Вашингтон, Округ Колумбия. Университет Джорджа Вашингтона.
Голубоглазая девушка замешкалась перед входом в аудиторию, разглядывая на тёмных дубовых дверях две крупные фигуристые буквы GW. Это был тот редкий случай, когда на дверях вместо номера аудитории была прикреплена металлическая гравировка с одной лишь аббревиатурой университета.
- Кэтрин, ты заблудилась? - послышался ироничный голос парня, идущего следом за ней.
- Представь себе, Джерри, нет, - уязвлённо ответила девушка.
- Что тогда мечтательный гуманитарий собирается делать на серьёзной научной лекции?
- Мечтательный гуманитарий собирается проверить насколько оправдана высокомерность технарей.
- А ты вообще в курсе, что будешь проверять, или тебе без разницы? - Джерри продолжал в насмешливом тоне.
- Конечно, вступительная лекция по курсу искусственного интеллекта. Её-то я и искала.
Джерри слегка удивился:
- Неужели? Откуда такой интерес к программированию?
- Жалко стало вас технарей, хочу помочь, - Кэтрин наигранно сменила тон на жалостливо-снисходительный.
- Ну да, конечно, тебя-то нам только и не хватало.
- Может, и не хватало. Всем известно, что наука сейчас сложила шпаги в этой области. Непосильная это задача научить компьютер мыслить по-человечески.
- И чем ты можешь помочь? Думаешь, если поболтать с компом о смысле бытия и прочитать ему пару сопливых стихотворений о любви, он сам собой наладится? - Джерри засмеялся.
- Так думаю даже не я. На помощь от гуманитариев надеется немало известных технарей, осознавших своё бессилие в этой области.
Джерри слегка напрягся, пытаясь сообразить, о ком говорит Кэтрин. Немного подумав, он с прежним скепсисом спросил:
- И, например?
- Ну как же, например, Дэймон Хоровитц[1]. Ты что, не знал? - Кэтрин взглянула на Джерри и изобразила на своём лице напускное разочарование.
Тот было собрался что-то ответить, но в последний момент передумал, так как Кэтрин недовольно подтолкнула его своим плечом:
- Из-за тебя мы опоздаем. Все уже только нас и ждут.
Пришлось поторопиться. Они быстро прошли внутрь и сели рядом на свободные места в первом ряду, который был почти пустой. Недалеко от них сидел только их молодой преподаватель философии Брайан Хенсли, который сам в этом году пришёл к ним в университет после аспирантуры.
Кэтрин с гордым видом шепнула Джерри на ухо.
- Я, между прочим, здесь не единственный гуманитарий.
Профессор Хаширо Сакурохава оглядел из-под очков притихших студентов в аудитории.
Убедившись, наконец, что предлекционная возня полностью завершилась, профессор встал из-за стола и прошёлся по сцене перед большим белым проекционным экраном.
Вот уже двадцать восемь лет подряд он традиционно начинает свой курс с лекции, которая посвящала слушателей в историческую хронику увлекательных событий, рассказывающих о тайнах создания мыслящих машин. Первую свою лекцию в стенах этого университета он прочитал после успеха своей книги "Потомки Паскалины". Книга представляла собой научно-популярный труд, рассчитанный на тех, кто хорошо ещё помнил основы биологии, математики и физики на уровне среднего образования. Однако кроме широкой аудитории, которая интересовалась этой темой, книгу заметили и специалисты в образовательной сфере. Позже, ему даже предложили написать учебник, который в итоге выдержал уже пятнадцать изданий.
Тогда, в день своего тридцатилетнего юбилея, ему позвонил его старый приятель из университета, преподающий там информационные технологии, и сообщил, что ему предлагают поддержать новый экспериментально созданный курс по искусственному интеллекту.
Хаширо согласился не сразу. Основная его работа в научно-исследовательской лаборатории и так поглощала весь его творческий потенциал. Однако что-то всё-таки притягивало его к этой академической жизни. Возможно, это была некая внутренняя тяга к самовыражению и желание увлечь своими знаниями других людей. Возможно, просто хотелось какого-то разнообразия. В итоге, попробовав, он задержался здесь надолго. Нагрузка в университете была небольшая и времени отнимала немного, поэтому он без проблем совмещал преподавание в университете с научно-исследовательской работой в лаборатории.
Лекции профессора почти всегда переходили в откровенные дискуссии. Скучать обычно не приходилось никому. Это была ещё одна причина, которая удерживала его в стенах университета. Несмотря на то, что в большинстве случаев мышление студентов из-за своей ещё неопытности изобиловало наивными идеями и распространёнными заблуждениями, общение с ними не давало расслабляться. Поток различных нестандартных взглядов и идей нередко обращал внимание на новые детали в устоявшихся шаблонах теорий. Это подпитывало его творческие изыскания, а временами и подталкивало к удачным решениям в рабочих проектах.
Опустив взгляд, профессор, размышляя, не спеша прошёлся по сцене:
- Нам всё чаще в повседневной жизни приходится слышать такое понятие, как искусственный интеллект. Интересно услышать, как вы понимаете его?
Он остановился и повернулся в сторону аудитории, ожидая возможную реакцию на свой вопрос. С четвёртого ряда кто-то сказал:
- Бортовой компьютер HAL 9000 из произведения Артура Кларка "Космическая одиссея".
- Или те плохие ребята из "Матрицы" во главе c агентом Смитом, - добавили с противоположной стороны.
- Ава "Из машины"...
- C-3PO, R2-D2 из Звёздных войн, SkyNet, Data из Стартрек, Chappie, Eva... - посыпались примеры из популярных кинофильмов.
- Неплохо, - согласился профессор, - Но это всё примеры из фантастических произведений. Как насчёт реальной жизни?
После недолгой паузы кто-то из последнего ряда сказал неуверенным голосом:
- Siri или "Ok, Google".
Тут же, как бы не упуская возможности подтвердить справедливость этой фразы и продемонстрировать наличие своего интеллекта, чей-то соседний смартфон оживился дружелюбным вопросом: "Привет. Чем могу помочь?".
- Программы голосовых помощников - очень хорошо, - одобрил пример профессор.
- "IBM Watson" ... София... беспилотники Tesla или Volvo... - прозвучали новые примеры.
- Хорошо. Давайте теперь попробуем классифицировать наши примеры. Поразмыслим, чем, например, Siri отличается, скажем, от Авы?
Сидящий сразу позади Джерри и Кэтрин на третьем ряду студент резко бросил:
- Сознанием, - как будто давно ждал этого момента.
Его звали Эдди, и он уже успел прославиться среди своих однокурсников своими странными гиковскими наклонностями. Чтобы заподозрить в нём гика, уже достаточно было его в меру небрежной внешности и отрешённого поведения, не проявляющего интереса к обычным постподростковым темам своих сверстников.
Профессор загадочно прищурился:
- А вы уверены, что Ава обладала сознанием?
- Я читал, что интеллект как у Авы специалисты называют сильным искусственным интеллектом. А интеллект Siri - слабым ИИ. В отличие от Siri она мыслила самостоятельно и её поведение не отличалось от человеческого.
- Этого недостаточно, чтобы определить у искусственного интеллекта наличие чувств, эмоций, квалиа[2] и в том числе сознания.
- Профессор, вы считаете, что тест Тьюринга, который позволяет показать неотличимость мышления искусственного интеллекта от мышления человека, не может быть тестом на наличие сознания? Разве можно мыслить как человек и при этом не осознавать себя?
- Это большой научно-философский вопрос, споры о котором не утихают и по сей день. А началось всё ещё в 1950 году, когда Алан Тьюринг[3] написал основополагающую работу в области искусственного интеллекта: "Вычислительные машины и разум". В этой работе рассматривается вопрос: "Могут ли машины мыслить?". Тьюринг демонстрирует принципиальную возможность имитации человеческого мышления с помощью программных алгоритмов и аргументирует идею о том, что цифровой компьютер может совершать действия неотличимые от обдуманных действий человека. Однако в 1980 году Джон Сёрл[4] выдвигает аргумент против утверждения, что тест Тьюринга способен определить разумное мышление у машины. Он предложил мысленный эксперимент "Китайская комната" для наглядной демонстрации разницы между алгоритмическими вычислениями и сознанием.
Суть этого эксперимента:
Представим себе изолированную комнату, в которой находится Джон Сёрл, который не знает ни одного китайского иероглифа. Однако у него есть записанные в книге точные инструкции по манипуляции иероглифами вида "Возьмите такой-то иероглиф из корзинки номер один и поместите его рядом с таким-то иероглифом из корзинки номер два", но в этих инструкциях отсутствует информация о значении этих иероглифов и Сёрл просто следует этим инструкциям подобно микропроцессору.
Наблюдатель, знающий китайские иероглифы, через щель передаёт в комнату иероглифы с вопросами, а на выходе ожидает получить осознанный ответ. Инструкция же составлена таким образом, что после применения всех шагов к иероглифам вопроса они преобразуются в иероглифы ответа. Фактически инструкция - это подобие компьютерного алгоритма, а Сёрл исполняет алгоритм так же, как его исполнил бы микропроцессор.
В такой ситуации наблюдатель может отправить в комнату любой осмысленный вопрос (например, "Какой цвет вам больше всего нравится?") и получить на него осмысленный ответ (например, "Синий"), как при разговоре с человеком, который свободно владеет китайской письменностью. При этом сам Сёрл не имеет никаких знаний об иероглифах и не может научиться ими пользоваться, поскольку не может узнать значение даже одного символа. Сёрл не понимает ни изначального вопроса, ни ответа, который сам составил. Наблюдатель, в свою очередь, может быть уверен, что в комнате находится человек, который знает и понимает иероглифы.
Таким образом, Сёрл обосновывает, что в системе, где алгоритмически выполняются инструкции, не может быть никакого реального понимания смысла этих вычислений. Если сказать более конкретно относительно применяемого аппаратного обеспечения - любой цифровой микропроцессор, механистически выполняющий сколь угодно сложную программу, не тождественен процессу реального понимания смысла выполняемой программы. Отсюда можно размышлять дальше относительно наличия чувств, эмоций и квалиа у такого микропроцессора. А значит и относительно такого феномена, как сознание.
Именно этим мысленным экспериментом Джон Сёрл ввёл понятия сильного и слабого искусственного интеллекта, где утверждалось, что компьютеры в принципе не могут обладать сознанием. Соответственно его терминологии они не могут выполнять функции сильного искусственного интеллекта. "Китайская комната" спровоцировала самые длительные дискуссии среди исследователей и философов по вопросу сознания и искусственного интеллекта, и окончательного согласия в этом так и не было достигнуто вплоть до наших дней.
Более подробно вопрос отношения сознания и материи развил философ Дэвид Чалмерс. Он предложил мысленный эксперимент "Философский зомби" и ввёл в философию сознания это понятие. Философский зомби - это гипотетическое существо, которое неотличимо от нормального человека за исключением того, что у него отсутствует сознательный опыт, квалиа, или способность ощущать. Когда зомби, например, колет себя острым предметом, то он не чувствует боли, у него нет опыта боли как у обычного человека. В то же время он может вести себя так, как будто действительно её чувствует, например, программно имитировать проявление эмоций и страданий.
Так что, сознание плохой критерий для классификации искусственного интеллекта, - подытожил профессор.
- Выходит, в классификации Джона Сёрла искусственный интеллект, основанный на вычислительной технике, не может в принципе быть сильным ИИ. И Ава и Siri - примеры слабого ИИ? - немного растеряно спросил Эдди. - Ведь очевидно, что интеллект Авы ничем не хуже человеческого. А человеческий, очевидно, аналогичен сильному ИИ.
- Хороший вопрос, - профессор сделал одобрительный жест в сторону Эдди. - Из-за того, что у Сёрла в понятии сильного искусственного интеллекта фигурирует сознание, философия искусственного интеллекта, развиваясь, натолкнулась в определении на существенные неоднозначности. Со временем становилось ясно, что нет никаких научных и философских аргументов, связывающих высокие интеллектуальные способности машины с обязательным наличием сознания в этой самой машине. В связи с этим среди специалистов стала возникать некоторая путаница. Иногда становилось непонятным: речь идёт об ИИ, который достиг интеллектуальных способностей человека, или об ИИ, который обладает сознанием. Кроме того, у науки пока нет методов, позволяющих обнаружить наличие сознания не только в машине, но даже и у биологического существа. Поэтому среди специалистов вошло в обиход применять другой термин: универсальный искусственный интеллект. Этим подчёркивается, что речь идёт об ИИ, который способен оперировать знаниями с такой степенью гибкости и творческого подхода, как человек или лучше, независимо от того обладает он сознанием или нет.
- Профессор, вы тоже, как и Сёрл, считаете, что искусственный интеллект на основе вычислительной техники не может понимать и осознавать себя?
- Подобной позиции сейчас придерживается подавляющее большинство специалистов, занимающихся непосредственно созданием систем с ИИ. Лично мне видится, что у науки ещё недостаточно знаний о таком феномене, как сознание, чтобы строить какие-либо уверенные выводы об этом. В своих исследованиях я не касаюсь вопроса наличия сознания. Моей научной целью есть создание универсального искусственного интеллекта.
- Тогда, это может получится такой себе философский зомби? - с некоторой разочарованностью произнёс Эдди.
- Вполне возможно, - согласился профессор. - Возвращаясь к вопросу классификации, можно теперь сказать, что универсальный искусственный интеллект должен обладать интеллектуальными способностями на уровне человека и выше. Он должен уметь решать широкий спектр интеллектуальных задач, самостоятельно исследуя окружающий мир. Слабый искусственный интеллект способен решать только некоторый узкоспециализированный класс таких задач. Например, играть в определённые игры, осуществлять голосовой поиск информации или управлять транспортным средством. В общем же, под понятием искусственного интеллекта сейчас принято понимать область вычислительной техники, которая способна решать задачи, характерные для интеллекта человека.
- Профессор, - обратился Джерри, - Кэтрин говорит, - он кивнул в её сторону и добавил в свою интонацию немного иронии, - что наука бессильна создать искусственный интеллект, который мог бы сравниться с человеком. То есть, она утверждает о невозможности создания универсального искусственного интеллекта. Это действительно так?
Кэтрин слегка насупилась и недовольно толкнула Джерри под ребро своим локтем. Профессор добродушно взглянул на Кэтрин:
- К сожалению, все те примеры роботов, ботов и просто компьютеров, обладающих универсальным ИИ, которые приводили здесь, существуют только в воображении писателей фантастов. Давняя мечта человека создать настоящую интеллектуальную систему с универсальным ИИ остаётся пока нерешённой задачей для современной науки. Действительно, в истории развития науки об искусственном интеллекте не раз высказывались предположения, а иногда и обоснованные гипотезы о невозможности методами вычислительной техники не только воссоздать сознание, но и вообще построить универсальный интеллект. И не раз инженеры и учёные наталкивались на, казалось, непреодолимые трудности в проектировании такой техники. Это приводило к периодам застоя в развитии ИИ, из которых, тем не менее, удавалось выходить благодаря принципиально новым решениям, научным открытиям и прорывам в технологиях. Сейчас, к сожалению, мы находимся в очередном таком кризисном периоде застоя. И, что уже стало характерным для таких периодов, мы всё чаще снова слышим очередные высказывания скептиков о принципиальных ограничениях, которые подвели нас к новому непреодолимому барьеру. Однако в действительности нам пока неизвестны строгие обоснования принципиальной невозможности создания универсального искусственного интеллекта с помощью алгоритмов вычислительной техники. А насколько обоснованы гипотезы современных пессимистов, мы можем попробовать обсудить здесь и сейчас вместе, но сначала всё по порядку. Вспомним историю ключевых событий, с какими трудностями приходилось сталкиваться и как удавалось их преодолевать, чтобы, используя этот опыт, попробовать дать философскую оценку тем проблемам, которые есть сейчас.
Профессор сделал очередной проход по сцене и продолжил:
- Во времена Алана Тьюринга уже существовали первые электронные цифровые вычислительные машины первого поколения на электронных лампах. Сочетание всех этих обстоятельств стимулировало активный интерес к созданию первых программ, реализующих функции слабого искусственного интеллекта. И, конечно, наиболее подходящей областью для таких программ были различные интеллектуальные игры. Это было интересно, казалось наиболее близким к понятию интеллектуальной задачи и человек мог сам непосредственно померяться силами с ИИ, чтобы оценить уровень его интеллекта.
Первую победу в шахматах на доске 6х6 без слонов, машине, именуемой Maniac 1, с тактовой частотой 11 кГц удалось одержать в 1952 году над девушкой, которая недавно научилась играть в шахматы. Машина поставила ей мат на 23 ходу.
Кто-то в аудитории хихикнул:
- Она, наверное, была блондинкой, - послышалось из зала.
Профессор мельком глянул в зал и, слегка улыбнувшись, продолжил:
- Даже с такой форой это было немалым достижением в то время для компьютера на вакуумных лампах и с памятью на трубках Вильямса в 41 килобит. Это был период активных исследований и оптимистических прогнозов. На то время казалось, что как только появится достаточно мощный компьютер, искусственный интеллект легко осилит интеллектуальные способности человека.
И компьютеры не заставляли себя ждать. В 1956 году был изобретён полупроводниковый транзистор, который ознаменовал появление компьютеров второго поколения. За этим последовало активное развитие технологий, которые совершенствовали элементную базу электронных устройств. Следующий технологический прорыв сделал возможным в 1960 году создание интегральных микросхем и появление компьютеров третьего поколения. Это событие положило начало широкому внедрению персональных компьютеров в обиход и стало называться компьютерной революцией. И наконец, в 1971 году был изобретён микропроцессор - главный мыслительный центр современного компьютера. Так началась самая эпохальная эра - эра компьютеров четвёртого поколения. Компьютеры стали стремительно развиваться. Был сформулирован закон Мура - эмпирическое наблюдение, согласно которому количество транзисторов на кристалле микропроцессора удваивается каждые два года.
Первое поколение исследователей по искусственному интеллекту были настолько оптимистично настроены, что делали смелые прогнозы относительно своей работы. Аллен Ньюэлл[5] в 1958 году заявлял: "в течение десяти лет цифровой компьютер станет чемпионом мира по шахматам". А в 1970 году Марвин Мински[6] в журнале Life был уверен, что "через три-восемь лет у нас будет машина с общим интеллектом обычного человека".
Технологии развивались, компьютеры становились быстрее и умнее. Сегодня микропроцессоры есть почти везде, начиная с обычных бытовых электронных приборов и заканчивая системами управления производственными процессами, самолётами и космическими кораблями. Однако в конце 70-х и в начале 80-х годов оказалось, что увеличение быстродействия и объёма памяти компьютеров повышало качественно их умственные способности ненамного. Для получения практически полезных результатов нужно было затрачивать намного больше времени, чем это требовалось для тех же задач биологическим системам. Столь медленные процессы моделирования настораживали некоторых специалистов, работающих в области искусственного интеллекта. К этому времени даже не удалось научить компьютер как следует играть в шахматы, не говоря о достижении общего интеллекта человека.
Ещё в 1972 году Хьюберт Дрейфус[7] опубликовал книгу "Чего не могут компьютеры", в которой резко критиковались проявления разума у существующих систем искусственного интеллекта. По его мнению, в моделях отсутствовал тот огромный запас неформализованных знаний о мире, которым располагает любой человек, а также способность, присущая здравому рассудку, опираться на различные составляющие этих знаний.
В 1980 году Джон Сёрл в статье "Разум мозга - компьютерная программа?" высказал принципиально новую критическую концепцию, ставившую под сомнение фундаментальные принципы традиционных подходов в исследовании по искусственному интеллекту, а именно - идею о том, что правильное использование программных алгоритмов может составлять сущность сознательного разума. В отличие от Тьюринга, Сёрл не считал, что мышление сводится к программам.
Начиналась зима искусственного интеллекта 1974-1980 годов. На смену оптимистическим прогнозам приходило разочарование и переосмысление теоретических подходов. Несбывшиеся высокие ожидания подорвали доверие и охладили интерес агентств финансирования к исследованиям по ИИ.
Остановлюсь вкратце на двух основных проблемах, с которыми пришлось столкнуться специалистам, и которые имеют значение для нашей темы. Первая - это парадокс Моравека. Существовало распространённое мнение, что, если компьютеру требовался вполне достижимый объём вычислений, чтобы реализовать высококогнитивные логические процессы, то для низкоуровневых сенсомоторных функций тем более будет достаточно такой производительности. На деле же оказалось совсем наоборот. Эти бессознательные функции человека требовали или огромного количества вычислений или вообще были недостижимы с помощью известных алгоритмов. Парадокс Моравека был сформулирован следующим образом: "относительно легко достичь уровня взрослого человека в таких задачах, как тест на интеллект или игре в шашки, однако сложно или невозможно достичь навыков годовалого ребёнка в задачах восприятия или мобильности".
- Профессор, - осторожно обратилась Кэтрин, - недостаток сенсомоторных функций означает, что у компьютера проблема завести друзей и освоить танцы, но очень легко посчитать тройные интегралы?
- А причём здесь друзья? - Джерри не удержался, чтобы не вставить в свой комментарий насмешливые нотки.
- Сам подумай, - невозмутимо произнесла Кэтрин, - как можно с кем-нибудь подружиться, если все люди для тебя на одно лицо и более того могут быть вообще неотличимы от окружающих предметов?
Профессор с особым любопытством посмотрел на Кэтрин:
- Да, верно, в сенсомоторные функции входит способность распознавать визуальные образы, в том числе и способность распознавать лица людей. И, действительно, научить компьютер таким простым, казалось, для нас задачам, которые мы выполняем с детства почти мгновенно и совершенно бессознательно в повседневной жизни, оказалось недостижимым на то время. Лингвист и когнитивист Стивен Пинкер[8] считал это открытие главным уроком, сделанным исследователями искусственного интеллекта.
- Спасибо, - поблагодарила Кэтрин и кинула гордый взгляд на Джерри.
На лице профессора некоторое время ещё сохранялась чуть заметная улыбка. Он продолжил:
- Вторая проблема - это комбинаторный взрыв. Существуют задачи, в которых постепенное увеличение входных данных приводит к резкому экспоненциальному росту временной сложности алгоритма для их решения. Ещё говорят, что рассматриваемый алгоритм не является полиномиальным. Такая проблема характерна для задач, где для поиска решения необходим полный перебор всех возможных вариантов. Например, для компьютера, который способен просчитать в шахматной игре миллион игровых позиций в секунду, на просчёт 6 ходов вперёд потребуется 1 секунда, на 12 ходов - 11 дней, а на 18 ходов - около 32000 лет. При дальнейшем увеличении глубины дерева перебора задача становится трансвычислительной, то есть превышает предел Бремерманна, и становится недостижимой для гипотетически самого мощного цифрового компьютера размером с нашу планету и за период времени равный общему времени её существования. Как оказалось, для реализации многих важных функций искусственного интеллекта, в том числе и сенсомоторных, бо;льшая часть алгоритмических подходов приводила к комбинаторному взрыву. Становилась очевидной огромная и принципиальная разница между человеческим разумом и теми подходами, на которых тогда пытались построить искусственный интеллект исследователи.
Конечно, на фоне этих неудач многие философы стали высказывать идеи о принципиальной невозможности воплотить человеческое мышление в цифровой машине. Одним из первых был Джон Лукас[9], который утверждал, что теорема Гёделя о неполноте показала, что для любой формальной системы, например компьютерной программы, существуют принципиальные ограничения на выведение истинности базовых утверждений, в то время как для человека такой проблемы не существует. Ещё один известный философ Хьюберт Дрейфус, которого я уже упоминал, высмеял нарушенные обещания 1960-х, критикуя символьную парадигму ИИ. Он утверждал, что человеческое мышление на самом деле включает очень мало "обработки символов" и большое количество воплощённых, бессознательных "ноу-хау". Вспомнили в очередной раз утверждения Джона Сёрла, что если символы не имеют никакого смыслового значения для машины, то и поведение машины не может быть описано как "мышление".
Тем временем специалисты и учёные разбирались со своими ошибками, изучали человеческий мозг и продолжали искать новые подходы к решению сложных проблем. Благодаря успеху экспертных систем в область исследований ИИ вернулось финансирование. Это был период подъёма 1980-1987 годов.
Чтобы найти ответы на вопросы, в чём же причина прежних неудач, специалисты с особым вниманием обратились к нейробионике. Если проблема столь сложна, почему бы не подсмотреть у природы, как она реализовала уже эти функции в человеческом мозгу? Это привело к возрождению коннекционизма[10]. В прошлом искусственные нейронные сети подверглись критике и были забыты почти на десять лет. В 1982 году физик Джон Хопфилд смог доказать, что архитектура нейронной сети, теперь называемая "сетью Хопфилда" может изучать и обрабатывать информацию принципиально иным способом. Примерно в то же время Джеффри Хинтон и Дэвид Румелхарт популяризировали метод обучения нейронных сетей, называемый: метод обратного распространения ошибки. Применение усовершенствованных искусственных нейронных сетей позволило значительно улучшить функции оптического распознавания символов и распознавания речи, но ещё не настолько, чтобы полностью решить проблемы, открытые в парадоксе Моравека.
В период с 1987 по 1993 года исследовательские проекты по искусственному интеллекту снова пережили резкое сокращение финансирования. Основной причиной стал крах рынка специализированного оборудования для ИИ. Настольные компьютеры от Apple и IBM в 1987 году превзошли их по производительности и были значительно дешевле. Экспертные системы оказались слишком дорогими в обслуживании. Их было сложно обновлять, они были неспособны обучаться и имели ряд проблем и ограничений.
В кругу специалистов и учёных произошло значительное отрезвление. Не было больше амбициозных заявлений и грандиозных проектов по моделированию ИИ сравнимых с интеллектом человека. Становилось понятным, что создание универсального искусственного интеллекта было сверхсложной задачей неопределённого будущего. Дальнейшие исследования по ИИ были в основном сосредоточены на конкретных изолированных проблемах в различных областях практического применения слабого искусственного интеллекта. Здесь нужно отметить ещё одно направление, которое оставалось популярным и продолжало привлекать всех от специалистов и учёных до инвесторов и обычных людей. Это были интеллектуальные игры, где человек мог непосредственно соревноваться с компьютером и оценивать его интеллектуальные способности. И именно игры в дальнейшем позволили значительно исследовать ключевые проблемы ИИ, и сократить тот глубокий провал, который принципиально разделял человеческий интеллект от интеллекта вычислительной машины.
Долгое время наиболее популярным полем боя между человеком и компьютером оставались шахматы. Компьютеры с трудом совершенствовали свои навыки, пытаясь приблизиться к уровню игры человека. И вот, в 1997 году шахматный суперкомпьютер Deep Blue, наконец, ознаменовал победу искусственного интеллекта над человеком, обыграв действующего чемпиона мира по шахматам. С этого момента человек уступил навсегда шахматную корону машинам, которые сделали первый заметный шаг к "очеловечиванию" своего мышления.
Однако давайте теперь поразмыслим, какой ценой далась эта победа компьютерам. В начале 90-х прошлого века шахматный компьютер Deep Thought смог достигнуть уровня гроссмейстеров. При этом он за три минуты перебирал около трёхсот шестидесяти миллионов шахматных позиций! Опытный игрок-человек за это время мог проанализировать не более девятисот позиций. Благодаря стремительному развитию электроники и технологии микропроцессоров, железный чемпион Deep Blue уже был способен перебирать за три минуты пятьдесят миллиардов шахматных позиций! Получается, что основным фактором, который обеспечил компьютерам превосходство над человеком, была грубая вычислительная сила. Если оставить для Deep Blue человеческую скорость в триста позиций за минуту, он с треском проиграет. Возникает интересный вопрос, в чём секрет человеческого интеллекта? Как у человека получается мыслить так, что, проигрывая компьютеру на четыре-семь порядков в скорости анализа шахматных позиций, он оказывается для него серьёзным соперником?
Профессор внимательно оглядел из-под очков присутствующих студентов:
- Есть у кого-нибудь идеи? - интригующе спросил он.
- Возможно, компьютеру не хватает способности мыслить творчески, - предположил Эдди.
- Ну, творческое мышление - это больше следствие, чем причина, раскрывающая секрет человеческого мышления. Нас, как учёных, больше интересует алгоритм, который способен обеспечить такой результат мышления. Зная его, мы сможем научить компьютер мыслить аналогично.
Профессор взял со стола пульт дистанционного управления проектором и включил его. На экране появился рабочий стол операционной системы ноутбука, лежащего у него на столе. Он прокрутил несколько графических файлов и, выбрав среди них необходимый, открыл его на полный экран.
На проекционном экране появилось изображение шахматной позиции. Центр шахматной доски занимала стена из белых и чёрных пешек, стоящих зигзагообразно впритык друг к другу и разделяющих доску на две части. На стороне чёрных присутствовали король, две ладьи и слон. Одна ладья находилась под боем белой пешки. На стороне белых был один король.
- В этой позиции чёрные имеют огромное преимущество по фигурам, - прокомментировал профессор. - И все же белые могут очень легко избежать своего поражения, просто делая ходы королём на своей стороне доски. Стена из пешек для черных фигур непреодолима, и черные ладьи или слон не представляют для белых никакой опасности. Это вполне очевидно для любого человека, который в достаточной степени знаком с правилами игры в шахматы. Для этого даже не требуется особых творческих способностей. Эту задачу предложили самому мощному на то время шахматному компьютеру Deep Thought, который уже был способен обыгрывать гроссмейстеров. Он сделал грубейшую ошибку, взяв белой пешкой чёрную ладью, что разрушило заслон из пешек и поставило белых в безнадёжно проигрышное положение. Чего же не хватало компьютеру в этом случае, чтобы избежать столь очевидной глупости?
- Недостаточная глубина дерева поиска, чтобы заметить последствия ошибочного хода, - донеслось с задних рядов.
- Это можно назвать количественной причиной рассматриваемой проблемы в рамках применяемого алгоритма. Компьютер, не видя долгосрочных фатальных последствий, принимает решение выгодное ему на сравнительно недалёкую перспективу. Действительно, если мы увеличим до необходимого уровня глубину ходов, которые компьютер будет просматривать, он сможет избежать для данных условий этой ошибки. Здесь наглядно видно, что шахматному компьютеру Deep Thought недостаточно анализа двух миллионов позиций в секунду, чтобы заметить то, что очевидно для человека. Однако человек это замечает, оценивая всего лишь общее расположение фигур. Ему нет никакой необходимости анализировать для этого дальнейшее развитие игры.
Если бы всё решалось только достаточным быстродействием компьютера и необходимой глубиной дерева поиска, тогда это не было бы одной из принципиальных проблем в создании универсального искусственного интеллекта. Нам просто необходимо было бы дождаться создания достаточно быстрого компьютера, который смог бы рассчитать все необходимые варианты и выбрать наиболее предпочтительный. Однако, как мы уже знаем из опыта, этого нельзя сделать в принципе. Мы здесь неминуемо попадём на комбинаторный взрыв, получив в итоге трансвычислительную задачу. В данном случае нам необходимы алгоритмы мышления, а не скорость вычислений. Эта проблема куда более фундаментальная, чем просто быстродействие компьютера. Назовём её: ограниченность представлений задачи.
Эдди предложил:
- Можно добавить алгоритм, который будет проверять наличие характерных замкнутых зон на игровом поле, ограничивающих передвижение фигур. Этот алгоритм будет находить такие позиции без перебора дерева поиска ходов. Это позволит добавить полезную стратегию к основным алгоритмам вычисления.
- Это конструктивное предложение, - похвалил его профессор, - оно действительно исключит глупости компьютера для подобных позиций. Однако такие ситуации на доске, где компьютер может не находить решения очевидные человеку, не единственные в своём роде.
- Ну, по мере обнаружения слабых мест в алгоритмах, добавлять к ним новые алгоритмы, устраняющие эти недостатки, - добавил Эдди. - Таким образом, мы постепенно будем делать наш ИИ всё более совершенным.
- Именно так в основном и делалось до определённого этапа развития систем с искусственным интеллектом. Шахматные программы вооружались усовершенствованными алгоритмами поиска, которые позволяли значительно сократить количество вариантов перебора за счёт нахождения и отсечения малоперспективных ветвей в дереве поиска. Появились алгоритмы: минимакс, альфа-бета, дельта-отсечение, мульти-кат, отсечение по нуль-ходу и другие. Параллельно начали развиваться алгоритмы, оценивающие позиции по таким факторам, как мобильность фигур, пешечная структура, безопасность короля, запертые фигуры, контроль центра и другие. Кроме алгоритмов ещё стали использовать базы данных по дебютам и эндшпилям. Это позволяло ИИ становиться умнее без наращивания грубой вычислительной силы, хотя до уровня человека оставалось всё ещё очень далеко.
Здесь нетрудно заметить, что в основном эти алгоритмы и методы больше выполняли роль вынужденных узконаправленных заплаток, чем претендовали на фундаментальное решение проблемы. Если у машин отобрать их скорость вычислений в сотни миллионов позиций в секунду и вооружить их человеческими пятью позициями за то же время, они не в состоянии будут обыграть и ту девушку, которую одолел Maniac 1.
- Нужен алгоритм, который сам учился бы на собственных ошибках и сам создавал такие "заплатки", - немного неуверенно произнёс Эдди.
- Перспективная идея, - снова похвалил его профессор, - идея, которая в дальнейшем и привела специалистов к развитию методов машинного обучения. Вот только от идеи до её реализации путь был не близок. Чтобы узнать, какие следующие качественные шаги были сделаны, чтобы приблизить нас к заветному универсальному алгоритму, пройдёмся дальше по историческим событиям нашей темы.
Профессор подошёл к столу, достал из тумбы прозрачную пластиковую поллитровую бутылку и отпил из неё немного воды. Он не стал прятать бутылку назад, а попытался поставить её вертикально на столе. Однако та упрямо не желала оставаться в таком положении. После недолгих, но настойчивых попыток, профессор сдался и просто положил её набок, а затем продолжил:
- Помимо шахмат искусственный интеллект развивали и в других интеллектуальных играх. Особенно интересным и драматичным для человека оказалось сражение на поле боя древней китайской игры: го. Долгое время эта игра оставалась одной из самых больших загадок для искусственного интеллекта. Алгоритмы шахматных программ были совершенно непригодны для вооружения ИИ в этом сражении, а грубая вычислительная сила была бесполезной. Дерево поиска ходов в го по количеству ветвлений значительно больше чем в шахматах. Если в шахматах после четвёртого хода возникает около ста тысяч позиций, то в го их число превышает шестнадцать миллиардов! Количество позиций даже в дебюте настолько велико, что создать точную дебютную теорию не представляется возможным, а также малоэффективно применение баз данных в окончании. Это та ситуация, когда алгоритмических заплаток становится всё больше и больше, а существенного прироста в эффективности почти не наблюдается.
Го - игра с глубоким стратегическим содержанием, сравнимая с настоящим искусством, где исходом правят гармония и интуиция. Некоторое время го считалась исключительно человеческой игрой, неподвластной компьютерам. Ли Ха Чин, генеральный секретарь Корейской ассоциации игры, говорила: "Мы всегда были так горды, что го оставалась единственной игрой, в которой компьютер не мог одолеть человека". На эту тему особенно любили говорить критики ИИ. Высказывались мнения, что уровень игры человека может быть достигнут только в далёком будущем, после того как будет создан сильный искусственный интеллект. Наиболее оптимистично настроенные специалисты предполагали, что это может стать возможным и для слабого искусственного интеллекта, но только лет через десять. Пессимисты утверждали, что человеческий разум уникален и алгоритмические методы никогда не смогут к нему приблизиться.
Однако развязка наступила достаточно неожиданно. В 2016 году программа AlphaGo, созданная компанией DeepMind, уверенно обыграла без гандикапа сильнейшего профессионала девятого дана. В мире искусственного интеллекта это была настоящая сенсация. Ирония судьбы - ситуация в истории начала меняться. Если теперь специалисты без лишних громогласных заявлений окунулись в работу в своих лабораториях, то вместо них несбывшиеся предсказания стали делать критики.
Так в чём секрет программы AlphaGo? И приблизилась ли она по гибкости интеллекта к человеку, учитывая, что грубая вычислительная сила не работает в го?
Предыстория создания этой программы начинается со свёрточных нейронных сетей с глубинным обучением. Теория такой архитектуры появилась ещё в 1988 году, однако реализация и практическое применение началось с 2006 года. Это стало возможным благодаря развитию быстрых графических процессоров. Построение сложных искусственных нейронных сетей требует высокопроизводительного аппаратного обеспечения. Было показано, что графический процессор позволял ускорить необходимые вычисления до 20 раз по сравнению с обычным скалярным микропроцессором. Свёрточные нейросети оказались особенно хороши в задачах по распознаванию изображений и обработке естественного языка. В 2012 году они превзошли человека в распознавании изображений и лиц, а в 2017 году технология WaveNet достигла человеческого уровня по распознаванию и синтезу естественного языка. К этому времени искусственный интеллект смог осилить практически все сенсомоторные функции человека и закрыть перечень проблем, описанных в парадоксе Моравека.
Работа над программой AlphaGo началась с исследования возможностей свёрточных нейросетей с глубинным обучением для игры го. Принципиальное отличие AlphaGo от рассмотренных нами программ, играющих в шахматы, в том, что она основана на общих принципах машинного обучения и практически не использует алгоритмы и оценочные функции, специфичные для игры в го. Другими словами, ей больше не нужны те многочисленные алгоритмические заплатки, о которых мы говорили ранее. Изначально разработчики заложили в алгоритм программы только базовые принципы игры, остальному она научилась сама, анализируя базу данных из 160 тысяч партий общими методами. Во время игры она использует только нейронную сеть, натренированную на большом количестве партий. Сами же разработчики программы не знали, как AlphaGo оценивает позицию: её ходы представляли собой феномен эмерджентности. Как видим из основных принципов построения программы, успех игры AlphaGo не в грубой вычислительной силе, а в самостоятельно накопленном опыте, основанном на алгоритмах машинного обучения.
Надо заметить, что кроме более эффективных и умных алгоритмов, для AlphaGo также было применено высокопроизводительное аппаратное обеспечение. Для того чтобы искусственные нейросети могли выполнять свои функции в реальном масштабе времени требовалась достаточно высокая производительность вычислительной техники. Специально для искусственных нейросетей в 2016 году был спроектирован новый тип микропроцессора, названный тензорный процессор, и представляющий собой матричный механизм умножения-сложения для свёртки матриц. Такая архитектура обеспечивала ускорение вывода результатов нейросетей в 15-30 раз быстрее, чем графический процессор. AlphaGo была запущена на 48 таких тензорных процессорах первого поколения.
Говоря ранее о грубой вычислительной силе, мы под этим рассматривали алгоритмы, осуществляющие перебор вариантов в дереве поиска. По мере того, как искусственный интеллект становится у нас всё умнее и умнее, он всё больше избавляется от этой привычки, заменяя её более интеллектуальными методами. Нужно заметить, что прогресс в разработке более совершенных алгоритмов, реализующих функции ИИ, не был бы возможен без успешного развития микроэлектроники. Это ещё один важный фактор. Грубая сила всё-таки имеет значение, но не так для ускорения вычислений перебора, как для обеспечения выполнения "умных" алгоритмов в реальном масштабе времени.
К 2018 году стало ясно, что человек навсегда сдал позиции искусственному интеллекту во всех логических настольных играх. В 2019 году была представлена новая программа на искусственных нейронных сетях - AlphaStar, которая должна была обойти человека в более сложных задачах, в компьютерных играх. Игра StarCraft - это выдуманная фантастическая вселенная с богатым и многоуровневым геймплеем. В последние годы она считалась одной из самых многогранных и сложных стратегий реального времени и одной из самых популярных на сцене киберспорта за всю историю. Теперь StarCraft стала ещё и главным вызовом для исследователей ИИ. В отличие от логических игр с полной информацией сложность StarCraft для ИИ заключалась в нескольких факторах: отсутствие единой победной стратегии, игра с неполной информацией, долгосрочное планирование и огромное пространство действий.
AlphaStar разгромила сильнейших профессиональных игроков в StarCraft II со счётом 10:0. Не остаётся сомнений, что с этого момента ИИ способен обойти человека во всех узкоспециализированных задачах. Без преувеличения можно сказать, что развитие искусственных нейронных сетей с методами машинного обучения стало следующим огромным шагом вперёд, закрывшим все на то время принципиальные проблемы. В том числе и дало понимание того каким образом можно преодолевать рассмотренную нами ограниченность представлений задачи, которую продемонстрировал шахматный компьютер Deep Thought.
На смену старым проблемам пришли новые. Казалось, что дальнейшее развитие искусственных нейросетей позволит реализовать универсальный алгоритм. Однако очень быстро стало ясно, что более развитые нейросети требовали более производительных компьютеров.
Огромный скачок в технологиях был сделан два года тому назад. Как всем известно, тогда был создан первый в мире квантовый полупроводниковый микропроцессор благодаря появлению технологии импульсного магнитного охлаждения отдельных атомов на кристалле. Характерные для нейросетей матричные операции, а также ещё некоторые виды специфических вычислений, могут выполняться на квантовых микропроцессорах с квантовым ускорением. Это был огромный прорыв. Тот объём вычислений, который выполняла AlphaGо в 2016 году, теперь может быть выполнен при дополнительной помощи одного квантового микропроцессора широкого применения, примерно, в тысячу раз быстрее. И это не предел.
Для раскрытия потенциала квантовых микропроцессоров необходима разработка различных квантовых алгоритмов, что само по себе тоже непростая задача. С помощью квантовых алгоритмов задаётся определённый порядок унитарных операций над кубитами, которые и делают возможным необходимые вычисления на таком микропроцессоре. Потенциал квантовых микропроцессоров ещё полностью не раскрыт. Теоретически ещё существует довольно обширная область вычислений, для которых можно получить квантовое ускорение, но соответствующие квантовые алгоритмы ещё предстоит написать.
На сегодняшний день венцом творения, воплотившем в себе все достижения в области искусственного интеллекта, стал робот, разработанный в нашей лаборатории - мы все зовём его Малыш. На нём мы исследуем современные алгоритмы искусственного интеллекта. Одна из популярных задач, с решения которой он начал демонстрировать свои успехи, называется: тест малыша. Отсюда, кстати, и имя, которым нарекли его с лёгкой руки мои коллеги. Заключается тест в том, что сначала Малышу показывают альбом с различными контурными рисунками для раскраски. Затем оператор даёт устную директиву, чтобы Малыш выборочно раскрасил какой-нибудь из них.
Эта задача легко выполнима для малого ребёнка, однако долгое время её приводили в различных дискурсах как пример несостоятельности компьютерного интеллекта, который был неспособен самостоятельно выполнить весь комплекс необходимых действий.
Для того чтобы Малыш смог выполнить эту задачу, мы его сначала обучали рисовать. Показывали на примерах определённые действия и затем просили повторить. Мы взаимодействуем с ним посредством естественного языка и прямой демонстрации. Соответственно он понимает человеческую речь, разговаривает, способен воспринимать и запоминать визуальную информацию. Здесь нужно заметить, что владение естественным языком и моторикой своего тела, умение ориентироваться в пространстве и взаимодействовать с внешним миром он тоже приобретал в процессе обучения с нуля. Как вы уже догадались, наш Малыш успешно справляется с этой задачей.
Со временем мы усложняли ему условия. Он был вынужден сам искать в пространстве комнаты необходимый инструмент для раскраски. Это могли быть карандаши различной формы, с которыми раньше он был незнаком. Кроме карандашей мы ещё подкладывали имитаторы. Сначала он путался, но по мере накопления собственного опыта делал всё меньше и меньше ошибок, подмечая различия и классифицируя новые внешние качества предметов.
После теста малыша мы научили его успешно выполнять похожий тест на кофе, предложенный Стивом Возняком[11]. Заключался он в том, чтобы войти в случайный дом, найти кофе-машину, приготовить кофе и разлить его по чашкам. При своей наглядности и простоте задачи для человека этот тест был недостижим для самых продвинутых ИИ, созданных до нашего Малыша. К сожалению, наш Малыш ещё не настолько мобилен, чтобы ходить по случайным домам, да и люди в своей массе не настолько гостеприимны, чтобы позволить это, - профессор улыбнулся. - Все условия теста мы воссоздавали у себя в лаборатории аналогично тесту малыша.
Затем последовали различные задания с конструктором Lego. Там сложность самостоятельного обучения была ещё выше. Таким образом, он уже был способен самостоятельно расширять свои знания об окружающем мире: проделывая эксперименты и результаты своего опыта добавляя в семантическую память своих знаний.
Следующий и последний шаг - универсальный искусственный интеллект. И это то, над чем сейчас мы активно работаем. Несмотря на то, что мы смогли по отдельности с успехом воплотить в ИИ все способности интеллекта человека, объединить всё это в целостную самостоятельную систему пока никак не удаётся. Эта задача оказывается пока непреодолимым и в некоторой степени даже загадочным барьером. Для реальной жизни между интеллектом человека и интеллектом машины всё ещё огромная пропасть. Человек, в отличие от компьютера, самостоятельно приспосабливается к социальному окружению и физическому миру, играет в различные игры, творит искусство, пишет алгоритмы и создаёт научные теории.
- Профессор, - обратился Эдди, - вы говорили, что для реализации нейросетей нужны более мощные компьютеры. Я читал, что производительность современных микропроцессоров отстаёт ещё на целые порядки от производительности человеческого мозга. Я думаю, это должно быть существенным ограничением в реализации универсального ИИ.
- На самом деле это на данный момент не есть большой проблемой. Для того чтобы разобраться, давайте посчитаем. Обычно подобные сравнения производительности достаточно приблизительны - довольно сложно провести аналогию между строением головного мозга и архитектурой электронных микропроцессоров. Нам известно, что мозг человека в среднем содержит около 86 миллиардов нейронов. Каждый нейрон в среднем имеет 7000 синаптических связей с другими нейронами. Это значит, что в человеческом мозгу имеется приблизительно 6х10^14 синапсов. Каждый синапс имеет около тысячи молекулярных триггеров, каждый из которых может описываться одним транзистором. Таким образом, мы можем грубо оценить эквивалент строения мозга в транзисторах, который получается равным 6х10^17 транзисторов. Ещё мы знаем, что скорость переключения молекулярных триггеров равна примерно 1000 герц. Если мы представим вычислительную мощность мозга как количество транзисторов на скорость переключения, то получим число - 6х10^20.
Теперь оценим в тех же наших условных единицах возможности применяемых микропроцессоров. Ещё в 2017 году появился микропроцессор от компании Qualcomm, Centriq 2400 - 18 миллиардов транзисторов с тактовой частотой 2,6 гигагерц. Условная вычислительная мощность - 4,68х10^19. В среднем современные микропроцессоры, применяемые в системах с ИИ, будут иметь в этих условных единицах сравнимую производительность. У большинства кристаллов меньшее количество транзисторов, но больше тактовая частота. И - да, это на целый порядок меньше, чем условная производительность человеческого мозга.
На первый взгляд может показаться, что разрыв очень велик, однако стоит подумать ещё над некоторыми критериями оценки. Объём человеческого мозга в среднем равен 1300 кубических сантиметров, а объём кристалла современного микропроцессора всего 0,8. Получается, что в объёме, который занимает наш мозг, может поместиться более 1500 таких кристаллов. В связи с этим вспомним, что микропроцессор - это только часть общей вычислительной системы, выполняющий непосредственно сами вычисления. Аналогично ему и в человеческом мозгу за высшие психические функции отвечают только определённые области, сосредоточенные в основном в неокортексе, который содержит около 12 миллиардов нейронов. В переводе на нашу условную вычислительную мощность - это 8,4х10^19, на порядок меньше в сравнении со всем мозгом. Это два микропроцессора Centriq 2400.
Нам ничто не мешает объединить несколько процессоров для необходимых вычислений. Например, тензорный процессор первого поколения содержал в себе 2,5 миллиарда транзисторов. 48 таких процессоров, используемых для программы AlphaGo, насчитывали 120 миллиардов транзисторов. Работали они на частоте 700 мегагерц. Получаем число условной вычислительной мощности 1,2х10^20. Это уже превышает условную вычислительную мощность неокортекса.
Далее, аналогично человеческому мозгу, для работы микропроцессора необходима оперативная и долговременная память. Человеческая память, так же, как и высшие когнитивные функции, занимает определённые участки мозга со специализированными нейронными структурами. Вся долговременная память и большая часть рабочей памяти располагаются в различных долях коры головного мозга. Рабочая память зависит ещё от базальных ганглиев. Если мы снабдим искусственный интеллект постоянной SSD TLC памятью, скажем, в 100 терабайт, нам понадобится 65 микросхем или кристаллов памяти с общим количеством транзисторов 3,3х10^13. Учитывая скорость их переключения в 1200 мегагерц, мы можем рассматривать производительность этой памяти как дополнительный прирост условной вычислительной мощности на 4х10^22. Это теперь уже превышает расчётную мощность всего мозга и при этом занимает всё ещё меньший от него объём.
Как правило при подобном сравнении сравнивают весь мозг с одним микропроцессором, что есть не совсем корректно. Когда в вычислительной системе мы рассматриваем общие вычислительные ресурсы, а не только один экземпляр микропроцессора, а также выделяем в человеческом мозгу основные для высших функций области, сравнение вычислительной мощности оказывается в пользу вычислительной системы. Конечно, кроме неокортекса и областей, отвечающих за память, мозг содержит и другие функциональные области. Например, гиппокамп, который играет важную роль в переработке и запоминании информации. Его можно сравнить с котроллером памяти и конвертором формата хранимых данных. Соответственно нам ещё будет необходима системная и периферийная логика, но их вклад в наши расчёты вычислительной мощности будут уже незначительные, а по объёму это всего лишь ещё несколько специализированных кристаллов.
- Выходит, уже в 2015 году, микроэлектроника достигла сравнимой с человеческим мозгом производительности? - донёсся вопрос из зала. - А как же Blue Brain Project? Ведь симуляция мозга человека не завершена до сих пор, несмотря на практическое применение квантовых компьютеров в наше время.
- Blue Brain Project ставит перед собой цель реконструировать мозг на уровне биологически реалистичной модели нейрона. Это требует значительно бОльших вычислительных мощностей, чем только реконструкция нейронной сети мозга методами искусственных нейронных сетей второго поколения. Как известно, в биологических нейронных сетях связь между нейронами не непрерывная, а импульсная, со сложной кодировкой, которая синхронизируется с различными ритмами мозга. По этому принципу значительно ближе искусственные нейросети третьего поколения, называемые импульсными или спайковыми нейронными сетями. Ещё связь между нейронами в головном мозгу осуществляется не только через аксоны, но и через астроциты. А ещё есть цитонемы, которые доставляют к синапсам сигнальные белки. Кроме того, для этого моделирования не используются квантовые микропроцессоры из-за несоответствия принципа квантовых вычислений естественным вычислительным процессам в мозгу. Это скорей проект по изучению биологического мозга, чем по созданию искусственного интеллекта.
- Так, может для моделирования когнитивных способностей интеллекта нашего мозга эти все условия играют принципиально важную роль? - спросил Эдди.
- Возможно, - профессор пожал плечами, - мы многого ещё не знаем о человеческом мозге. Однако для разработок систем с искусственным интеллектом в этом пока нет необходимости. Известные нам знания о вычислительных системах и нейронных сетях не накладывают принципиальных ограничений на создание искусственного интеллекта любой сложности, сравнимой с возможностями нашего мозга.
Профессор подошёл к столу и снова отпил немного воды из пластиковой бутылки.