Идея искусственного интеллекта и машинного обучения одновременно пугающая и захватывающая. Остается только задаться вопросом, будут ли машины способны на настоящие человеческие эмоции, такие эмоции, при которых человек не сможет отличить машину от человека.

Прежде чем решать вопрос о том, могут ли машины пройти тест Тьюринга или можно ли запрограммировать машины, чтобы они чувствовали человеческие эмоции, нужно сначала понять, что такое тест Тьюринга. Кроме того, необходимо понимать разницу между машинным обучением и искусственным интеллектом.

Тест Тьюринга

Тест Тьюринга, названный в честь А. М. Тьюринга, представляет собой имитационную игру, в которой участвуют 3 игрока: судья, человек, затем компьютер, который пытается имитировать реального человека.

В этом тесте судья задаст множество вопросов, от лингвистических до моральных.

С момента первой формулировки игры в 1950 году и до наших дней ни один компьютер не прошел тест Тьюринга. Многие пытались, а некоторые даже приблизились, но в итоге судья смог отличить человека от машины.

Хотя это очень формальный тест, трудно сказать, проходит ли машина тест, что она по определению является «самодумающей». Попытка определить, может ли машина «думать» самостоятельно, не так проста, как можно было бы подумать.

В некоторых определениях машины уже могут думать и учиться у самих себя такими, какие они есть. Эта точка зрения предполагает, что машины, автоматически исправляющие себя на основе того, что они запрограммированы считать правильным, будет считаться «самомышлением».

Как подчеркнул профессор Джеймс Х. Мур,

«Короче говоря, невозможно оценить значение теста Тьюринга, не обращая внимания на обычную концепцию мышления, какой бы неясной она ни была» ⁴

Но разве это не то, что делают люди? Они узнают, что делать и не делать, основываясь на прошлом опыте. Чтобы машины могли «автопрограммировать» себя, им потребуется большое количество справочных данных в специализированной области.

Это одна из причин, почему пройти тест Тьюринга так сложно. Машине потребуется огромное количество исходных данных, чтобы она могла реагировать, что очень затрудняет принятие решений на месте, которые могут делать люди. Также дело не в том, что компьютеры уже не могут обрабатывать и оценивать информацию, а в том, что они могут делать это таким образом, который имитирует совершенство людей.⁴

Искусственный интеллект

Помимо знания функции теста Тьюринга, необходимо понимать разницу между машинным обучением и искусственным интеллектом.

Многие люди в наши дни, похоже, довольно часто меняют определения между ними. Хотя они очень похожи, машинное обучение на самом деле является частью искусственного интеллекта.

Искусственный интеллект в широком смысле определяется как:

«способность машины имитировать разумное поведение человека» ¹

Как правило, искусственным интеллектом могут быть знания и данные, которыми обладает компьютер, которые позволяют ему решить проблему. Почти каждая современная технология, которая обрабатывает информацию, имеет ИИ.

Машинное обучение

С другой стороны, машинное обучение — это процесс, позволяющий компьютеру учиться у самого себя и программировать себя как с помощью предоставленных данных, так и с помощью опыта, полученного в результате проб и ошибок¹.

Одним из современных примеров использования машинного обучения является довольно реалистичный ИИ генераторы текста в изображения. Эти программы берут то, что вы вводите, и создают изображение, полностью сгенерированное искусственным интеллектом, с помощью машинного обучения. Как упоминалось ранее, машины могут делать это с помощью огромного количества данных, которые у них есть, чтобы воспроизвести описанные образы.

В случае преобразования текста в изображение AI эта программа и многие другие программы используют базу данных изображений COCO (Common Objects in Context). Это настоящая база данных, созданная людьми, состоящая из подписей к изображениям.

Затем ИИ программируется для анализа полного набора данных и разработки шаблонов, которые помогут ему ссылаться на текст на определенные подписи, а затем на указанные изображения. При определении качества и точности изображения на самом деле существуют другие программы, которые используются для оценки того, насколько изображение близко к тексту. Так что просто для того, чтобы получить чье-то изображение, ИИ должен использовать множество других алгоритмов и программ, работающих друг с другом, чтобы получить на выходе изображение.

Изображение ниже — реальное изображение с сайта deepAI.com, которое я сделал. Я набрал «обезьяна, играющая в шахматы», а затем с помощью алгоритмов и кода было создано изображение ниже.

Существует три типа машинного обучения:

  • под наблюдением
  • неконтролируемый
  • усиление

Обучение с учителем гораздо более сфокусировано, когда машине дается задача для выполнения и заранее предоставляются данные, которые могут повлиять на ее решения. Хорошим примером этого типа могут быть генераторы текста AI для изображений.

Обучение без учителя — это когда машина учится на основе шаблонов и делает выводы на основе того, что наблюдает¹.

Подкрепление, последняя форма, — это аспект машинного обучения, связанный с пробами и неудачами. Программа пытается выполнить задачу, и в зависимости от результата, если они делают то, что указано, это правильное поведение усиливается. Эта форма в основном наблюдается в ИИ, пытающихся завершить видеоигру, в которой выполняется несколько тестов, и ИИ, который показывает лучшие результаты, повторно используется до тех пор, пока он, наконец, не завершит задачу.

Из всех этих типов машинного обучения тот, который, по-видимому, больше всего связан с автономией, — это обучение без учителя. Можно было бы предположить, что при наличии достаточно надежной программы и процессора без ограничений неконтролируемый ИИ мог бы придумывать свои собственные взгляды на вещи и делать предположения на основе шаблонов, которые они изучают сами.

Один из методов программирования ИИ известен как «глубокое обучение», при котором машинный ИИ моделируется по образцу человеческого мозга, состоящего из миллионов узлов обработки, организованных в отдельные слои¹.

Эти узлы и слои действуют как искусственные нейронные сети, и, как объясняет профессор Джейсон Браунли,

"Результаты улучшаются благодаря большему объему данных, более крупным моделям и большему объему вычислений" ²

всего этого можно достичь с помощью глубокого обучения. Это показывает, что у людей определенно есть оборудование для разработки ИИ, который может учиться сам и принимать решения, основываясь на том, что он считает правильным.

Будущее искусственного интеллекта

Тогда можно было бы сделать вывод, что в ближайшем будущем машины смогут мыслить так же, как и люди. Но я бы предположил, что машины никогда не смогут достичь того момента, когда они смогут имитировать человеческие мысли и эмоции. Это потому, что все упирается в программирование.

ИИ может потратить годы на обучение и адаптацию моделей и опыта, которые он получает, но он все равно искусственный. Люди ведут себя совершенно непредсказуемо, машина может иметь набор моральных принципов, которые можно запрограммировать в нее, но она не может на самом деле имитировать настоящие человеческие эмоции.

Это мнение подкрепляется профессором Мэтью Спакманом из Университета Бригама Янга, который восклицает:

«основная трудность, с которой каждая из наших моделей столкнулась при прохождении теста, заключалась в неспособности понять конкретное» ⁵

Я хотел бы выделить пункт «особенности». При представлении эмоций от повседневных ситуаций люди сталкиваются с такими специфическими событиями, что ИИ с трудом мог бы найти объяснение. В реальной жизни может происходить почти бесконечное количество небольших взаимодействий, и практически невозможно смоделировать каждую эмоцию в соответствии с конкретным событием. ИИ мог бы придумать ситуацию почти такой же важности, но люди улавливают мелкие детали, и можно было бы признать, что ответ ИИ просто не кажется «человеческим».

Спакман также подчеркивает идею о том, что способность осмысливать свой мир необходима для человеческих эмоций, говорит он:

"Что это за способность? Это способность определять значимость или незначимость отдельных аспектов своей ситуации» ⁵

Поэтому, если какая-то новая революционная технология не позволит ИИ полностью копировать функции человеческого мозга, ИИ, скорее всего, никогда не сможет по-настоящему воспроизвести человеческие эмоции.

При этом с таким же успехом можно было бы утверждать и обратное. У многих может быть точка зрения «так что, ИИ не может идеально воспроизвести человеческие эмоции», и, честно говоря, это верная позиция.

Пока ИИ может выполнять задачи, которые делают люди, более эффективным и экономичным способом, имеет ли какое-то значение наличие у ИИ человеческого интеллекта? В некоторых аспектах наличие существа, лишенного всех предубеждений и способного обрабатывать информацию в тысячи раз быстрее, чем люди, лучше, чем наличие настоящего человека.

Многие серьезные проблемы в настоящее время проистекают из внутренних предубеждений, которые содержат люди, поэтому устранение этого предубеждения в первую очередь позволило бы машинам иметь строго объективную и эффективную точку зрения.

Мы видим, что машины начали заменять многие рабочие места, которые раньше были у людей, но многие из этих рабочих мест состояли только из ручного труда. Это были такие работы, как производство и обработка товаров, работы, которые могли легко выполняться как человеком, так и машиной.

Но вопросы начнут возникать, как только машины смогут выполнять такие задачи, как выполнение хирургических операций или определение наилучшего пути к экономическому успеху. Теоретически ИИ идеально подходит для такой работы, потому что один требует машинной точности, а другой требует строго объективного и аналитического принятия решений.

Влияние передовых технологий на рабочие места

При рассмотрении теоретического взгляда на то, «если бы машины заняли рабочие места, как бы это выглядело в экономике», ответ на самом деле можно решить с нескольких точек зрения.

Во-первых, машины дополняют работу людей. Именно здесь компания внедряет технологии для своих сотрудников, которые затем повышают производительность, что приводит к увеличению доходов.

В этом случае заработная плата может увеличиться, а в некоторых ситуациях фактически появится больше вакансий благодаря технологиям, делающим работу проще и доступнее для людей.

Или это дополнение может привести к увольнению людей и найму других, более квалифицированных в работе с этой новой технологией.

Другая точка зрения состоит в том, что ИИ фактически вытесняет людей с работы, что приводит к потере миллионов рабочих мест. ИИ, способный полностью заменить чью-то работу, приведет к повышению производительности, но увеличится уровень безработицы.

Профессор Гарри Дж. Хольцер из Джорджтаунского университета в статье о том, как ИИ заменяет рабочие места,

«Действительно, цифровая автоматизация с 1980-х годов усугубила неравенство на рынке труда, поскольку многие производственные и конторские работники столкнулись с исчезновением рабочих мест или снижением заработной платы» ³

На самом деле, если бы машины начали полностью заменять рабочие места людей, экономика не была бы разрушена. Это будет связано с созданием большего количества рабочих мест и долгосрочным совокупным предложением, которое в конечном итоге приведет к возвращению в равновесие.

Краткое содержание

Мысль о том, что роботы захватят мир с помощью ИИ, обнаружившего автономию, может напугать, но на самом деле этого, скорее всего, никогда не произойдет. ИИ не сможет в ближайшие сто лет идеально смоделировать человеческий мозг из-за сложности и мощности, которые потребуются для этого.

С учетом сказанного, какое вообще значение имеет изучение и разработка искусственного интеллекта, если он никогда не сможет достичь этой всеобъемлющей цели?

Мой ответ на этот вопрос таков: чем больше мы сможем развивать ИИ, тем полезнее он станет на самом деле. Подумайте о том, чтобы иметь машину или код, который будет выполнять операции таким образом, чтобы почти гарантировать выживание независимо от обстоятельств. Это лишь один пример того, какие возможности есть при разработке машинного обучения.

Даже если ученые просто продолжат попытки разработать ИИ для имитации человеческого мышления и ничего не добьются, это все равно будет свидетельством человеческого прогресса. Это все равно, что отправлять спутники за миллионы километров, чтобы сфотографировать планеты. На самом деле это ничем нам не помогает, но, несмотря на это, люди продолжают стремиться к неизведанному.

Таким образом, даже если ученые не могут создать робота, который обманом заставляет кого-то поверить, что он реальный человек, того факта, что компьютер может создать совершенно новое и реалистичное изображение из небольшого описания слов, должно быть достаточно.

Процитированные работы

[1]: Браун, С. (2021, 21 апреля). Объяснение машинного обучения. Массачусетский технологический институт Слоан. Получено 3 ноября 2022 г. с https://mitsloan.mit.edu/ideas-made-to-matter/machine-learning-explained.

[2]: Браунли, Дж. (14 августа 2020 г.). Что такое глубокое обучение? Мастерство машинного обучения. Получено 10 ноября 2022 г. с сайта https://machinelearningmastery.com/what-is-deep-learning/.

[3]: Holzer, HJ (2022, 9 марта). Понимание влияния автоматизации на работников, рабочие места и заработную плату. Брукингс. Получено 14 ноября 2022 г. с сайта https://www.brookings.edu/blog/up-front/2022/01/19/understanding-the-impact-of-automation-on-workers-jobs-and-wages/. »

[4]: Мур, Дж. Х. (1976). Анализ теста Тьюринга Philosophical Studies, 30(4), 249–257. https://doi.org/10.1007/bf00372497

[5]: Спэкман, член парламента (2004 г.).Могут ли машины адекватно имитировать человеческие эмоции?: Проверка четырех теорий эмоций. Теория и психология, 14 (6), 755–776. https://doi.org/10.1177/0959354304048105

[6]: Фонд Викимедиа. (2022, 9 ноября). Модель преобразования текста в изображение. Википедия. Получено 9 ноября 2022 г. с https://en.wikipedia.org/wiki/Text-to-image_model#Datasets.