутри ИИ, называемую обучение с подкреплением, механизм искусственного интеллекта DeepMind не только получает данные о человеческих матчах (обучение с учителем), но и делает еще один шаг вперед и проводит матчи против клонированных систем AlphaGo. . Другими словами, он не просто полагался на жестко запрограммированную эвристику оценки людьми, а скорее оттачивал свои навыки в сотнях тысяч матчей против столь же хорошо обученных машин ИИ. По сути, годы, которые Ли потратил на то, чтобы стать мастером игры, оказались в пределах досягаемости AlphaGo за считанные недели. Количество приемов и стратегий, которым AlphaGo научилась и на которых научилась, просто запредельно для Ли.

Увлекательная демонстрация этого произошла на 37-м ходу во второй партии, когда AlphaGo сыграла ход, который застал Ли врасплох (и спровоцировал его покинуть игровую комнату, чтобы прийти в себя). Примечательно, что никогда не было записи об этом ходу. чтобы играли раньше. Лежащая в основе движения механика еще более увлекательна: движок ИИ действительно сталкивался с этим движением раньше — благодаря своему обширному опыту в моделировании тренировочных заездов. Дэвид Сильвер, ведущий исследователь проекта AlphaGo, объяснил, что, по оценкам программы, вероятность того, что человек сделает этот ход, составляет один к десяти тысячам. Самое непонятное заключается не в том, что AlphaGo смогла это определить, а в том, что она осознавала смелость хода и все же решила его сыграть. Другими словами, он отверг свою первоначальную программу и следовал догадке.

Это доходит до сути того, что отличает AlphaGo: в отличие от большинства игровых систем с искусственным интеллектом до этого, AlphaGo не работает на основе всеобъемлющей базы данных возможных ходов. Вместо этого, подобно тому, как Lee оценивает только ограниченное количество вариантов для любого заданного хода, AlphaGo сокращает свою базу поиска до управляемого уровня. Это достигается путем развертывания эвристического алгоритма под названием поиск по дереву Монте-Карло — по сути, случайным образом исследуя, каким может быть правильный ход, полагаясь при этом на основные культивируемые нейронные сети для руководства при оценке позиций и ходов. Это начинает звучать очень похоже на приведенное выше описание человеческих творческих практик.

Помимо победы в игре го, гигант Маунтин-Вью усердно работает над использованием ИИ в ряде других предприятий. Только в 2015 году компания применяла различные варианты ИИ к тысячам проектов. Кроме того, по всему миру существует множество других компаний и исследовательских институтов, которые неустанно развивают и расширяют возможности ИИ. В совокупности мы можем ожидать колоссальный всплеск новых систем искусственного интеллекта в течение следующего десятилетия. Эти системы неизбежно начнут объединяться и соединяться друг с другом по-разному. Следовательно, ИИ в конечном итоге сможет получать доступ и делать перекрестные ссылки на данные между доменами, а также при отражении от других сетей, укрепляя базу знаний и интеллектуальный потенциал друг друга. В свете нашего исследования творческих методов выше, этот сетевой эффект открывает широкие возможности для комбинаторной природы творчества и укрепит и расширит основу ИИ для интуиции.

Г-жа Чжоу называет следующий этап ИИ когнитивным интеллектом, который позволяет системам ИИ не только распознавать данные, но и интерпретировать их и делать из них выводы. AlphaGo явно дразнит важным развитием этой территории. Но прежде чем мы начнем собирать свое снаряжение и уходить в отставку, важно признать, что, хотя го — чрезвычайно сложная игра, и что машинное мастерство в ней демонстрирует, что ИИ может превзойти человеческое мастерство в областях, которые когда-то считались недосягаемыми. — это все еще просто игра. Он основан на идеальном наборе информации и в конечном итоге имеет только два возможных исхода: выигрыш или проигрыш. Мир за пределами Go бесконечно сложнее и многограннее этого. AlphaGo пока не может захватить мир.

В знак признания этой исторической победы команда Google DeepMind была удостоена почетного 9-го дана (самый высокий ранг, который может иметь игрок в го) Корейской ассоциацией бадук (го). Их работа с AlphaGo действительно придала новое измерение нашему представлению о том, на что способен ИИ, но основа для их работы была заложена намного раньше. Вернувшись в Дартмут в 1956 году, один из участников семинара уже неустанно работал над решением очень похожей задачи. Артур Сэмюэл намеревался построить машину, которая могла бы побеждать людей в игре в шашки. Конечно, совокупная сложность этой игры гораздо легче поддается управлению, чем в го, но Сэмюэл справился со многими из тех же проблем — не в последнюю очередь потому, что доступная память и вычислительная мощность компьютеров были лишь частью того, что доступно сегодня. Следовательно, ему пришлось творчески подходить к содержимому набора инструментов своей машины. Программа Сэмюэля в конечном итоге смогла бросить вызов респектабельному игроку-любителю (и это было такой же большой сенсацией, как сегодняшняя победа AlphaGo). Важной причиной этого достижения стал один из развернутых поисковых алгоритмов: альфа-бета-обрезка. Точно так же, как алгоритмы Монте-Карло AlphaGo избавили программу от необходимости исчерпывающего поиска возможных ходов, программа шашек Сэмюэля аналогичным образом урезала свое дерево поиска, отсекая ветви, которые считались неэффективными для окончательного решения. Другими словами, программа управлялась интуицией, хотя и менее изощренной, чем в случае с AlphaGo.

Ни Сильвер, ни Сэмюэл не разрабатывали игровые автоматы просто для развлечения. Они оба глубоко верили, что последовательные задачи принятия решений в таких играх, как го и шашки, имеют много аналогов в реальном мире. Вместо того, чтобы рассматривать работу как средство для достижения цели, они считали ее развитием набора навыков, которые в конечном итоге можно было бы применить к другим, более насущным вопросам. Одной из самых мощных из этих культивируемых способностей, безусловно, является искусственная интуиция. Как «человеческая» базовая способность, может ли это подготовить почву для других подобных творческих способностей машин? Искусственное ремесло? Заклинивание машины? Структурированная спонтанность? Иди разберись.