Как создать сильный ИИ

Современные масс-медиа растиражировали понятие искусственного разума, создавая впечатление, что настоящий сильный ИИ уже создан. Но к сожалению, пока это не так. Большинство проектов использующих нейросети, направлены на решение одной-двух прикладных задач, где показывают, впрочем, неплохие результаты. Но так называемый "сильный" ИИ общей направленности, способный рассуждать как человек, пока остаётся мечтой. Проблема машинного обучения в том, что, по сути, большинство нейросетей лишь пытаются вычислить формулу для решения той или иной задачи. Для этого их пичкают большим количеством размеченных данных, нейроны улавливают скрытые корреляции в данных и "обучаются" - то есть выстраивают свои веса определенным образом. Создаётся "модель", которая сходным образом работает с похожими входными данными. Для создания "думающей" машины такого подхода явно недостаточно. Если рассмотреть в качестве примера GPT-3 которая неплохо имитирует человеческие тексты, мы увидим что скрипт исправно генерирует текст, но совершенно его не понимает. GPT-3 просто до краёв набили громадным количеством книг и научили предсказывать какие слова следуют друг за другом, с наибольшей вероятностью. Но при этом ни о каком понимании речи не идёт. GPT-3 может с успехом сгенерировать сюрреалистический бред, или сказать вам что два плюс два равно одиннадцать. Слабость современного ИИ ещё и в том, что он работает с "мёртвой" нейронкой, заранее просчитанной, в то время как мозг создаёт нейросети динамически в нужном объеме, под конкретные задачи "здесь и сейчас", а так же отключает старые. Что же делать? Вам не кажется странным, что люди пытаются обучить разговорный ИИ на корпусах вроде Википедии, за месяц другой, в то время как своих собственных детей учат в течении восемнадцати лет, начиная с каких то простых вещей, типа "собачка - гав гав", "кошечка - мяу мяу". А теперь возьмите младенца, и дайте ему Википедию. Многое ли оттуда он поймет? Если и создавать общий ИИ, то такой архитектуры, чтобы он расширял свои знания начиная с базовых вещей. И для этого придется сперва говорить с ним простым языком. Интересной могла бы быть комбинация нейросети и прологовской экспертной системы (базы знаний). Система не только способная отвечать, но формулировать вопросы для восполнения недостаточной информации. Подход называется Ontology Learning, и пока не слишком популярен, потому что бизнесу нужны нейросети для быстрого решения конкретных задач, а не "младенец", которого нужно обучать долгие годы. Давайте попытаемся понять, что необходимо для построения сильного ИИ: - Способность к самообучению. Человек задаёт изучить определенный вопрос. ИИ должен уметь правильно сформулировать поисковые запросы, которые дадут ему недостающую для решения задачи информацию. Далее, использовать сеть интернет для поиска недостающей информации, найти и проанализировать эти данные, выделить полезные факты, классифицировать фигурирующие в них объекты и действия, сохранить их в свою базу, и использовать при построении логических цепочек в мышлении. - Способность к построению картины мира, ее постепенному усложнению, ассоциациям и классификации. Изначально в базу знаний ИИ должна быть вручную заложена первоначальная минимальная онтология (картина мира), которая в той или иной мере описывает основные классы объектов, их свойств и действий. Например, разделить мир на живые и неживые предметы. Живые существа разделить на растения, животных, и людей. Людей на взрослых, детей и стариков, на мужчин и женщин, и так далее. Далее, встретив в ходе изучения статей из интернета какие-то новые объекты, ИИ должен попытаться соотнести их с уже имеющейся картиной мира, хранящейся в его памяти, сравнив известные свойства и действия нового объекта, с ранее изученными. Например, если ИИ видит что новый объект под названием "кошка" "сьела мышку", он может классифицировать кошек как живых существ, подкласса хищники, так как она выполняет действие "есть" и применяет его на другое живое существо "мышку". Постепенно, ИИ будет расширять свою картину мира, изучая новые свойства и действия объектов, и предсказывая на основе прошлого опыта какие действия может совершить тот или иной объект, и к каким последствиям это приведёт. Это будет уже более похоже на мышление, и требует, помимо ассоциаций и классификации возможность строить логические цепочки. - Способность строить логические цепочки "причина-условия-следствие". Данная способность также основана на накоплении предыдущего опыта и изучении имеющихся примеров тех или иных действий и событий. Сложностью здесь является обучить машину строить не простые выводы вроде "Кошка живая значит она хочет есть", а целые логические цепочки из подобных простых предложений. Например при анализе вопроса "почему кошка полезла в подвал", ИИ должен найти в своей памяти все возможные мотивы действий объекта кошка, начав с наиболее сильных, таких как голод. Далее, исходя из предположения что кошка хочет кушать, и она хищник, попытаться связать локацию подвал с едой кошки. Из распространенной еды кошек ИИ находит мышей, и ищет связи между подвалом и мышами. Данная связь прекрасно гуглится, поэтому машина выдает нам ответ - "Кошка отправилась в подвал потому что была голодна, и искала там мышей". Нейросети хороши для классификации, и обработки естественного языка, а базы знаний для хранения фактов и связей. Объединив эти две технологии в единое целое, и предоставив программе возможность беспрепятственно искать информацию в сети, мы приблизимся к настоящему сильному ИИ. Естественно, первоначальные знания, придётся внести так сказать, в "ручном режиме", но здесь подход не сильно отличается от обучения человека (мы учим детей говорить прежде, чем они начинают читать книги, и обучаются далее самостоятельно)




LILIYASOFT.RU

2020-2021