Программа «100 лет изучения ИИ» (One Hundred Year Study on Artificial Intelligence, AI100) служит подтверждением корректности разделения искусственного интеллекта на Сильный и Слабый и большей перспективности последнего. Она была предложена в 2014 году большой группой экспертов во главе с Эриком Гурвицем, руководителем исследовательской лаборатории Microsoft в Редмонде. Со стороны индустрии AI100 поддержана Apple, Facebook, Google, IBM, Microsoft, Amazon, IBM и другими компаниями.
AI100 стала продолжением предшествующей программы, которая называлась AAAI Asilomar Study и сложилась в результате регулярных встреч членов ассоциации Association for the Advancement of Artificial Intelligence (AAAI) в историческом центре конгрессов Asilomar Conference Grounds.
По программе AI100 предполагается оценить влияние искусственного интеллекта на автоматизацию всех видов человеческой деятельности, на национальную безопасность, психологию, этику, закон, права личности, демократию и многое другое. Коллега Гурвица, профессор биоинженерии и компьютерных наук в Стэнфордском университете Русс Алтман описал программу так: «Наша цель состоит в создании такого процесса, который бы позволил заглянуть в будущее на 30, 50 и 70 лет, хотя сейчас еще не совсем понятно, что такое искусственный интеллект и как его следует изучать».
Ключевым моментом для понимания позиции AAAI служит определение искусственного интеллекта, данное Нильсом Нильсоном, ветераном Центра исследований искусственного интеллекта в составе Стэнфордского исследовательского института (SRI International), в 2010 году. Оно звучит следующим образом: «Искусственный интеллект — это деятельность, нацеленная на создание умных машин, то есть таких машин, которые могут действовать соответствующим образом и прогнозировать изменения в окружающей среде». Ранее в 1971 году он дал следующую формулировку: «Цель работ по искусственному интеллекту – создать машины, которые будут выполнять функции, обычно требующие применения человеческого интеллекта». Оба определения ограничиваются областью действия Слабого ИИ.
1 сентября по программе AI100 был выпущен первый отчетный документ. Отчет включает итоги дискуссий, которые происходили на конференции, организованной в 2015 году. В нем определены области исследования и области практического применения искусственного интеллекта.
Основные области исследований
— Широкомасштабное машинное обучение (Large-scale machine learning). Основные положения машинного обучения (с учителем и без учителя) хорошо известны. Сейчас важно адаптировать их к новым условиям с учетом специфики работы с Большими Данными. Основы широкомасштабного машинного обучения изложены в книге Джефа Ульмана и работах Стэнфорда.
— Глубинное машинное обучение (Deep machine learning). Сочетание возможностей сверточных нейронных сетей, предложенных Яном Лекуном, с доступным аппаратным обеспечением на основе GPU открыло возможности для практических работ в таких областях, как компьютерное зрение, разметка видео, распознавание изображений и звука, обработка текстов на естественном языке (NLP). Содержательное введение в Deep learning можно найти в работе Андрея Куренкова A 'Brief' History of Neural Nets and Deep Learning, Part 1.
— Обучение с подкреплением (Reinforcement learning). В отличие от традиционного машинного обучения, сосредоточенного на распознавании и поиске образов, фокус обучения с подкреплением сдвинут в сторону принятия решений. Эти технологии предполагают познание внешнего мира, с кибернетической точки зрения это называют откликом на принятые решения, которые являются сигналы подкрепления. Данный вид обучения известен довольно давно — фундаментальный учебник Reinforcement Learning: An Introduction издан в конце 90-х годов, но практические результаты были получены совсем недавно, когда программа AlphaGo одержала победу над человеком. На первых порах AlphaGo тренировалась на реальных играх человека с человеком, а впоследствии играла сама с собой.
— Робототехника (Robotics). Основные усилия в этой области направлены на обеспечение предсказуемого взаимодействия робота с окружающей средой. Успехи последних лет связаны с достижениями в описанных выше трех подходах к машинному обучению.
— Машинное зрение (Computer vision). Это наиболее продвинутое направление в восприятии машиной внешней среды развивается на протяжении почти полувека, но практические результаты стали возможны с появлением GPU и успехами в области машинного обучения, достигнутыми за последние несколько лет.
— Обработка естественного языка (Natural Language Processing, NLP). Еще одно важное направление в развитии восприятия машиной внешней среды. Оно известно с работ Алана Тьюринга, проводимых еще в 50-х годах ХХ века, и сегодня содержит внутри себя десятки разных ветвей. Особое внимание в последние годы привлекают к себе автоматическое распознавание речи, перевод в реальном времени и создание новых систем взаимодействия человека с машиной. Классиком этого направления является Кристофер Мэннинг.
— Системы взаимодействия (Collaborative Systems, СS). Объектами исследования в области CS служат модели и алгоритмы, позволяющие разрабатывать автономные системы, способные взаимодействовать с другими системами и с человеком. Цель CS — в создании таких систем, где человеческий интеллект мог бы усиливать возможности искусственного интеллекта, и наоборот, технологии искусственного интеллекта помогали бы работе человека.
— Краудсорсинг и вычисления с использованием способностей человека (Crowdsourcing and human computation). Краудсорсинг — технологии, поддерживающие совместную интеллектуальную деятельность людей, а вычисления с использованием способностей человека (Human-Based Computation, HBC) — это задействование человеческих возможностей в тех приложениях, где они превосходят возможности компьютера. Работы, объединяющие оба направления, начались относительно недавно, примерно 15 лет назад. Они поддерживаются средствами машинного зрения, NLP и другими, обеспечивающими доступ к большим объемам данных.
— Сочетание теории игр с теорией общественного выбора (Algorithmic game theory and computational social choice).
— Интернет вещей (Internet of Things, IoT).
— Нейроморфные компьютеры (Neuromorphic Computing). Компьютеры, построенные по образу и подобию мозга, имеют многолетнюю историю. С появлением GPU и распространением технологий машинного обучения, прежде всего глубинного обучения, эта область активно трансформируется из узкой, академической в практическую, обеспечивающую реальную работу приложений.
Практические приложения искусственного интеллекта
Скорее всего, первым массовым приложением искусственного интеллекта, которое радикально изменит образ жизни людей, станут интеллектуальные транспортные системы.
— Умные автомобили, поддерживающие водителя многочисленными сервисами (контроль работы механизмов и систем, навигация, автоматизация движения и парковки, взаимодействие с другими участниками движения и прочее).
— Самоуправляемые автомобили, способные не только повысить безопасность перевозок, но и изменить в целом модель пользования автомобилями: люди могут отказаться от владения ими и перейти к сервисной модели. Уже сегодня предпосылки к этой модели демонстрируют Uber, Lyft и другие аналогичные компании.
— Автоматизированное управление транспортными потоками в городской среде в сочетании с разнообразными способами организации совместных перемещений (ridesharing), частным случаем чего является совместное использование автомобиля (сarpooling).
К 2030 году с внедрением домашних роботов, прежде всего роботов-уборщиков, заметно изменится быт.
Технологии искусственного интеллекта радикально изменят систему здравоохранения, охватят все ее составляющие — организацию клиник, медицинскую аналитику, медицинских роботов, мобильную медицину, средства для ухода.
Образование пополнится технологиями интеллектуального обучения и онлайнового контроля и средствами аналитики, позволяющими индивидуализировать процесс обучения.
Смена парадигмы искусственного интеллекта
Авторы отчета связывают будущее искусственного интеллекта со сменой основной парадигмы. Прежде доминировал подход, основанный на моделях (model-based), в том числе физический подход к машинному зрению, традиционное представление об управлении в робототехнике, традиционные алгоритмы NLP. Сегодня его сменяет альтернативный подход, основанный на данных (data-driven). Возможность обрабатывать большие объемы данных в сочетании с методами машинного обучения вытесняют ставшие популярными совсем недавно решения, в основе которых байесовская вероятность и графические модели. Системы искусственного интеллекта будут в большей степени ориентированы на человека.
В то же время в отчете есть обращение к молодым ученым, в котором их призывают не только взять на вооружение актуальные на сегодняшний день методы, но и не отвергать и изучать опыт из предшествующих пятидесяти лет искусственного интеллекта, а также из смежных наук — теории управления, когнитивных наук и психологии.
