Гері Маркус, когнітивний вчений з університету Нью-Йорка, має трирічну дочку Хлою, яка любила набори Lego. Однак усі його будівлі були вертикальними, спрямовані знизу вгору. Ось чому одного разу її батько приніс стрічки лего, дозволяючи будувати витвори з кубиків лего або вбік, або догори дном. Спочатку він запропонував дочці стати збоку від столу, але на мить Хлоя сама приклеїла стрічку до стіни, і її статуя легіону висунулася зі стіни за кілька хвилин.

Маркус насправді провів експеримент, щоб перевірити, чи зможе Хлоя застосувати те, що вона вже знала про діяльність, у новому контексті. Хлоя виявила тут здоровий глузд, такий собі інтелект, який робить штучний інтелект, більш орієнтований на розмноження, проблеми. Але Маркус вважає, що штучному інтелекту можна навчитися так само, як і дітям.

Дослідники машинного навчання кажуть, що комп’ютери, навчені великим обсягам даних, можуть навчитися чому завгодно, включаючи здоровий глузд, їм потрібні лише кілька запрограмованих правил. Однак, за словами Маркуса, комп'ютерні вчені ігнорують десятиліття роботи в галузі когнітивної науки та психології розвитку, які показують, що люди мають вроджені здібності, запрограмовані інстинкти, що з'являються при народженні або в ранньому дитинстві, і допомагають нам мислити так само абстрактно і гнучко, як Хлоя. Він вважає, що вчені повинні включати саме такі інстинкти у свої програми штучного інтелекту.

інтелект

Багато інформатиків досі вивчають межі того, з чим може справитись "наївний" штучний інтелект. Багато хто проти того, щоб надати занадто багато попередніх знань. Крім того, багато вчених цінують простоту і мають огиду до налагодження занадто складного коду. Іншим фактором є такі компанії, як Facebook або Google, які найбільше цікавляться штучним інтелектом, орієнтованим на вузько визначені проблеми, такі як веб-пошук або розпізнавання облич. Системи штучного інтелекту не потребують жодних попередніх знань для цих завдань, і їх можна навчити на великих масивах даних. При цьому вони досягають в них дуже хороших результатів.

Однак у довгостроковій перспективі вчені очікують, що штучний інтелект буде виконувати набагато складніші завдання, що вимагають гнучкості та здорового глузду. Вони хочуть створити чат-боти, які пояснюватимуть новини, автономні таксі, які керують хаотичним міським рухом, і роботів, які лікують людей похилого віку. "Якщо ми хочемо створити роботів, здатних взаємодіяти в усьому людському світі, як-от C-3PO, - каже Джош Тененбаум, психолог з Массачусетського технологічного університету (MIT), - нам доведеться вирішити всі ці проблеми на набагато більш загальному рівні ".

Деякі інформатики вже намагаються. У лютому MIT запустив проект Intelligence Quest, дослідницьку ініціативу з розуміння людського інтелекту з технічної точки зору. Проект вже отримав інвестицій на кілька сотень мільйонів доларів. Вчені сподіваються отримати штучний інтелект десь на межі між чистим машинним навчанням і чистим інстинктом. Він буде дотримуватися деяких вбудованих правил, але він також навчиться, як і раніше.

Важливою частиною цього завдання буде з’ясувати, що і коли знають діти - ці знання потім можна застосувати до машин. Зовсім недавно Інститут штучного інтелекту Аллена в Сіетлі, штат Вашингтон, зібрав 125 мільйонів доларів на розробку та перевірку здорового глузду у штучному інтелекті. "Ми хотіли б спиратися на структуру, яка вроджена в мозку людини, - сказав Орен Ецціоні, генеральний директор інституту, - але ми не розуміємо, як мозок обробляє мову, мислення та знання".

З часом штучний інтелект (ШІ) перейшов від алгоритмів, заснованих на запрограмованих правилах та логіці, до машинного навчання, де алгоритми містять кілька правил і отримують дані під час навчання методом спроб і помилок. Людський розум знаходиться десь посередині.

"Ми намагаємось здійснити одну з найдавніших мрій про ШІ: щоб ми могли побудувати машину, яка розвиває свій інтелект, як це робить людина - вона починається з дитинства і вчиться в дитинстві", - пояснює Тененбаум. Останніми роками ШІ показав, що він може перекладати мову, діагностувати рак та перемагати людей у ​​покері. Однак помилка може бути завжди. Навіть алгоритми, які можуть диференціювати породи собак краще, ніж ви, іноді можуть позначати чихуахуа як кекс із чорниці.

За ці успіхи та невдачі відповідає машинне навчання - вид штучного інтелекту. Можна сказати, що штучний інтелект перейшов від програмного забезпечення, яке спирається на багато запрограмованих правил, до систем, які навчаються методом спроб і помилок. Потужні комп’ютери, великі обсяги даних та досягнення алгоритмів, званих нейронними мережами, зробили це можливим за зразком нейронів людського мозку.

Ця процедура була використана в програмі DeepMind Alpha, яка зараз належить Google. У 2016 році AlphaGo переміг чемпіона людини в класичній китайській стратегічній грі Go. Через рік AlphaGo Zero легко переміг AlphaGo набагато меншою кількістю правил. А через кілька місяців ще простіша система AlphaZero обіграла AlphaGo Zero і навчилася грати в шахи. Хоча IBM Deep Blue перемогла шахового гросмейстера Гаррі Каспарова в 1997 році, це був класичний штучний інтелект, заснований на правилах. Однак виявилося, що справжня віртуозність шахів полягає у знанні винятків та винятків із винятків тощо. І таку інформацію найкраще отримати через досвід. Ось чому AlphaZero, який вчиться знову і знову, може перемогти Deep Blue, найкращі сьогодні шахові програми та будь-якого чемпіона.

Але такі системи, як Альфа, не можуть видобути свій досвід на основі здорового глузду. Якби Альфі довелося грати на дошці 21 × 21 замість класичної 19 × 19, їй довелося б вивчити гру ще раз. Тож вона не може передати знання з однієї області в іншу, як це зробила Хлоя, коли вона почала будувати кубики лего догори дном.

Рішення не полягає у поверненні до штучного інтелекту, заснованого на правилах. Навіть дитина не впізнає собаку на основі таких правил, як що "число його кінцівок = 4, має хвіст і більше кота". Такі правила не дозволяли б визнати напр. чихуахуа з трьома ногами. Люди мають схильність, яка допомагає їм пізнавати і виправдовувати світ. Природа надає нам не готовий набір навичок, а «ешафот» для їх побудови.

На думку психологів, ми маємо принаймні чотири системи "основних знань", які дають нам основу для розуміння предметів, діяльності, чисел і простору. Наприклад, згідно з одним дослідженням, діти старше 3 днів інтерпретують два кінці частково затемненого стрижня як частину єдиного цілого - припускаючи, що наш мозок може бути схильний сприймати згуртовані предмети.

Маркус склав мінімальний перелік з 10 людських інстинктів, які, на його думку, слід вбудовувати в ШІ. Сюди входило, наприклад, поняття причинно-наслідкового зв’язку, аналіз витрат та вигод тощо. Ян ЛеКун, інформатик з Нью-Йоркського університету, який зараз проводить дослідження ШІ у Facebook, не погоджується з багатьма психологами з розвитку, стверджуючи, що якщо діти можуть навчитися таким навичкам за лічені дні, то це може зробити і алгоритми машинного навчання. Його переконання ґрунтуються на досвіді.

Він працював над розпізнаванням зображень, і вже у 1980-х роках він стверджував, що програмовані вручну алгоритми для ідентифікації функцій на зображенні можуть стати непотрібними. Через тридцять років він виявився правий. Критики запитували його, чому навички потрібно навчати, якщо їх можна створити. Він відповів, що включити це складно, і якщо ви не до кінця розумієте, як щось працює, пропоновані вами правила, швидше за все, будуть поганими.

Але Маркус зазначив, що сам ЛеКун вставив один із 10 ключових інстинктів у свої алгоритми розпізнавання зображень: поступальна незмінність, здатність розпізнавати об’єкт незалежно від того, де він знаходиться в полі зору. Поступальна інваріантність є принципом згорткових нейронних мереж. За останні п’ять років вони стали центром розпізнавання зображень.

ЛеКун каже, що поступальна незмінність може також виникати спонтанно з кращими загальними механізмами навчання. Дискусія про те, де розмістити ШІ у спектрі між чистим навчанням і чистим інстинктом, буде продовжуватися. Однак тут часто залишають поза увагою ще одну практичну проблему: як спроектувати та запрограмувати таку змішану машину. Поки незрозуміло, як поєднувати машинне навчання та мільярди параметрів нейронної мережі з правилами та логікою. Ні про те, як визначити найважливіші інстинкти та гнучко програмувати їх. Однак це не заважає деяким дослідникам та компаніям спробувати.

Наприклад, Лабораторія робототехніки в Університеті Нового Південного Уельсу в Сіднеї, Австралія, намагається оснастити Роботну підтримку людини (HSR), яка має одну руку та екран замість обличчя, двома людськими інстинктами. По-перше, вони хочуть навчити його розбивати проблему на менші та простіші завдання, подібно до того, як можна було б розділити рішення на кілька етапів. Згодом вони хочуть дати роботові можливість обґрунтовувати припущення та цілі, коли люди інстинктивно думають про наміри інших. Як, наприклад, реагував би HSR, якби хтось попросив його принести червону чашку, але знайшов лише синю чашку та червону тарілку?

Їх програмне забезпечення демонструє деякі людські здібності, включаючи здоровий глузд, приносити синю чашку, а не червону тарілку. Однак інші правила повинні бути запрограмовані в програмне забезпечення. Наприклад, штучний інтелект повинен сказати, що слово чашка важливіше слова червоний. В ідеалі, робот повинен мати соціальні інстинкти, щоб швидко засвоїти особисті переваги.

Інші дослідники намагаються надати своєму штучному інтелекту інтуїтивні знання фізики, якими, здається, володіють діти. Наприклад, вчені з DeepMind розробили т. Зв мережі взаємодії. Вони передбачають певні припущення щодо фізичного світу: існують дискретні об’єкти, що мають характерні взаємодії. Подібно до того, як діти швидко аналізують світ за допомогою взаємодії сутностей, ці системи також легко засвоюють властивості предметів та взаємозв'язки між ними. Результати свідчать про те, що мережі взаємодії можуть передбачати, наприклад, поведінку сфер, що відбиваються від стінок коробки, набагато точніше, ніж загальна нейронна мережа.

Каліфорнійська компанія Vicarious, яка займається програмним забезпеченням для роботів, розвиває цю ідею ще більше у своїй мережі схем. Ці системи також передбачають існування об’єктів та взаємодій, але вони також намагаються встановити причинно-наслідковий зв’язок, який їх пов’язує. Їх програмне забезпечення вчиться планувати назад, виходячи з бажаного результату. (Наприклад, я не хочу, щоб ніс свербів - це, мабуть, буде подряпано.)

Дослідники порівняли свій метод із найсучаснішою нейронною мережею в Atari Breakout, коли гравець рухає битою, щоб відбити м’яч, який потім збиває цеглу зі стіни. Мережа схем може дізнатись про причинний зв’язок, напр. про кулю, що б’є цеглу в контакт, незалежно від його швидкості. Потім ви можете переміщати цеглини або дозволяти гравцеві жонглювати трьома кулями - мережа схем не потребує додаткової підготовки при зміні гри. Помилка іншої мережі.

Одне з найскладніших завдань для дослідників - гнучко програмувати інстинкти, щоб ШІ міг справлятися з хаотичним світом, де правила не завжди дотримуються. Наприклад, автономні машини не можуть покладатися на інших водіїв, які суворо дотримуються правил дорожнього руху. Щоб усунути цю непередбачуваність, Ной Гудман, психолог та інформатик Стенфордського університету в Пало-Альто, штат Каліфорнія, допомагає розробляти імовірнісні мови програмування (PPL).

Він описує їх як поєднання твердих комп’ютерних кодових структур з математикою ймовірностей, що відображає спосіб, яким люди можуть слідувати логіці, а також враховує невизначеність: Якщо трава мокра, то, ймовірно, йшов дощ, але, можливо, хтось поливав її. Що найважливіше, PPL можна поєднувати з глибоким навчанням. Гудман каже, що PPL враховує не тільки фізику та логіку, але й те, як люди спілкуються та мають справу зі складними формами висловлювання, такими як перебільшення, іронія та сарказм.

Хлоя може не розуміти сарказм, поки їй не виповниться 10 років. Але мовне почуття маленьких дітей зрозуміле. Вони поєднують слова та ідеї, як кубики лего, змішуючи їх, адаптуючи та охоче тестуючи по всьому світу. Так само з часом вони тонко налаштовують своє інтуїтивне відчуття фізики. І саме цьому слід вчитися штучному інтелекту.