Искусственный интеллект - куда летим?
Последние несколько лет ознаменовались прорывными достижениями в технологии нейронных сетей, например, их способностью самостоятельно обыгрывать любого из живущих на Земле людей в сложнейшую из игр, придуманных человечеством, а также синтезировать изображения и голоса существующих и несуществующих людей так, что их не отличить от реальных. Является ли это торжеством искусственного интеллекта над человеческим? Если нет, то над чем еще предстоит работать исследователям и разработчикам, чтобы сделать победителей в гонке за ИИ «властелинами мира»?
По мнению экспертного сообщества, существует целый ряд принципиальных проблем, которые предстоит решить для создания «общего» или «сильного ИИ». В частности, как показала крупнейшая ежегодная международная конференция по ИИ, прошедшая в Макао, необходимость так называемого «объяснимого ИИ» и возможности «обучения через передачу знаний» являются практически необходимыми в целом ряде случаев — в вопросах обороны, безопасности, здравоохранения и финансов. Также, по мнению многих ведущих исследователей, эти две задачи являются ключом к созданию «общего» или «сильного ИИ».
Наиболее широко обсуждаемым направлением становится так называемая нейросимвольная интеграция, предполагающая «взять лучшее из двух миров», объединив способности к обучению субсимвольных глубоких нейросетей (уже продемонстрировавших свои успехи) и объяснимость символьного вероятностного моделирования и программирования (обещающих достижения в будущем). Наряду с приведенными выше технологическими предпосылками, это направление заслуживает пристального внимания также с позиций когнитивной психологии. Как считает Дэниел Канеман, человеческое мышление неразрывно связано с взаимодействием двух разных, но взаимодополняющих друг друга систем. Первая — система быстрого неосознанного интуитивного необъяснимого мышления, вторая — система медленного сознательного, рассудочного объяснимого мышления. В то время как первая обеспечивает эффективное решение текущих задач и распознавание знакомых ситуаций, вторая переваривает новую информацию и обеспечивает возможность адаптации к новым условиям, контролируя и направляя обучение первой системы. И если системы первого типа в виде нейросетей в ряде практических приложений сейчас выходят на так называемое плато продуктивности Гартнера, то работающие прикладные решения на основе систем второго типа только еще предстоит создать, не говоря уже о гибридных нейросимвольных системах, работа над которыми только началась со стороны крупнейших игроков в этой отрасли.
Подробнее - на https://russiancouncil.ru/analytics-and-comments/analytics/sleduyushchie-tseli-v-gonke-ii-obyasnimost-i-obuchaemost/
