Recentemente, as publicações sobre as perspectivas do surgimento da inteligência artificial têm se tornado mais frequentes. São discutidos os aspectos práticos e ético-morais da convivência do homem com ele. Quão oportunas são essas discussões? Podemos realmente esperar o aparecimento de "máquinas pensantes"?
Todos os projetos para criar inteligência artificial podem ser divididos em duas áreas. O primeiro é o acúmulo de bancos de dados e seu processamento por programas que imitam a atividade do cérebro humano. A segunda é baseada no estudo de modelos de comportamento intelectual. A principal desvantagem de ambos é que ainda não sabemos bem o que são a mente e o comportamento intelectual, e o cérebro humano, francamente, tem sido estudado seriamente há relativamente pouco tempo.
Existe a opinião de que o problema pode ser contornado pelos ciborgues, ou seja, pela fusão de um cérebro vivo (macaco, e no futuro - um humano) com um computador, porém, esse caminho é repleto de enormes dificuldades e, pior ainda, neste caso será impossível falar sobre inteligência artificial completa.
No entanto, os cientistas acreditam que é bastante realista pular várias etapas, permitindo que a inteligência artificial se desenvolva de forma independente - assim como se desenvolveu na natureza viva, com a diferença de que sua evolução ocorrerá no espaço virtual, não material. Aqui a aposta é colocada em redes neurais artificiais ou redes neurais (Artificial Neural Network).
Vamos lembrar o que é um neurônio. É o nome de uma célula nervosa, que se diferencia das demais células por ser capaz de armazenar e transmitir informações por meio de sinais elétricos e químicos. A função dos neurônios foi descoberta no final do século 19, o que, é claro, fez o jogo dos materialistas que estavam ganhando autoridade em todo o mundo naquela época: eles imediatamente declararam que eram os neurônios que continham a "alma". Daí a ideia de que, se você de alguma forma desenvolver uma cópia exata do cérebro, uma "alma" nascerá nele. Mas surgiu uma questão filosófica: é possível falar de uma “alma” sem razão? Afinal, é um produto da criação, como mostra o estudo de "Mowgli" - crianças humanas criadas por animais. Conseqüentemente, não é suficiente criar uma cópia do cérebro - ele ainda precisa ser "educado" para ganhar inteligência.
MUITO TÉCNICO
O cérebro de um adulto normal contém aproximadamente 86 bilhões de neurônios. Não faz muito tempo, a ideia de criar um análogo digital dele parecia absolutamente fantástica. No entanto, hoje, com o desenvolvimento da tecnologia da informação, isso já parece bastante realizável.
Vídeo promocional:
É preciso lembrar que o famoso matemático norte-americano Norbert Wiener, o "pai" da cibernética, é considerado o fundador da teoria da modelagem de processos biológicos complexos, incluindo processos cerebrais. Em 1949, o psicólogo canadense Donald Hebb, especialista no estudo dos processos de pensamento, com base nos cálculos de Wiener, compilou o primeiro algoritmo de treinamento para redes neurais (aliás, em certa época, Hebb serviu na CIA, onde lidava com o problema da lavagem cerebral).
Em 1957, o americano Frank Rosenblatt, um teórico da inteligência artificial, com base em seu trabalho anterior, criou um diagrama lógico do perceptron - um modelo cibernético de autoaprendizagem do cérebro, que foi implementado três anos depois com base no computador eletrônico Mark-1. O perceptron transmite sinais de fotocélulas (sensores, células S) para blocos de células de memória eletromecânicas, conectadas aleatoriamente. Se uma das células recebe um sinal que excede o valor limite, então ela o transmite ainda mais - para o somador (elemento R), e com um certo coeficiente (“peso” da conexão AR). Dependendo da soma do sinal multiplicado pelos fatores de peso, o somador produz um dos três resultados possíveis para a saída de todo o sistema: -1, 0 e +1. O treinamento do perceptron ocorre na fase de introdução dos coeficientes de peso no sistema. Por exemplo,colocamos uma figura “quadrada” na frente das fotocélulas e definimos a regra: quando um quadrado aparece no campo de visão, o perceptron deve dar um resultado positivo (+1), e quando qualquer outro objeto aparece, negativo (-1). Em seguida, mudamos os objetos um a um e ajustamos os pesos quando um quadrado aparece na direção de aumentar, e na sua ausência - na direção de diminuir. Como resultado, obtemos uma matriz única de valores de coeficientes de peso dentro do sistema para qualquer variante da aparência de um quadrado e, no futuro, podemos usá-la para reconhecer quadrados. "Mark-1", apesar de sua primitividade em comparação com os computadores modernos, podia reconhecer não apenas formas geométricas, mas também letras do alfabeto, e escritas em diferentes caligrafias.quando um quadrado aparece no campo de visão, o perceptron deve dar um resultado positivo (+1), e quando qualquer outro objeto aparece - negativo (-1). Em seguida, mudamos os objetos um a um e ajustamos os pesos quando um quadrado aparece na direção de aumentar, e na sua ausência - na direção de diminuir. Como resultado, obtemos uma matriz única de valores de coeficientes de peso dentro do sistema para qualquer variante da aparência de um quadrado e, no futuro, podemos usá-la para reconhecer quadrados. "Mark-1", apesar de sua primitividade em comparação com os computadores modernos, podia reconhecer não apenas formas geométricas, mas também letras do alfabeto, e escritas em diferentes caligrafias.quando um quadrado aparece no campo de visão, o perceptron deve dar um resultado positivo (+1), e quando qualquer outro objeto aparece - negativo (-1). Em seguida, mudamos os objetos um a um e ajustamos os pesos quando um quadrado aparece na direção de aumentar, e na sua ausência - na direção de diminuir. Como resultado, obtemos uma matriz única de valores de coeficientes de peso dentro do sistema para qualquer variante da aparência de um quadrado e, no futuro, podemos usá-la para reconhecer quadrados. "Mark-1", apesar de sua primitividade em comparação com os computadores modernos, podia reconhecer não apenas formas geométricas, mas também letras do alfabeto, e escritas em diferentes caligrafias. Em seguida, mudamos os objetos um a um e ajustamos os pesos quando um quadrado aparece na direção de aumentar, e na sua ausência - na direção de diminuir. Como resultado, obtemos uma matriz única de valores de coeficientes de peso dentro do sistema para qualquer variante da aparência de um quadrado e, no futuro, podemos usá-la para reconhecer quadrados. "Mark-1", apesar de sua primitividade em comparação com os computadores modernos, podia reconhecer não apenas formas geométricas, mas também letras do alfabeto, e escritas em diferentes caligrafias. Em seguida, mudamos os objetos um a um e ajustamos os pesos quando um quadrado aparece na direção de aumentar, e na sua ausência - na direção de diminuir. Como resultado, obtemos uma matriz única de valores de coeficientes de peso dentro do sistema para qualquer variante da aparência de um quadrado e, no futuro, podemos usá-la para reconhecer quadrados. "Mark-1", apesar de sua primitividade em comparação com os computadores modernos, podia reconhecer não apenas formas geométricas, mas também letras do alfabeto, e escritas em diferentes caligrafias. Como resultado, obtemos uma matriz única de valores de coeficientes de peso dentro do sistema para qualquer variante da aparência de um quadrado e, no futuro, podemos usá-la para reconhecer quadrados. "Mark-1", apesar de sua primitividade em comparação com os computadores modernos, podia reconhecer não apenas formas geométricas, mas também letras do alfabeto, e escritas em diferentes caligrafias. Como resultado, obtemos uma matriz única de valores de coeficientes de peso dentro do sistema para qualquer variante da aparência de um quadrado e, no futuro, podemos usá-la para reconhecer quadrados. "Mark-1", apesar de sua primitividade em comparação com os computadores modernos, podia reconhecer não apenas formas geométricas, mas também letras do alfabeto, e escritas em diferentes caligrafias.
SMART THINGS
É claro que muitos circuitos, algoritmos e variantes de perceptrons mais complexos surgiram desde então. No entanto, essa abordagem para organizar um modelo de rede neural tem limitações fundamentais: por exemplo, os perceptrons são impotentes para resolver o problema de dividir uma figura em partes separadas ou determinar a posição relativa das figuras.
Quando ficou claro que era impossível construir inteligência artificial baseada em perceptrons, o interesse por eles caiu. No entanto, no início dos anos 1980, novas variantes de redes neurais de autoaprendizagem e auto-organização apareceram: a rede Hopfield, a rede Hemming, a rede Kohonen, a rede Jordan e outras. Em 1986, uma espécie de revolução aconteceu: cientistas soviéticos e americanos desenvolveram um método de retropropagação (algoritmo gradiente iterativo), que possibilitou superar limitações previamente descobertas. Depois disso, as redes neurais receberam rápido desenvolvimento, que foi imediatamente implementado em programas de computador aplicados.
Pacotes de software modernos construídos com base em redes neurais artificiais são capazes de reconhecer textos, comandos de som, rostos, gestos e expressões faciais arbitrariamente complexos. No entanto, esses são apenas os casos de uso mais simples, existem também os mais incomuns. Pilotos automáticos de autoaprendizagem capazes de responder ao desenvolvimento de situações catastróficas antes dos pilotos. Inspetores de câmbio que identificam transações suspeitas nos mercados de ações. Agentes de publicidade de rede que rastreiam as preferências de clientes em potencial. Médicos diagnosticadores que determinam patologias em bebês.
É claro que, à medida que as tecnologias da informação melhoram, as redes neurais também se tornam mais complexas. Eles administrarão todos os eletrodomésticos e aparelhos de suporte de vida para residências, fábricas e supermercados. Eles podem monitorar ameaças, analisar tendências e dar conselhos, por exemplo, sobre o investimento ideal de dinheiro. Poderão até criar objetos de arte: já existem pinturas e poemas escritos por redes neurais!
ESCRAVIDÃO OU AMIZADE?
Na verdade, tudo depende do fato de que uma rede neural um dia se tornará uma assistente insubstituível em mil questões grandes e pequenas. Os futuristas temem isso. Eles acreditam que em algum momento a quantidade se transformará em qualidade, a inteligência artificial surgirá nas redes neurais, que imediatamente desafiarão a humanidade e a destruirão. Outra opção também é possível - as pessoas ficarão tão dependentes das decisões tomadas pela rede neural que elas mesmas não perceberão como se transformarão em seus escravos.
Cenários assustadores como esses parecem muito estranhos. O fato é que as redes neurais são inicialmente estruturadas para se adaptar às necessidades de uma determinada pessoa ou grupo de pessoas. Eles podem ajudar a corrigir um erro ou dar conselhos, destacar um problema ou perceber um engano, mas eles próprios não são capazes de fazer uma escolha entre opções equivalentes, porque nós (infelizmente ou felizmente) não seremos capazes de ensinar-lhes o principal - moralidade. Portanto, em todos os momentos, as redes neurais serão como cães domésticos - obedientes, leais e amigáveis.
Anton Pervushin
