Чего не хватает искусственному интеллекту
Глядя на последние достижения в сфере искусственного интеллекта, можно подумать, что машины превосходят людей и скоро поработают нас. Но на самом деле большинство когнитивистов обладают ограниченными возможностями. «Наш мозг гибче. Получив информацию, он быстро расставляет приоритеты и по возможности выводит общие, спорные, эксплицитные обоснования», — пишет нейробиолог Станислас Деан. Отвечая на вопрос, чего не хватает искусственному интеллекту, автор выявляет наличие у подростков высоких способностей к научению. Т&Р волнуют отрывок из книги «Как мы учимся», где Деаняет перечисление функций мозга, отсутствующих в современных искусственных системах.
Усвоение абстрактных понятий
Большинство искусственных нейросетей выделяют только самую первую степень обработки информации — анализ изображения, который зрительные области нашего мозга обнаруживают меньше, чем за пятую долю секунды. Алгоритмы глубокого обучения далеко не так глубоки, как создаются некоторые файлы. По словам Йошуа Бенжио, одного из изобретателей алгоритмов глубокого обучения, такие системы в основном охватывают случаи, статистические измерения в данных, а не абстрактные определения высокого уровня. Например, чтобы распознать объект, алгоритмы глубокого изучения часто полагаются на те или иные очевидные особенности изображения — возможно, подвергнуться цвету или форме. Изменитель этих деталей — и производительность алгоритма резко упадет: современные сверточные нейронные сети не обнаруживают распознавать, что составляет сущность объекта.. Они не гарантируют, что стул остается стулом независимо от того, сколько у него нож (четыре или только одна) или из чего он изготовлен (из стекла, металла или пластика). Тенденция обращать внимание на частые признаки этих состояний, восприимчивых к ошибкам. Написано множество статей о том, как обмануть нейронную сеть: захват банана, из-за нескольких запахов или прицепов к невосприимчивости к наклейке. Вуаля! — нейронная сеть подумает, что это тостер!
Конечно же, человек, измеряющий долю секунды, иногда достигает той же промахи, что и машина, и может обнаружить собаку за кошку. Однако, если ему дать чуть больше времени, он тут же исправит ошибку. В отличие от того, что мы проявляем, проявляем повышенное внимание к своим представлениям и переориентируем внимание на аспекты образа, которые не согласуются с первым впечатлением . Этот второй анализ, сознательный и разумный, задействует общие наши способности к рассуждению и абстракциям.
Искусственные нейронные сети упускают из виду одну очень важную вещь: человеческое научение — это не просто настройка фильтра абстрактной модели мира
Когнитивист Дуглас Хофштадтер первоначально сказал, что распознать букву А — настоящая проблема искусственного интеллекта! Это язвенное замечание, вероятно, является преувеличением, но доля истины в нем есть: даже в таком тривиальном профессиональном опыте, который справится с абстракциями. Этот дар лежит в основе одного забавного явления повседневной жизни капчи — коротенькой по цепочке букв, которую просят распознать некоторые сайты, дабы быть уверенным, что вы человек, а не машина. Многие годы капчи успешно противостояли машинам. Но компьютерная наука развивается быстро: в 2017 году искусственно удалось распознать капчу почти на человеческом уровне. Неудивительно, что этот алгоритм имитирует мозг сразу в нескольких отношениях. Совершая истинный тур де форс, он умудряется извлечь скелет каждой буквы, реализовать сущность буквы А, после чего использует все ресурсы статистического мышления, чтобы проверить, применима ли эта абстрактная идея к имеющемуся образу. И все же этот компьютерный алгоритм, каким бы он ни был, работает только с капчами . Наш мозг придает способность распознавать абстракции во всех аспектах повседневной жизни.
Эффективная обработка данных
Все согласуются с тем, что современные нейронные сети обучаются слишком медленно: им требуются захваты, даже миллиарды элементов данных, для распространения представления об области. У нас даже есть экспериментальные подтверждения этой медлительности. Например, чтобы получить доступ к консоли Atari , нейронной сети, разработанной DeepMind , минимум 900 часов, необходимо человеку — всего 2!
Другой пример — владение речью. По оценке психолингвиста Эммануэля Дюпу, у большинства французских семей дети выслушивают от 500 до 1000 часов речи в год; это более чем достаточно для удержания языка Декарта, даже с основами мудрости, как soixante douze («семьдесят два») или s'il vous plaît («пожалуйста»). С другой стороны, в народах цимане, населяю- щем северной боливийской амазонки, дети слышат только 60 часов речи в год, но это не препятствует им отлично говорить на языке цимане.
Для сравнения: лучшие современные компьютерные системы от Apple , Baidu и Google требуют в 20–1000 раз больше данных, чтобы достичь даже мизерной языковой квалификации. В плане научения эффективности человеческого мозга остается непревзойденной: потребление поглощает огромное количество информации, зато мы поглощаем ее более эффективно . Иными словами, из минимума данных люди умеют максимально использовать.
Социальное обучение
Человек — вид, который является единственным обладателем общедоступной информации: мы многому учимся у других людей благодаря своей речи. Эта достижимость пор остается вне досягаемости современных искусственных нейросетей. В искусственных моделях знания зашифрованы, рассеяны в значениях сотен миллионов синаптических весов. В этой скрытой, имплицитной форме нельзя получить и избирательно передать другому. Мы, напротив, предлагаем эксплицитно выявить самую высокую оценку — ту, которая зависит от нашего сознания.. Сознательное знание неразрывно связано с появлением его вербального выражения: раз, когда мы приходим к более или менее четкому пониманию некоего явления, ментальная формула находит отклик в нашем языке мышления, и мы обнаруживаем о ней встречаемся с использованием речи. Необычайная эффективность, с которой человек сталкивается с определенным количеством слов («Чтобы попасть на рынок, повернуться, на маленькую улочку за церковью»), до сих пор беспрецедентна как для животного мира, так и для компьютеров.
Научение с одной стороны
Ярчайший пример такой эффективности — перенос нового материала с получением. Если я употреблю новый глагол, скажем, «курдячить», хотя бы один раз, вы тоже можете использовать его. Конечно, некоторые искусственные нейросети могут запомнить мою фразу. Но что машины пока не умеют делать хорошо, так это интегрировать новую информацию в Существующую сеть — а человеческому мозгу это отлично выделяется. Вы не только запоминаете новый глагол «курдячить», но и вращаете, как его спрягать и вставлять в другие предложения: вы часто курдячите? я курдячил вчера, а они курдячат сегодня . Когда я говорю: «Давайте покурдячим завтра» — вы не просто узнаете новое слово, вы вставляете его в обширную систему символов и правил. Например, «курдячить» — личный глагол II спряжения (я курдячу, ты курдячишь, он курдячит и т. д.). Научиться — значит успешно внедрить новые знания в Существующую сеть .
Систематичность и языковое мышление
Грамматические правила — лишь один из случаев необычного таланта нашего мозга: выявление общих свойств, лежащих в основе особых случаев. Будь то математика, язык, наука или музыка, человеческий мозг ухитряется из-за их абстрактных доводов, системных правил, которые он может вновь применять в самых разных контекстах. Возьмем, к примеру, арифметику: наша способность складывать два числа включает очень общий характер — как только мы научились этой процедуре на малых числах, мы без труда можем применить ее к большим числам. Но главное — мы умеем делать обобщающие заборы. Многие дети в возрасте пяти-шести лет обнаруживают, что за каждым числом n следует число n + 1 и что по совокупности чисел, следовательно, бесконечна — наибольшего числа просто не существует. Лично я до сих пор с трепетом вспоминаю момент, когда я это осознал — на самом деле, это была моя первая математическая статистика. Какие необыкновенные способности к абстракциям! Каким образом следует концептуализировать бесконечность мозга, состоящему из конечного числа нейронов?
Современным искусственным нейросетям недоступен даже такой простой абстрактный закон, как «за каждым числом следует другое число». Абсолютные истины — не их конек. Систематичность, способность к обобщению на основе некоего символического правила, а не возникновение сходства по-прежнему ускользает от большинства современных алгоритмов. Иронично, но так называемые алгоритмы глубокого обучения практически не подходят для глубокого анализа.
Наш, противоположный, превосходно умеет выводить формулу на собственном, ментальном языке. Например, он может выразить всеобъемлющее восприятие, объединение внутреннего пространства, всеобъемлющее объединение абстрактных функций, как определение и квантификацию (бесконечное = не конечное = за пределами любого числа). Американский философ Джерри Фодор (1935–2017) предложил теоретическое рассмотрение этих способностей: он утверждал, что мы мыслим символами, комбинируемся в соответствии с системными выборами особого «языка мышления». Возможности такого языка обусловлены его рекурсивной природой: каждый вновь созданный объект (скажем, бесконечности) может быть использован непосредственно в новых комбинациях, без ограничений. Сколько существует бесконечностей? Этот, очевидно, абсурдный вопрос задал себе математик Георг Кантор (1845–1918) и сформулировал цепочку трансфинитных чисел. Способность «бесконечно использовать конечный набор средств», согласно Вильгельму фон Гумбольдту (1767–1835), характеризует все человеческое мышление.
Некоторые искусственные модели оценки имитируют оценку абстрактных математических правил у детей, но для этого они должны овладеть абсолютной иной точностью определения — той, которая опирается на существующий уже существующий набор правил и обоснованный выбор наиболее емких и правоподобных из них. С этой точки зрения наука становится похожей на программирование: она состоит в выборе исключительной внутренней формулы среди всех распространенных на языке мыслей .
Современные нейронные сети по большей части не представлены для репрезентации всего спектра абстрактных фраз, формул, правил и теорий, с использованием мозга Homo sapiens моделирует мир
Едва ли это случайно: в этом есть нечто сугубо человеческое, явление такое, чего нет в мозгу других видов животных и что современная нейробиология еще не успел изучить подробно — применение признаков нашего вида. По всей видимости, люди — единственные приматы, чей мозг репрезентирует наборы символов, которые комбинируются в соответствии с представлением древовидным синтаксисом. В частности , сотрудники лаборатории обнаружили: , — измеренный пульс строится относительно лежащей в ее основе абстрактной структуры (три следствия звука плюс один непохожий). Оказавшись в аналогичной ситуации, обнаружение проявлялось последовательно из четырех звуков, понимает, что последнее отличается, но, вероятно, не интегрирует эти фрагментарные знания в единую формулу. Откуда нам это известно? Изучая мозговую активность обезьян, мы видим, как выявленные нейронные сети реагируют на количество и последовательность, но не вызывают аллергического паттерна активности в области, реагирующей на речь у людей.
По аналогии с этим потребляются десятки тысяч прежде всего, чем обезьяна поймает, как изменится порядок следования (с АБВГ на ГВБА), хотя четырехлетнему ребенку достаточно пяти. Младенец, который родился всего несколько месяцев назад, уже кодирует внешний мир с помощью абстрактных и системных правил — это способности, которые напрочь принадлежат не только классическим искусственным нейросетям, но и другим видам приматов .
Компоновка
Как только я научусь складывать два числа (к примеру), эта вероятность является вероятной частью моего репертуара талантов: иными вероятностями, я легко реализую его решения для любых других задач. Я могу использовать как подпрограмму в десятках различных контекстов — скажем, оплатить счет в ресторане или проверить налоговую декларацию. Но главное — я умею комбинировать его с другими приобретенными навыками: например, без труда взять некое число, при этом не обращая внимания на 2 и определить, что больше: новое число или 526.
Удивительно, но современные искусственные нейросети до сих пор не проявляют такой гибкости. Знание, которое они усвоили, остается изолированным в скрытых, доступных связях, что приводит к его повторному использованию в других, более сложных задачах.
В отличие от искусственных моделей, не умеют сочетать ранее приобретенные навыки, то есть рекомбинировать их для решения новых задач.
Для современного искусственного интеллекта характерна узкая специализация. Программа AlphaGo , которая может победить любого чемпиона по игре в го, — упрямый эксперт, неспособный обобщить свои таланты и применить их в другой, даже очень похожей игре (например, AlphaGo отлично умеет играть в го на стандартном гобане 19×19, но не на доске 15×15). В человеческом мозге, напротив, научение почти всегда означает преобразование знаний в эксплицитную форму, позволяющую их использовать повторно, рекомбинировать и объяснять другим. Здесь мы снова сталкиваемся с аспектом человеческого мозга, который тесно связан с речью и который, как представляется, чрезвычайно трудно воспроизводим в машине .
Разум — универсальное орудие нашей психики. Умственные способности, перечисленные Декартом, наличие второй системы научения, иерархически занимаемой более высокой степени, чем первая, и основанной на правилах и символах. На стадии развития болезни наша зрительная система отдаленно напоминает современные искусственные нейросети: она учится фильтровать поступающие образы и распознавать часто встречающиеся сборки. Этого достаточно, чтобы определить лицо, слово или расположение камней на гобане. Но от стиля обработки информации о местонахождении меняется: получение становится более сродни рассуждению, логическому извлечению, имеющему свою цель раскрытия правил изучаемой области. Создание машин, имеющих доступ к этому второму уровню интеллекта, — сложная задача. Но что конкретно делают люди, когда учатся на этом втором уровне, и что именно ускользает от большинства современных алгоритмов машинного обучения.
Информация взята с сайта @Almau для студентов.