Home > Киберлексикон > ФЕНОМЕНЪТ ИЗКУСТВЕН СУПЕР-ИНТЕЛЕКТ

ФЕНОМЕНЪТ ИЗКУСТВЕН СУПЕР-ИНТЕЛЕКТ

д-р Александър Лазаров

АБСТРАКТ: Този текст представя, дефинира и осмисля появата на Изкуствения супер-интелект, който с някои от способностите си превъзхожда човешкия умствен капацитет. В перспективата на философията на информацията, разсъжденията са фокусирани върху тенденциите, които следва да настъпят в поведението на човека като резултат от непознатата досега обстановка, при която предстои или вече сме поставени в условия на интелектуална конкуренция. Това не ни се e случвало, откак ни има като биологичен вид. Отчетени са разликите в прилаганите подходи и методи между нас и компютрите, но акцентът пада върху приликите, които са все повече и по-предизвикателни.

Ключови думи: big data, изкуствен, интелект, информация, виртуално, капацитет.

ABSTRACT: The text presents, defines and discusses the Artificial Super-Intelligence, which in some aspects performs better capacities than human mental ones. In a Philosophy of Information discourse, the comment is focused on some tendencies that man has to apply in his behavior as a result of the new environment of intellectual competition in which all of us are about to fall in, or have already fell in. This brand new situation happens to us for the first time since human race has occurred as a specie. The article points out the basic distinctions between what computers and we do. However, it lays a main accent on the obvious analogies that currently seem to be more and more challenging.

 

Key words: big data, artificial, intelligence, information, virtual, capacity.

 

Съвременното развитие на компютърните науки и философията на информацията изправят човечеството пред нов непознат хоризонт, а именно: създаването на физична машина с капацитет на интелигентност в някои аспекти, превишаващ значително нашите умствени възможности. Разбира се, давам си сметка за хилядите критици, които, прочитайки горното изречение, веднага подскачат с въпроси от рода, може ли изобщо да се твърди, че машина е интелигентна, камо ли умна, може ли тя да ражда идеи и пр.?

Факт е, обаче, че докато водим тази полемика, неусетно в речника ни се прокрадна и утвърди терминът АйТи (ITInformation Technologies), а в същото време, множество от най-яростните критици на виждането, че компютрите едновременно демонстрират и прилагат избирателно капацитет за автономно подбрани аналитични и синтетични действия, охотно ползват услугите им именно в тази посока.

Спорът вероятно ще продължи с години, но докато тече, днес вече сме изправени очи в очи със следните фактори, които ще дефинирам по-нататък, а сега само ще изтъкна, че във философски дискурс не можем и не бива нито да ги подценяваме, нито да ги пренебрегваме:

  • Big Data – огромни (обеми от) данни.
  • Quantum Computer – квантов компютър.
  • Machine Learning – самообучаваща се дигитална система.
  • Mathematical Modeling – математическо моделиране.
  • Neural Networks and Artificial Intelligence – компютърни невронни мрежи и изкуствен интелект.

Спирайки се накратко върху философските аспекти на всеки един от тези компоненти, в тази статия имам амбицията да представя непосредствената перспектива на тяхната  „симбиоза“, която – по мнението на компютърните дизайнери – вече е довела до появата на супер-интелигентната машина. По мое мнение, това едва ли е някакъв уникат, а по-скоро множество от повече или по-малко различаващи се екземпляри и варианти. Произтичащите от този факт промени в живота на хората са многообразни, многопластови и различни по своята същност. Ще очертая някои тенденции, в това число и хипотезите за риск за оцеляването на човечеството като паралелно ще споделя виждания за това, какви биха могли да бъдат нашите пътища на развитие, когато изведнъж се окажем в условия на „интелектуална конкуренция“ с превъзхождащ ни вид. Това не се е случвало никога по-рано, откакто съществува  човешката раса.

Няколко думи за терминологията:

Има различни дефиниции за Big Data, но най-общо, това са огромни по своя размер, произтичащи от природата или от човешката дейност, неструктурирани бази данни, които непрекъснато се променят, а човешкият умствен потенциал, при все че е способен да ги идентифицира като такива, не е в състояние да ги обхване и обработи. Например, всичко, споделено в социална мрежа или всичко, уловено от космически телескоп. Дори този пример е донякъде неточен, защото в известен смисъл класифицира потоците по произход. Всъщност, „истинската“ Big Data, е база данни, интегрираща миксове от данни от произволно естество. Например, композиция от данни от медицински изследвания, записи от всякакъв видео-контрол, резултатите от сблъсъците на микрочастици в ядрен колайдер, траекториите на ята прелетни птици и каквото още ви дойде на ум от много-милиардните битове, които природата и ние генерираме непрекъснато. Най-интересното е, че при анализи на такива смесени по вид и характер множества данни се достига до неочаквани и практически значими изводи, но за това след малко. Важно е да се подчертае, че за всеки изследван сегмент Big Data се взимат под внимание най-малко следните негови особености: количество, скорост на промяна и разнообразие. Също така, ключова е проверката и оценката на тяхната достоверност при цялата сложност на това понятие и съответната процедура.

– компютърна технология, която според различни източници е между 20000 и 30000 пъти по-бърза от машините, до които обикновеният човек има достъп. Принципът му на работа почива на теорията за супер-позицията на електроните, според която във всеки даден момент за тях знаем или точното им местонахождение, или скоростта им на въртене около атомното ядро, но никога и двете. Съответно, това дава възможност за кодиране на нула или единица за даден дигитален бит. За сравнение, при сегашното поколение компютри, с които си служим, за обработката на един бит през транзистор в платката на процесора преминават 20000 – 30000 електрона. Оттук идва и страхотната ефективност на новия тип машини, които за постигане на същата цел ползват само  един. Приравнена към друга сфера, промяната в темпото звучи така: ако със сегашните самолети от София до Ню Йорк сити се лети 10 часа, то с „квантов самолет“ пътят би отнел само 15-20 секунди! Все още, Quantum Computer не се предлага за покупка, но няколко компании вече предлагат да Ви изпълнят услуги, т.е., да решат Ваши проблеми с това оборудване (1).

Machine Learning – това са алгоритмично базирани, софтуерни решения, благодарение на които дигитални апарати се самообучават и усъвършенстват възможностите си чрез статистическа обработка и запаметяване на данни. Deep Machine Learning касае самообучение с оглед на реализацията на конкретна цел. Най-популярен пример за прогреса в тази област е езиковият преводач на Google. Когато го ползвате, той проследява корекциите, които правите в превода му, запаметява ги и анализира грешките си, наблюдавайки непрекъснато милионите си клиенти. Всичко това се случва паралелно и без изключение, независимо колко са те и от какъв на какъв език е текстовата интерпретация. Резултатите от грешките се изчисляват в проценти и ако програмата установи, че повтаря дадена грешка, веднага пристъпва към upgrade на своята практика.

Математическо моделиране – това е метод за отделяне на компонента данни от дадени физични обекти и тяхната взаимовръзка. Така получените битове (най-често – изображения) се запаметяват и подлагат на дигитална обработка. Благодарение на алгоритмични процедури, този подход дава възможност едновременно за представяне и прогнозиране развитието на процеси чрез виртуални симулации, които не водят до преки последствия за физичната реалност, докато не бъдат въплътени във физична или социална среда. Най-популярното приложение на математическото моделиране са симулаторите за подготовка на летци. За да станат добри професионалисти, те се обучават на тренажори и многократно „катастрофират“, но това се случва само на екрани. Извън този пример, математическото моделиране се прилага масово в маркетинга, предизборните кампании, в медицинската диагностика, архитектурата и дизайна – винаги преди да се пристъпи към практически действия в реална среда.

Neural Networks and Artificial Intelligence – изкуствен интелект: сложни компютърни системи, проектирани и експлоатирани да извършват автономни целенасочени действия за създаване на техен оригинален „авторски“ информационен продукт, който в едни случаи има само виртуален характер, а в други чрез 3D принтери се въплъщава във физичната реалност.

Данни, информация, виртуалност и реалност: данните представляват съвкупност от битове, които могат да бъдат в неорганизиран хаотичен вид или конфигурирани в конструкции, които човек идентифицира, улавя, закодира и запаметява. Впоследствие, притежаваме и оперираме способността за обратното им извикване и впрягане в услуга на различни свои начинания. Тогава данните се превръщат в информация, т.е. информацията представлява множествена конструкция от интенционални данни. Тя е индивидуален личен „капитал“, който човек избира дали да запази като такъв само за себе си чрез запаметяване, или да сподели/публикува. Последното е възможно чрез действия за въплъщаване на намерението във невиртуалната реалност, или виртуално. Виртуален е всеки пряк или отложен във времето обмен на данни с друг субект или интелигентен агент, способен да ги възприеме. Инструментите на такова споделяне са различни: поведение, пряка или косвена (записана) езикова комуникация, създаване на произведение на изкуството и т.н. С други думи, данните представляват отделен закодиран пласт във Вселената и е необходим активен интелигентен наблюдател, който е в състояние да ги разчете и обработи. В същото време информацията е винаги и изцяло субективно генерирана от първо лице (6). Виртуалното пък е обмен на данни без съществена промяна в материалната физична среда, чиито пласт от битове, обаче, се обогатява в резултат на споделянето.

Този дискурс е присъщ на Философията на информацията и дава едновременно основа и хоризонт за философски анализ на Изкуствения интелект и свързаните с него явления и процеси.

  1. Философски проблеми, провокирани от тезата за съществуването и успешната обработка на Big Data.

На пръв поглед  предизвикателствата, породени от Big Data, имат епистемологичен характер. Новото понятие с нищо не допринася, а само задълбочава грижите около изясняването на разликата между запаметяване на взаимно свързани данни и естеството на човешкото познание. Тази дискусия възниква преди няколко десетилетия още с появата на разбирането за възможността машинно да записваме и конфигурираме дигитални битове и до днес не намира задоволителен общоприет отговор. Естествено, когато не можем да разрешим един спор за боравенето с ограничено количество данни, какво остава за големи обеми от тях, които даже не можем да обхванем в кръгозора си… Дали пък именно в този парадокс не се крие някакво разковниче, което да донесе известна изненада? В духа на много примери от човешкия опит в най-различни сфери на умствената дейност, новото е добре забравено старо. Напускайки полето на епистемологията, нека се върнем към една от тезите на френския мислител Henri Bergson, отнасяща се за преживяването при контакт с продължителността на качествените множества. Според него това преживяване е различно от срещите ни с количествените множества. Разбира се, живял и творил до 1941 г., той не би могъл да анализира действия на компютри и да разсъждава за акумулирането на човешката памет и познание. Според него, за разлика от дадено количествено множество, качественото „се възприема с присъщата му хетерогенеза като човешкото съзнание организира и обединява няколко свои състояния в едно, така че да достига до ново съдържание“(2). Според мен, важното в тази концепция, изразена само в едно изречение, е в няколко посоки. Първо, Bergson прави същностна разлика между диалектическия принцип за количествените натрупвания, които водят до качествени изменения, спрямо пряката среща с огромни множества, т.е. още при първичното, изначално човешко възприятие самото количество представлява качество. Вторият забележителен детайл е в акцента върху хетерогенезата. Bergson коментира, че преживяванията, свързани с досега ни с продължителността на огромни количествени множества, винаги са белязани от разнородност на процесите и доза времева промяна на наблюдаваната картина. Трета и също много важна е идеята му, че за подобно преживяване е необходимо съзнанието да организира анализа си така, че различни негови състояния, които вероятно кореспондират с различни потоци на възприятията, да работят синхронно, за да откриват нови съдържания. Вероятно Bergson е имал предвид такива състояния на съзнанието, които в ежедневието на човека рядко се комбинират или си взаимодействат.

Нека проследим как тези разсъждения се проектират върху днешната недвусмислена яснота за съществуването на Big Data. Паралелът е очевиден: безспорна е срещата ни с огромно по мащаби множество, чието количество обуславя основното му качество. Няма място за никакво съмнение за нейната хетерогенеза. Именно разнородността е признакът, по който определяме дадено количество данни като Big Data. Изненадващото е това, че не само отделни състояния на съзнанието на дадена личност, а големи групи от експерти в разнообразни области като физици, философи, биолози, био-математици, социолози, психолози и други видове специалисти се обединяват като умствен капацитет, съчетавайки по няколко състояния на своето съзнание, с единствената цел да намерят отговори на въпросите, които ги вълнуват и да дадат съвместни становища, т.е. за да разберат съдържанията и да формулират смислите на откриващите се непознати досега взаимовръзки. Понастоящем различните университети и лаборатории по света са обявили свои екипи, състоящи се от умерен брой експерти. Общото между всички тях е, че ползват услугите на Изкуствения супер-интелект (ИСИ). Това е ИИ, който:

  • Борави с изключителна изчислителна бързина.
  • Способен е да обработва и най-бързо променящи се огромни множества от Big Data.
  • Може и често прилага няколко алгоритъма от типа Deep Learning паралелно, в много посоки, по отношение на едновременно изследвани различни и разнородни големи множества от данни.
  • Горното негово действие е съчетано със синхронното изпълнение на други компютърни програми.
  • В резултат от математическия анализ и моделиране ИСИ генерира прогнози, които впоследствие се оказват верни.
  • На тази основа, взима решения и провежда автономни действия, които в голям процент от случаите постигат очакваните от нас резултати, а понякога дори ги надхвърлят значително.

            В този дух, може би не е далеч денят, когато ще може да се дискутира, как не просто един скромен екип, а едно голямо качествено множество от учени и мислители имат съвместно преживяване при среща с огромен качествен сегмент от Big Data.

Danah Boyd и Kate Crawford застъпват позицията, че в известен смисъл, изследванията в тази област се превръщат в нов „социо-машинен феномен“. Причините, схопед тях са две. От една страна, усвояването на обработката на Big Data води до неочаквани и непознати досега анализи и обобщения от разнообразни „дигитални следи“, появили се в резултат на природни явления и човешки действия. От друга страна, чрез анализи на Big Data могат да се чертаят повече или по-малко вероятни прогнози и перспективи, както по отношение на природни процеси като например, промените в климата, така и за чисто човешки начинания в обществен и в индивидуален план. Всичко това, е неразделно свързано с прилагането на Изкуствения интелект (ИИ) и неговия потенциал, присъщ единствено на машините. Boyd и Crawford, обаче, са пропуснали да  посочат друг изключително важен момент. ИИ пръв „ще узнава“ резултата от изследваната Big Data – преди да го сподели с нас и вероятно в перспектива (или дори днес) понякога ще използва тези резултати за следваща стъпка от действията си, преди ние да вникнем в пълната дълбочина на смислите от неговите открития. Такава ситуация неизбежно ще доведе до множество промени в живота ни, най-малкото в научно-технологичен, културен и философски аспект и ако проявим далновидност, следва да се подготвим за нея.

  1. Философски размисъл, произтичащ от „въвеждането в масова експлоатация“ на Изкуствения супер-интелект (ИСИ).

Предложената в началото на това изложение дефиниция за компютърните невронни мрежи и ИИ е работна и не претендира да е окончателна, тъй като понастоящем няма единно общоприето становище за тяхното дефиниране. Причините за това са много, но сред тях с особена сила се откроява фактът, че новаторството на дизайнерите ежедневно ни поднася нови и нови капацитети на ИИ в посока ИСИ. Темпото на развитие е динамично, а резултатът от този процес е, че всяка дефиниция остарява без време. Запазва се, обаче, една от характеристиките: почти винаги ИИ обработва Big Data, като прилага принципите на компютърните невронни мрежи, машинна математическа обработка на данни и математическо моделиране, натрупва и изследва със статистически методи. В крайна сметка, запаметява резултатите и непрекъснато следи за тяхната достоверност. Това означава успешна приложимост от гледна точка постигане на целите. Така, при необходимост ИИ се само-коригира, като по този начин се самообучава и усъвършенства.

За капацитета на ИИ може да се съди по това, какво може и върши той днес като се има предвид, че в един и същи момент неговият алгоритъм за дълбоко самообучение може да се прилага многократно, многопосочно и паралелно с ред други действия на компютърните процесори. Изброените примери са представени в тенденция от по-прости към по-сложни дейности:

  • ИИ се справя по-добре от човека при най-разнообразни форми на мониторинг – в ядрени реактори, при космически полети, непрекъснато наблюдение на биологични процеси, проследяване състоянието на пациенти в условия на кризисна реанимация, при регулацията на въздушното движение и др. Във всички тези случаи ИИ е по-бърз от нас в анализа и заключенията си, следи прецизно всяка подробност, без да пренебрегва и най-малката, взима под внимание всички произтичащи паралелни процеси, които биха повлияли на основния наблюдаван. В много случаи е „оторизиран“ от нас да предприема действия в зависимост от настъпващите промени, или най-малкото, да ни алармира за тях.
  • ИИ открива и запаметява характерни взаимовръзки – patterns сред Big Data. Така например, успява да превежда текстове или да провежда медицински изследвания. В първия случай натрупва лексика, сам открива, запаметява и прилага граматически правила. Във втория – наблюдава сканирани изображения или друг поток от данни, произтичащи от жив човешки организъм, сам търси и намира характерни особености в тях и ако попадне на отклонения или аномалии, веднага ги откроява. Изглежда парадоксален, но и показателен фактът, че програмистите на ИИ, който превежда на сложния китайски език и буквално го говори, могат да не разбират и дума от него. Същото е в сила и за авторите на ИИ за профилактика и откриване на ракови заболявания – те могат изобщо да не са медици. Единствените условия за успеха са две: достатъчно бързи компютри и Big Data да е наистина Big. Примерно, когато иде реч за изследване на образи, се препоръчва „стартов пакет“ за самообучение от поне 15 000 000 изображения. Този брой не е подбран случайно. Както съобщава Fei Fei Li (5) (Director of the Stanford Artificial Intelligence Lab), според изчисления на екипи от психолози и невробиолози, това е приблизителният брой на картините, които едно дете вижда и запаметява през месеците от живота си преди да проговори.
  • ИИ разпознава отделната личност. Това е възможно чрез пръстов отпечатък, по гласа, чрез Face Recognition – лицево разпознаване, но още и чрез изследване на авторство на текстове или картини. За широките възможности на принципа на откривателство чрез проучване на patterns може да съдим по следния детайл. Когато говорим за лицево разпознаване, обикновено си представяме поглед в анфас или поне три-четвърт. Компютрите могат това, разбира се, но могат още да разпознават „лицево“ изображение и от птичи поглед. В този случай, те изследват конфигурацията на част от човешкото ухо в съчетание със стойката на тялото при походка. Важна е единствено високата резолюция на изображенията, за да са налични необходимите за изследването достатъчно Big брой подробности.
  • ИИ разпознава говорна реч, влиза в диалог и отговаря писмено или интерпретира успешно текста вокално. С подобен софтуер на име Siri разполага всеки “iPhone”. Днес обаче, ИИ разпознава и образи, като може да опише картините и с думи (6). Случва му се и да греши. Според пример на Fei Fei Li, ако „му покажете“, т.е. ако му „upload“- нете снимка на паметник от типа „Цар Освободител“ в София, той отговаря, че това е кон с ездач. Въпреки неточността, не може да се отрече, че е налице и доза истина. Така или иначе, ясно е, че съвременният ИИ вече е в състояние да открива съдържания и формулира техни смисли.
  • ИИ има капацитет да разпознава и човешки емоционални реакции. Нещо повече, на тази база той е способен да прогнозира човешкото поведение при едни или други обстоятелства с голяма вероятност да познае. Подобен софтуер се прилага текущо в САЩ най-малко в две области: в сферата на наемане на човешки ресурси и при автомобилното застраховане. В първия случай, при интервю за назначаване на работа на млада жена, според отговорите на ред въпроси, които на пръв поглед нямат нищо общо с целта, ИИ „отгатва“ дали тя има намерение да забременее в следващите една-две години. При застраховането, за разлика от България, където в дадена компания цената на полицата за една и съща кола като модел, години и пробег, е еднаква за всички собственици, в САЩ не е така. ИИ провежда обстойно интервю с всеки отделен шофьор и прави изводи за риска той да причини катастрофа съобразно квалификацията, образованието и емоционалните си реакции в произволни ситуации. Тези заключения на ИИ са определящи за цената на застраховката, а моделът и износването на автомобила му са само част от оценката.

Вероятно могат да се приведат още много примери, които да илюстрират знайни и незнайни възможности на ИИ сега и за в бъдеще. Същественото е, че когато неотдавна програмистите замислят реализацията на ИИ, разпространеното мнение е, че разработката ще премине през следните три фази:

  • Слаб ИИ от типа на Siri, който разпознава и ползва говорима реч на различни езици, но е изцяло подчинен на човека и само изпълнява команди.
  • Нормален ИИ с капацитет, съизмерим с човешките възможности.
  • Изкуствен супер-интелект (ИСИ), който ни превъзхожда значително.

Животът, обаче, разкрива друго. Изключително динамичното развитие на IT- сектора като цяло води до това, че „нормален“ ИИ няма да има. За илюстрация – машините, които в средата на 1990-те се наричаха Супер-компютри, помещаваха се в специално построени сгради и бяха под постоянна охрана като особена ценност, обработваха данни със скоростта на днешните смартфони. Веднъж създадени и осмислени от експертите, програмите с капацитет Deep Learning, съчетани с вече постигнатата и непрекъснато растяща бързина на машинните калкулации, в комбинация с наистина огромните обеми от данни водят директно към третата фаза.

Преди да се насоча към философското обобщение на новото предизвикателство ИСИ, бих искал да обърна внимание на следния проблем, който съм обсъждал и в други свои публикации, както и в дисертационното ми изследване, посветено на конструираните реалности (6). Става дума за една дилема, провокирана от съвременното  успешно създаване на „мислещи“ машини – сложни, програмирани от нас, физични компютърни системи, способни автономно да произвеждат предвиждания, които впоследствие се сбъдват. Дилемата е, дали вече сме наясно с механизмите на човешкото мислене, разсъждение, оценка, въображение и прочие умствени дейности, и умело ги въплъщаваме при компютрите, или нашите умствени способности са постижими и по друг начин?  Към днешна дата тази дилема постепенно намира убедителната си развръзка. Невробиологът David Eagleman съобщава (7) и демонстрира (8) успешен експеримент, при който глухи хора „чуват“ дигитализирано слово посредством импулси, предадени им през рецепторите на осезание по гърба. Представеното устройство, което интерпретира дигиталните битове в импулси от докосвания, прилича на елек, който пациентите обличат на голо. Същият учен разказва и за експеримент на компанията Sony, при който на незрящи хора са предадени дигитализирани картини през вкусовите рецептори на езика, като пациентите описват с голяма точност подадените им изображения. Изводът, който Eagleman прави, е следният. Преди всичко, ясно е, че човешкият мозък е един вид компютър, който съумява да оперира с битове от данни. По-важното обаче е, че мозъкът ни живее на тъмно и на тихо, затворен в черепа и е устроен така, че се интересува най-вече какво да прави с постъпилите данни, а не толкова от това, по какви пътища те идват при него. Нещо повече, за наше съжаление, биотоковете ни се движат по нервната ни система по-бавно в сравнение със сигналите при компютрите, при които електричеството тече по проводниците със скоростта на светлината. Към това следва да се добави, че черепните  ни кутии ограничават пространствено растежа на мозъка ни, докато за физичните машини  не съществува такъв проблем.

Паралелно, Jeremy Howard (9) изтъква, че при наблюдение на работата на ИИ по зададена цел, която системата постига успешно, експертите констатират отделни междинни етапи,  без да знаят какво точно прави машината и най-важното – не им е ясно защо го прави така.

С други думи, вече няма почти никакво съмнение, че човешкият мозък,  особено в някои случаи, а  може би и винаги, си служи по подобие на компютрите с битове от данни. При обработката им, обаче, има някои разлики, които засега не могат да се дефинират, защото, освен че не знаем всичко за механизмите, които самите ние прилагаме, вече не разбираме и някои от действията на машините в тяхната пълнота и дълбочина. Иначе казано, към момента може да се твърди уверено, че без да сме формулирали категорично  такава цел предварително, създавайки ИИ, ние се стремим да въплътим в тях собствените си умствени капацитети и те отразяват нашите подходи при контакта с физичния свят и помежду ни с тази подробност, че в ролята си на наши „ученици“, в лицето на ИСИ те са на път бързо да ни изпреварват. Паралелно, наблюдавайки ги като свое огледало, ние едновременно изучаваме и тях, и себе си.

Както правилно отбелязва  директорът на Британския стратегически център за изследване на изкуствения интелект (UK Strategic Artificial Intelligence Research Centre)  – Nick Bostrom (10), на фона на големите възможности на ИСИ днес, все още е парадокс, че и досега ние комуникираме с компютрите предимно ръчно – с клавиатура или с мишка. Рядко, с говорна реч. Наближава моментът да се свързваме пряко по мисловен път. За активни експерименти в тази посока още преди години съобщава и Juergen Schmidhuber от университета в Лугано (11).

И така, в заключение може да се каже, че днес ИСИ разполага със значителни възможности да отгатва и предсказва човешките действия, дори части от лично генерирания наш информационен продукт, на който не бихме искали да даваме публичност, независимо дали става дума за наши становища, намерения или емоции. С развитието на технологиите и особено след установяването на безкабелна връзка мозък-компютър тази тенденция ще се задълбочи. В резултат от една страна, ще спечелим възможността за хибридно мислене, т.е. на моменти, за решаването на някакъв проблем всеки от нас би могъл да се свърже с електронния облак и за кратко да ползва цялата му памет и изчислителна мощ. От друга страна обаче, може да се окажем твърде „прозрачни“ като малко дете пред родителите си, а това би ни променило по природа. В този дух днешното мото на Google “Do you want an answer before you ask?” („Искате ли отговор, преди да попитате?“), изобщо не е само примамващо хрумване на рекламна агенция. Може би ще трябва да станем много по-прями и да живеем в условия на неприкритост, или да изграждаме нови индивидуални защитни стени. Последното ще е трудно и може да отнеме години, докато се приспособим към новата обстановка, защото, ако изглежда сравнително просто да ограничим споделянията си в социалните мрежи, не е така лесно да овладеем мимиката и жестовете си, за да не издадем емоцията си. Трябва да променим изцяло темперамента си като вид, а ако това изобщо е възможно, би било твърде трудно. Ако не успеем да го направим, както изтъква Sam Harris (12), рискуваме машините да се отнасят с нас със същото пренебрежение, с което ние се отнасяме към по-слабо интелигентните мравки.

Друга съществена промяна, пред която неизбежно ще се изправим, е и непрекъснато увеличаващият се приток на данни, които в индивидуален и социален план не сме в състояние да запомним и осъзнаем, докато машините го правят. Те (ще) вършат това в посока на цели, които сме им задали ние, но както вече стана ясно,  те могат да вършат и неща, които не разбираме и ще ни изненадат. Пример, илюстриращ ситуацията, как човек действа при недостиг на време да обхване и реагира адекватно на постъпващите данни и произтичащата от това промяна в обстановката, е това, което се случва на  автомобилните рали състезания. При нормална скорост шофьорите успяват да възприемат околната среда, да преценят какви действия да предприемат и след това да ги приложат. На следващ етап те възприемат и оценяват резултата и така в продължаваща циклична последователност. При неправилна преценка и реакция следва критична ситуация или катастрофа. При ралитата, обаче, желанието за максимално бързо придвижване не дава времева възможност шофьорът да изпълни всичко това и по тази причина се налага да се подхожда отборно – включва се и навигатор. Оценката на обстановката и заключенията за оптимално управленческо поведение при движението се извършват предварително, а по време на състезанието навигаторът следи, къде се намира екипът и диктува действията на шофьора. Мисията на последния е да ги изпълни безупречно и да оценява единствено изхода от всяка конкретна ситуация. Очевидно тази практика е далеч от обичайната за човешката умствена дейност и произтича от екстремното темпо. Същото наблюдение навежда на мисълта, че в близка перспектива, при контакта си с ИСИ трябва да сме готови да „играем“ не индивидуално, а колективно. Такъв подход ще ни даде време да се приспособим към контакта си с по-интелигентния от нас вид, поне докато той не се самоусъвършенства до степен да усвои процеси на автономно размножаване. Бързам да уточня, че не коментирам фикции, как роботи с ИСИ ще „завземат“ наши заводи или технологични линии. Неведнъж физици са споделяли мнение, че в природата се наблюдават компютации, които са се случвали и преди възникването на човешката раса. Тогава, особено ако дизайнерите приложат на ИСИ и някаква форма на инстинкт за самосъхранение на Deep Learning, при масово изследване на Big Data, не бива да изключваме вероятността ИСИ да открие възможност за свое преинсталиране и по-оптимално действие на материален носител извън тези, които ние създаваме и му предоставяме.

Всичко това не означава, че има надвиснала неизбежна опасност над нашия вид. Както Bostrom посочва, тя може да бъде избегната лесно, ако на ИСИ бъде споделена нашата ценностна система. Той предлага и оригинален начин, как да стане това. Естествено, звучи наивно да се мисли, че ние самите познаваме детайлно своята ценностна система. Още по-абсурдно би било да вземем да я превеждаме на даден програмен език. Bostrom вижда много по-прост и убедителен начин – на Deep Learning ще бъде възложено да ни изучи и когато го направи, ползата ще бъде двойна. Първо, ще споделяме еднакви ценности и така няма да бъдем взаимно опасни. Второ, отразени в огледалото на ИСИ, ще научим някои неподозирани истини за себе си, които сигурно ще ни звучат странни или дори невероятни, но ще бъдат доказани със средствата на статистиката.

По-интересна и предизвикателна от евентуална заплаха е опцията за използване на ИСИ при опознаване на света около нас и нашите комуникации. Усъвършенстването на вече създадения софтуер от типа Fusion, който интегрира успешно картина, звук, текст и др. типове данни в едно, открива възможността за комплексно изследване на най-различни по естество, вид и характер Big Data. Тук човешкото въображение в изследователската област ще придобие шанса да експериментира в неограничени комбинации. Едва ли някой може да предскаже, каква взаимовръзка може да се получи, ако сравним, примерно, човешкия геном с разпространението на радио-сигнали във Вселената, или миграцията на капките в Световния океан… Както посочва световният шампион по шах Гари Каспаров, (13), най-важното е да подходим без предубеждение при съчетаването на:

  • Човешката интуиция с компютърната калкулация.
  • Човешката стратегия с тактиката на машините.
  • Човешкият опит с прецизната мащабна памет на ИСИ.

Междувременно трябва да свикнем с още един безусловен факт на протичащата, а може би – на вече протеклата промяна. До средата на миналия век човешкото познание и култура се основава предимно на книгите, изместени в значителна степен впоследствие от киното и други форми на аудио-визията. Както изтъкват различни експерти, през 21-ви век, обаче, идва епохата, когато за успешното научно и културно развитие на човечеството, решаващ ще бъде интерфейсът като ефективна интеграция и сътрудничество между големи множества хора, машини и данни, независимо дали говорим за групи от един, два или трите изброени вида. Почти сигурно изглежда още нещо – според същите експерти в бранша, масовото приложение на ИСИ ще се отрази на живота ни по-осезателно, отколкото появата в ежедневието ни на персоналния компютър и мобилните телефони.

Разбира се, между хората и Изкуствения супер-интелект винаги ще се запазят съществени разлики. Феноменът ИСИ, обаче, е в приликите, които стават все повече, по-предизвикателни и по-значими за живота ни.

Библиография и други източници:

 

  1. Davide Castelvecci (2017), IBM’s Quantum Cloud Goes Commercial, Nature Science Journal, 06.03.2017, available at: http://www.nature.com/news/ibm-s-quantum-cloud-computer-goes-commercial-1.21585
  2. Henri-Louis Bergson (2012), Time and Free Will, p. 122, Elibron Classics Series – Adamant Media Corp., 50 Cutler Lane, Chestnut Hill MA 02467 USA.
  3. Danah Boyd and Kate Crawford (2012), Knowledge Driven to Data Driven Forecast, Economy, Society, Etc., Critical Questions for Big Data, Information, Communication & Society Journal, 15, Iss. 5, 2012.
  4. Fei Fei Li, Director of the Stanford Artificial Intelligence Lab (2015), How we’re teaching computers to understand pictures?, TED.com presentation available at: https://www.ted.com/talks/fei_fei_li_how_we_re_teaching_computers_to_understand_pictures
  5. Fei Fei Li, Director of the Stanford Artificial Intelligence Lab (2015), How we’re teaching computers to understand pictures?, TED.com presentation available at: https://www.ted.com/talks/fei_fei_li_how_we_re_teaching_computers_to_understand_pictures
  6. Alexander Lazarov (2015), The Digital World – Construction and Reality, LAP, Lambert Academic Publishing, Saarbrucken, Germany.
  7. David Eagleman (2015), The Brain, Pantheon Books, New York, USA.
  8. David Eagleman (2015), Can we create new senses for humans?, a TED.com presentation available at: https://www.ted.com/talks/david_eagleman_can_we_create_new_senses_for_humans
  9. Jeremy Howard, Margit Zwemer and Mike Loukides (2012), Designing great data products, O’Reilly, Strata Conference, London, GB.
  10. Nick Bostrom (2014), Superintelligence – Paths, Dangers, Strategies, Oxford Ubiversity Press, UK.
  11. Sepp Hochreiter and Jurgen Schmidhuber (1997), Long Short-Term Memory. Neural Computation, Cambridge MA, MIT Press, Journal: Neural Computation archive, Volume 9 Issue 8, November 15,
  12. Sam Harris (2010), The Moral Landscape: How Science Can Determine Human Values, Free Press, London, Toronto, Sydney, ISBN 978-1-4391-7121-9
  13. Garry Kasparov (April 2017), TED.com presentation available at: https://www.ted.com/talks/garry_kasparov_don_t_fear_intelligent_machines_work_with_them

Остави коментар