V zadnjem času so objave o možnostih za pojav umetne inteligence pogostejše. Razpravljajo o praktičnih in moralno-etičnih vidikih sobivanja človeštva z njim. Kako pravočasne so te razprave? Ali res lahko pričakujemo pojav "mislečih strojev"?
Vse projekte ustvarjanja umetne inteligence lahko v grobem razdelimo na dve področji. Prva je kopičenje baz podatkov in njihova obdelava s programi, ki posnemajo aktivnost človeških možganov. Drugi temelji na preučevanju modelov intelektualnega vedenja. Ključna pomanjkljivost obeh je, da še vedno ne vemo dovolj dobro, kaj sta um in intelektualno vedenje, človeške možgane pa, odkrito povedano, začeli resno proučevati razmeroma nedavno.
Obstaja mnenje, da je težavo mogoče zaobiti zaradi kiborgov, torej s spajanjem živih možganov (opice, v prihodnosti pa tudi človeka) z računalnikom, vendar je ta pot polna ogromnih težav, in še huje, v tem primeru o tem ne bo mogoče govoriti polna umetna inteligenca.
Vendar znanstveniki verjamejo, da je povsem realno preskočiti več korakov, kar omogoča, da se umetna inteligenca razvije neodvisno - tako kot se je razvijala v živi naravi, s to razliko, da bo njen razvoj potekal v virtualnem, ne materialnem prostoru. Pri tem stava daje umetna nevronska omrežja ali nevronske mreže (Umetna nevronska mreža).
Spomnimo se, kaj je nevron To je ime živčne celice, ki se od drugih celic razlikuje po tem, da je sposobna shranjevati in prenašati informacije z električnimi in kemičnimi signali. Funkcijo nevronov so odkrili konec 19. stoletja, kar je seveda igralo v roke materialistom, ki so takrat dobivali avtoriteto po vsem svetu: takoj so izjavili, da so nevroni tisti, ki vsebujejo "dušo". Od tod ideja, da če nekako zrasteš natančno kopijo možganov, se bo v njej rodila "duša". Toda postavilo se je filozofsko vprašanje: ali je mogoče govoriti o "duši" brez razloga? Konec koncev gre za izdelek vzgoje, kot kaže študija "Mowgli" - človeških otrok, ki so jih vzgajale živali. Skladno s tem ni dovolj, da ustvarite kopijo možganov - še vedno jo je treba "izobraziti" za pridobitev inteligence.
TEHNIČNA FINA
Možgani običajne odrasle osebe vsebujejo približno 86 milijard nevronov. Ne tako dolgo nazaj se je ideja o njenem digitalnem analognem zdela popolnoma fantastična. Vendar se danes z razvojem informacijske tehnologije to že zdi precej dosegljivo.
Promocijski video:
Treba je spomniti, da slavni ameriški matematik Norbert Wiener, "oče" kibernetike, velja za utemeljitelja teorije modeliranja zapletenih bioloških procesov, vključno z možganskimi procesi. Leta 1949 je kanadski psiholog Donald Hebb, specialist za preučevanje miselnih procesov, na podlagi Wienerjevih izračunov sestavil prvi algoritem treninga za nevronske mreže (mimogrede, Hebb je nekoč služil v CIA, kjer se je ukvarjal s problemom pranja možganov).
Leta 1957 je Američan Frank Rosenblatt, teoretik umetne inteligence, na podlagi svojega prejšnjega dela ustvaril logični diagram perceptrona - samoučno kibernetskega modela možganov, ki so ga tri leta pozneje izvedli na podlagi elektronskega računalnika Mark-1. Receptron prenaša signale iz fotocelic (senzorji, S-celice) do blokov elektromehanskih spominskih celic, ki so naključno povezane. Če ena od celic sprejme signal, ki presega vrednost praga, jo odda dalje - seštevalniku (R-element) in z določenim koeficientom ("teža" povezave AR). Odvisno od vsote signala, pomnožene z masnimi faktorji, seštevalec odda enega od treh možnih rezultatov na izhod celotnega sistema: -1, 0 in +1. Trening perceptrona se zgodi na stopnji uvajanja masnih koeficientov v sistem. Na primerpred fotocelice postavimo „kvadratno“številko in nastavimo pravilo: ko se kvadrat pojavi v vidnem polju, mora perceptron dati pozitiven rezultat (+1), kadar pa se pojavi kateri koli drug objekt, negativen (-1). Nato enega za drugim spreminjamo predmete in uravnavamo uteži, ko se pojavi kvadrat v smeri povečanja, v njegovi odsotnosti pa v smeri zmanjšanja. Kot rezultat dobimo edinstven niz vrednosti koeficientov teže znotraj sistema za katero koli varianto videza kvadrata, v prihodnosti pa ga lahko uporabimo za prepoznavanje kvadratov. Mark-1 je kljub svoji primitivnosti v primerjavi s sodobnimi računalniki lahko prepoznal ne samo geometrijske oblike, temveč tudi črke abecede, poleg tega pa so bile napisane z različnimi rokopisi.kadar se v vidnem polju pojavi kvadrat, mora perceptron dati pozitiven rezultat (+1), kadar pa se pojavi kateri koli drug objekt - negativen (-1). Nato enega za drugim spreminjamo predmete in uravnavamo uteži, ko se pojavi kvadrat v smeri povečanja, v njegovi odsotnosti pa v smeri zmanjšanja. Kot rezultat dobimo edinstven niz vrednosti koeficientov teže znotraj sistema za katero koli varianto videza kvadrata, v prihodnosti pa ga lahko uporabimo za prepoznavanje kvadratov. "Mark-1" je kljub svoji primitivnosti v primerjavi s sodobnimi računalniki lahko prepoznal ne samo geometrijske oblike, temveč tudi črke abecede in napisane z različnimi rokopisi.kadar se v vidnem polju pojavi kvadrat, mora perceptron dati pozitiven rezultat (+1), kadar pa se pojavi kateri koli drug objekt - negativen (-1). Nato enega za drugim spreminjamo predmete in uravnavamo uteži, ko se pojavi kvadrat v smeri povečanja, v njegovi odsotnosti pa v smeri zmanjšanja. Kot rezultat dobimo edinstven niz vrednosti koeficientov teže znotraj sistema za katero koli varianto videza kvadrata, v prihodnosti pa ga lahko uporabimo za prepoznavanje kvadratov. "Mark-1" je kljub svoji primitivnosti v primerjavi s sodobnimi računalniki lahko prepoznal ne samo geometrijske oblike, temveč tudi črke abecede in napisane z različnimi rokopisi. Nato enega za drugim spreminjamo predmete in uravnavamo uteži, ko se pojavi kvadrat v smeri povečanja, v njegovi odsotnosti pa v smeri zmanjšanja. Kot rezultat dobimo edinstven niz vrednosti koeficientov teže znotraj sistema za katero koli varianto videza kvadrata, v prihodnosti pa ga lahko uporabimo za prepoznavanje kvadratov. "Mark-1" je kljub svoji primitivnosti v primerjavi s sodobnimi računalniki lahko prepoznal ne samo geometrijske oblike, temveč tudi črke abecede in napisane z različnimi rokopisi. Nato enega za drugim spreminjamo predmete in uravnavamo uteži, ko se pojavi kvadrat v smeri povečanja, v njegovi odsotnosti pa v smeri zmanjšanja. Kot rezultat dobimo edinstven niz vrednosti koeficientov teže znotraj sistema za katero koli varianto videza kvadrata, v prihodnosti pa ga lahko uporabimo za prepoznavanje kvadratov. "Mark-1" je kljub svoji primitivnosti v primerjavi s sodobnimi računalniki lahko prepoznal ne samo geometrijske oblike, temveč tudi črke abecede in napisane z različnimi rokopisi. Kot rezultat dobimo edinstven niz vrednosti koeficientov teže znotraj sistema za katero koli varianto videza kvadrata, v prihodnosti pa ga lahko uporabimo za prepoznavanje kvadratov. "Mark-1" je kljub svoji primitivnosti v primerjavi s sodobnimi računalniki lahko prepoznal ne samo geometrijske oblike, temveč tudi črke abecede in napisane z različnimi rokopisi. Kot rezultat dobimo edinstven niz vrednosti koeficientov teže znotraj sistema za katero koli varianto videza kvadrata, v prihodnosti pa ga lahko uporabimo za prepoznavanje kvadratov. Mark-1 je kljub svoji primitivnosti v primerjavi s sodobnimi računalniki lahko prepoznal ne samo geometrijske oblike, ampak tudi črke abecede, poleg tega pa so bile napisane z različnimi rokopisi.
PAMETNE stvari
Seveda so se od takrat pojavila številna bolj zapletena vezja, algoritmi in različice perceptronov. Kljub temu ima ta pristop k organizaciji nevronskih mrež temeljne omejitve: na primer so perceptroni nemočni rešiti problem delitve figure na ločene dele ali določiti relativni položaj figur.
Ko je postalo jasno, da ni mogoče zgraditi umetne inteligence na podlagi perceptronov, je zanimanje zanje upadlo. Kljub temu so se v zgodnjih osemdesetih letih pojavile nove različice nevronskih mrež za samo učenje in samoorganiziranje: mreža Hopfield, mreža Hemming, mreža Kohonen, mreža Jordan in druge. Leta 1986 se je zgodila nekakšna revolucija: sovjetski in ameriški znanstveniki so razvili metodo povratnega razmnoževanja (iterativni gradientni algoritem), ki je omogočila premagovanje že odkritih omejitev. Po tem so nevronske mreže dobile hiter razvoj, ki se je takoj izvajal v aplikativnih računalniških programih.
Sodobni programski paketi, izdelani na podlagi umetnih nevronskih mrež, so sposobni prepoznati poljubno zapletena besedila, zvočne ukaze, obraze, kretnje in obrazno mimiko. Vendar so to le najpreprostejši primeri uporabe, obstajajo tudi bolj nenavadni. Avtopiloti s samostojnim učenjem, ki se lahko odzovejo na razvoj katastrofalnih situacij prej kot piloti. Borzni inšpektorji odkrivajo sumljive transakcije na borzah. Agenti za mrežne oglase, ki sledijo željam potencialnih strank. Medicinski diagnostiki, ki določajo patologije pri dojenčkih.
Jasno je, da bodo nevronske mreže postale bolj zapletene, ko se bodo informacijske tehnologije izboljšale. Upravljali bodo z vsemi gospodinjskimi aparati in življenjsko podporo za domove, tovarne in supermarkete. Lahko spremljajo grožnje, analizirajo trende in dajejo nasvete, na primer o optimalni naložbi denarja. Ustvarili bodo lahko celo umetniške predmete: že obstajajo slike in pesmi, ki jih pišejo nevronske mreže!
SLAVIR ALI DRUŠTVO?
Pravzaprav gre vse do tega, da bo nevronska mreža nekega dne postala nenadomestljiv pomočnik pri tisoč velikih in majhnih zadevah. Tega se bojijo futuristi. Verjamejo, da se bo v nekem trenutku količina spremenila v kakovost, v nevronskih mrežah se bo pojavila umetna inteligenca, ki bo človeštvo takoj izzvala in ga uničila. Možna je tudi druga možnost - ljudje bodo postali tako odvisni od odločitev nevronske mreže, da sami ne bodo opazili, kako se bodo spremenili v njene sužnje.
Strašljivi scenariji, kot je ta, se zdijo preveč čudni. Dejstvo je, da so nevronske mreže na začetku strukturirane tako, da se prilagajajo potrebam določene osebe ali skupine ljudi. Pomagajo lahko popraviti napako ali dati nasvete, poudariti težavo ali opaziti prevaro, vendar se sami niso sposobni odločiti med enakovrednimi možnostmi, ker jih (žal ali na srečo) ne bomo mogli naučiti glavne stvari - morale. Zato bodo ves čas nevronske mreže kot domači psi - poslušne, zveste in prijazne.
Anton Pervušin