Recientemente, las publicaciones sobre las perspectivas de aparición de la inteligencia artificial se han vuelto más frecuentes. Se discuten los aspectos prácticos y moral-éticos de la convivencia de la humanidad con él. ¿Cuán oportunas son estas discusiones? ¿Podemos realmente esperar la aparición de "máquinas pensantes"?
Todos los proyectos para crear inteligencia artificial se pueden dividir aproximadamente en dos áreas. El primero es la acumulación de bases de datos y su procesamiento por programas que imitan la actividad del cerebro humano. El segundo se basa en el estudio de modelos de comportamiento intelectual. El principal inconveniente de ambos es que todavía no sabemos lo suficientemente bien qué son la mente y el comportamiento intelectual, y el cerebro humano, francamente, se ha estudiado seriamente hace relativamente poco tiempo.
Existe la opinión de que el problema se puede sortear debido a los cyborgs, es decir, fusionando un cerebro vivo (simio, y en el futuro, un humano) con una computadora, sin embargo, este camino está plagado de enormes dificultades y, lo que es peor, en este caso será imposible hablar de inteligencia artificial completa.
Sin embargo, los científicos creen que es bastante realista saltar varios pasos, permitiendo que la inteligencia artificial se desarrolle de forma independiente, tal como se desarrolló en la naturaleza viva, con la diferencia de que su evolución tendrá lugar en el espacio virtual, no material. Aquí la apuesta se coloca en redes neuronales artificiales o redes neuronales (Artificial Neural Network).
norte
Recordemos qué es una neurona. Este es el nombre de una célula nerviosa, que se diferencia de otras células en que es capaz de almacenar y transmitir información mediante señales eléctricas y químicas. La función de las neuronas se descubrió a fines del siglo XIX, lo que, por supuesto, le hizo el juego a los materialistas que estaban ganando autoridad en todo el mundo en ese momento: inmediatamente declararon que eran las neuronas las que contenían el "alma". De ahí la idea de que si de alguna manera creces una copia exacta del cerebro, entonces nacerá un "alma" en él. Pero surgió una pregunta filosófica: ¿se puede hablar de un "alma" sin razón? Después de todo, es un producto de la educación, como lo demuestra el estudio de "Mowgli", niños humanos criados por animales. En consecuencia, no es suficiente crear una copia del cerebro, todavía necesita ser "educado" para ganar inteligencia.
FINO TÉCNICO
El cerebro de un adulto normal contiene aproximadamente 86 mil millones de neuronas. No hace mucho, la idea de crear un análogo digital parecía absolutamente fantástica. Sin embargo, hoy, con el desarrollo de la tecnología de la información, esto ya parece bastante factible.
Video promocional:
Cabe recordar que el famoso matemático estadounidense Norbert Wiener, el "padre" de la cibernética, es considerado el fundador de la teoría del modelado de procesos biológicos complejos, incluidos los procesos cerebrales. En 1949, el psicólogo canadiense Donald Hebb, especialista en el estudio de los procesos de pensamiento, basado en los cálculos de Wiener, compiló el primer algoritmo de entrenamiento para redes neuronales (por cierto, en un momento Hebb trabajó en la CIA, donde se ocupó del problema del lavado de cerebro).
En 1957, el estadounidense Frank Rosenblatt, un teórico de la inteligencia artificial, basándose en su trabajo anterior, creó un diagrama lógico del perceptrón, un modelo cibernético de autoaprendizaje del cerebro, que se implementó tres años después sobre la base de la computadora electrónica Mark-1. El perceptrón transmite señales desde fotocélulas (sensores, celdas S) a bloques de celdas de memoria electromecánicas que están conectadas al azar. Si una de las células recibe una señal que excede el valor umbral, la transmite más al sumador (elemento R) y con un cierto coeficiente ("peso" de la conexión AR). Dependiendo de la suma de la señal multiplicada por los factores de peso, el sumador envía uno de los tres resultados posibles a la salida de todo el sistema: -1, 0 y +1. El entrenamiento del perceptrón ocurre en la etapa de introducir coeficientes de peso en el sistema. Por ejemplo,colocamos una figura “cuadrada” frente a las fotocélulas y establecemos la regla: cuando aparece un cuadrado en el campo de visión, el perceptrón debe dar un resultado positivo (+1), y cuando aparece cualquier otro objeto, negativo (-1). Luego cambiamos los objetos uno por uno y ajustamos los pesos cuando aparece un cuadrado en la dirección de aumento y, en su ausencia, en la dirección de disminución. Como resultado, obtenemos una matriz única de valores de coeficientes de peso dentro del sistema para cualquier variante de la apariencia de un cuadrado, y en el futuro podemos usarla para reconocer cuadrados. "Mark-1", a pesar de su primitividad en comparación con las computadoras modernas, podía reconocer no solo formas geométricas, sino también letras del alfabeto, y estaba escrito en diferentes caligrafías.cuando aparece un cuadrado en el campo de visión, el perceptrón debe dar un resultado positivo (+1), y cuando aparece cualquier otro objeto, negativo (-1). Luego cambiamos los objetos uno por uno y ajustamos los pesos cuando aparece un cuadrado en la dirección de aumento y, en su ausencia, en la dirección de disminución. Como resultado, obtenemos una matriz única de valores de coeficientes de peso dentro del sistema para cualquier variante de la apariencia de un cuadrado, y en el futuro podemos usarla para reconocer cuadrados. "Mark-1", a pesar de su primitividad en comparación con las computadoras modernas, podía reconocer no solo formas geométricas, sino también letras del alfabeto, y estaba escrito en diferentes caligrafías.cuando aparece un cuadrado en el campo de visión, el perceptrón debe dar un resultado positivo (+1), y cuando aparece cualquier otro objeto, negativo (-1). Luego cambiamos los objetos uno por uno y ajustamos los pesos cuando aparece un cuadrado en la dirección de aumento y, en su ausencia, en la dirección de disminución. Como resultado, obtenemos una matriz única de valores de coeficientes de peso dentro del sistema para cualquier variante de la apariencia de un cuadrado, y en el futuro podemos usarla para reconocer cuadrados. "Mark-1", a pesar de su primitividad en comparación con las computadoras modernas, podía reconocer no solo formas geométricas, sino también letras del alfabeto, y estaba escrito en diferentes caligrafías. Luego cambiamos los objetos uno por uno y ajustamos los pesos cuando aparece un cuadrado en la dirección de aumento y, en su ausencia, en la dirección de disminución. Como resultado, obtenemos una matriz única de valores de coeficientes de peso dentro del sistema para cualquier variante de la apariencia de un cuadrado, y en el futuro podemos usarla para reconocer cuadrados. "Mark-1", a pesar de su primitividad en comparación con las computadoras modernas, podía reconocer no solo formas geométricas, sino también letras del alfabeto, y estaba escrito en diferentes caligrafías. Luego cambiamos los objetos uno por uno y ajustamos los pesos cuando aparece un cuadrado en la dirección de aumento y, en su ausencia, en la dirección de disminución. Como resultado, obtenemos una matriz única de valores de coeficientes de peso dentro del sistema para cualquier variante de la apariencia de un cuadrado, y en el futuro podemos usarla para reconocer cuadrados. "Mark-1", a pesar de su primitividad en comparación con las computadoras modernas, podía reconocer no solo formas geométricas, sino también letras del alfabeto, y estaba escrito en diferentes caligrafías. Como resultado, obtenemos una matriz única de valores de coeficientes de peso dentro del sistema para cualquier variante de la apariencia de un cuadrado, y en el futuro podemos usarla para reconocer cuadrados. "Mark-1", a pesar de su primitividad en comparación con las computadoras modernas, podía reconocer no solo formas geométricas, sino también letras del alfabeto, y estaba escrito en diferentes caligrafías. Como resultado, obtenemos una matriz única de valores de coeficientes de peso dentro del sistema para cualquier variante de la apariencia de un cuadrado, y en el futuro podemos usarla para reconocer cuadrados. "Mark-1", a pesar de su primitividad en comparación con las computadoras modernas, podía reconocer no solo formas geométricas, sino también letras del alfabeto, y estaba escrito en diferentes caligrafías.
norte
COSAS INTELIGENTES
Por supuesto, desde entonces han surgido muchos circuitos, algoritmos y variantes de perceptrones más complejos. Sin embargo, este enfoque para organizar un modelo de red neuronal tiene limitaciones fundamentales: por ejemplo, los perceptrones son impotentes para resolver el problema de dividir una figura en partes separadas o determinar la posición relativa de las figuras.
Cuando quedó claro que era imposible construir inteligencia artificial basada en perceptrones, el interés en ellos disminuyó. Sin embargo, a principios de la década de 1980, aparecieron nuevas variantes de redes neuronales de autoaprendizaje y autoorganización: la red Hopfield, la red Hemming, la red Kohonen, la red Jordan y otras. En 1986, tuvo lugar una especie de revolución: los científicos soviéticos y estadounidenses desarrollaron un método de retropropagación (algoritmo de gradiente iterativo), que permitió superar las limitaciones previamente descubiertas. Después de eso, las redes neuronales recibieron un rápido desarrollo, que se implementó de inmediato en programas informáticos aplicados.
Los paquetes de software modernos construidos sobre la base de redes neuronales artificiales son capaces de reconocer textos, comandos de sonido, rostros, gestos y expresiones faciales arbitrariamente complejos. Sin embargo, estos son solo los casos de uso más simples, también hay otros más inusuales. Pilotos automáticos de autoaprendizaje capaces de responder al desarrollo de situaciones catastróficas antes que los pilotos. Inspectores cambiarios identificando transacciones sospechosas en los mercados de valores. Agentes de publicidad en red que rastrean las preferencias de clientes potenciales. Diagnósticos médicos que determinan patologías en lactantes.
Está claro que a medida que mejoren las tecnologías de la información, las redes neuronales también se volverán más complejas. Gestionarán todos los electrodomésticos y soporte vital para hogares, fábricas y supermercados. Pueden monitorear amenazas, analizar tendencias y dar consejos, por ejemplo, sobre la inversión óptima de dinero. Incluso podrán crear objetos de arte: ¡ya hay pinturas y poemas escritos por redes neuronales!
¿ESCLAVITUD O AMISTAD?
De hecho, todo se debe a que una red neuronal algún día se convertirá en un asistente insustituible en mil grandes y pequeños asuntos. Los futuristas temen esto. Creen que en algún momento la cantidad se convertirá en calidad, la inteligencia artificial surgirá en las redes neuronales, que inmediatamente desafiarán a la humanidad y la destruirán. También es posible otra opción: las personas se volverán tan dependientes de las decisiones tomadas por la red neuronal que ellos mismos no notarán cómo se convertirán en sus esclavos.
Escenarios de miedo como estos parecen demasiado extraños. El caso es que las redes neuronales se estructuran inicialmente para adaptarse a las necesidades de una persona o grupo de personas en particular. Pueden ayudar a corregir un error o dar consejos, resaltar un problema o notar un engaño, pero ellos mismos no pueden elegir entre opciones equivalentes, porque nosotros (desafortunadamente o afortunadamente) no podremos enseñarles lo principal: la moralidad. Por lo tanto, en todo momento, las redes neuronales serán como perros domésticos: obedientes, leales y amigables.
Anton Pervushin
