Грань между человеком и ИИ и иные вопросы будущего человечества

Автор Preguntador, марта 29, 2014, 01:40:17

« назад - далее »

ArefievPV


ArefievPV

Цитата: ArefievPV от апреля 12, 2017, 05:13:34
Го: последняя надежда человечества
http://neuronovosti.ru/go-go-2/

Искусственный интеллект в мае попытается обыграть лучшего игрока планеты в Го. Матч состоится в мае. Об этом сообщила в своём блоге компания Deepmind.

Чемпион мира по игре в го из Китая проиграл все три матча программе AlphaGo
http://tass.ru/sport/4287392

До начала турнира Кэ Цзе заявил в социальных сетях, что это будет последняя попытка с его стороны, независимо от результата, бросить вызов искусственному интеллекту

Цитата из заметки:
ЦитироватьДо начала турнира Кэ Цзе заявил в социальных сетях, что это будет последняя попытка с его стороны, независимо от результата, бросить вызов искусственному интеллекту. "Это холодная машина, у которой нет чувств к этой игре", - признался игрок. После первого же матча 23 мая Кэ Цзе заявил, что был шокирован действиями программы и ее ходами. "Она как бог игры в го", - сказал чемпион. "В прошлом у программы были некоторые слабости, но сейчас я чувствую, что ее понимание игры го и принимаемые ею решения находятся за гранью наших возможностей", - добавил он.

ArefievPV

Заблуждения искусственного интеллекта
https://postnauka.ru/faq/80051
Специалист по Computer Science Анатолий Гершман рассказывает о главных мифах, окружающих ИИ

ЦитироватьИстория развития понятия ИИ

Термин «искусственный интеллект» родился в 50-е годы ХХ века, и уже тогда шли дебаты о том, что он означает. Первые системы для редактирования текстов считались «умными». Тогда и родилась шутка, что искусственный интеллект — это то, что люди могут делать, а компьютеры пока нет. То есть изначально искусственный интеллект рассматривался как автоматизация умственной деятельности человека.

В 80-е годы прошлого века большое распространение получили так называемые экспертные системы. Они оказали большое влияние на автоматизацию бизнес-процессов, которые регулируются точными правилами. Когда-то за применением бизнес-правил следили армии менеджеров. Потом эти правила стали частью кода программ управления. Под влиянием экспертных систем они были отделены от кода и собраны в таблицы. В современных системах управления можно менять правила без перепрограммирования самой системы.

На этих примерах мы видим, что системы автоматизации умственной деятельности сами ничему не учатся. Все их знания, например экспертные правила, нужно разрабатывать и вводить вручную. В последнее время фокус сместился на так называемые системы машинного обучения. Цель этих систем — замена ручной разработки правил на автоматическое обучение с помощью примеров. До конца 1990-х годов системы машинного перевода работали на правилах, разработанных десятками лингвистов. Успех этих систем оставлял желать лучшего. С распространением интернета появилась возможность собрать большое количество параллельных текстов на двух языках. Так были предложены статистические модели перевода. Параметры этих моделей были автоматически оптимизированы на основе параллельных текстов без применения лингвистических правил. Такой же тип работы происходил в направлении распознавания речи. Этот подход дал большой рывок вперед по качеству перевода, как только количество примеров для обучения достигло десятков миллионов.

Современные системы статистического машинного обучения, основанные на глубоких нейронных сетях, достигли впечатляющих результатов в машинном переводе, распознавании речи и анализе фотографий. Это дает основание для оптимистов считать, что не за горами излечение от рака и умные роботы, с которыми можно говорить на любую тему. Пессимисты говорят о массовой безработице и даже о бесконтрольных роботах, захватывающих мир. И те и другие забегают далеко вперед, в область научной фантастики.

Миф 1: ИИ способен решать любые задачи

Все современные системы искусственного интеллекта узкоспециализированны. За прошедшие годы было создано много систем, автоматизирующих те или иные виды умственной человеческой деятельности, — например, игра в шахматы или распознавание рукописных слов. Но даже самая совершенная шахматная программа не сможет ответить на вопрос о том, где родился нынешний чемпион мира Магнус Карлсен. Она может делать только шахматные ходы — ничего другого. Пока мы не знаем, как создавать системы общего, а не узкоспециализированного интеллекта.

Компания IBM попыталась сделать из этого маркетинговую кампанию, основанную на том, что если компьютер может побеждать в шахматы, то он может делать все что угодно, например лечить рак. На самом деле это не так. На современном этапе развития различные методы искусственного интеллекта могут решать отдельно взятые проблемы, причем довольно успешно. Но теории общего интеллекта все еще не существует.

Миф 2: ИИ все могут самостоятельно

Системы статистического машинного обучения требуют огромного количества размеченных данных — параллельных текстов или картинок с выделенными предметами. Областей, в которых такие данные существуют, не так много. Недостаточное количество обучающих примеров ведет к большому количеству ошибок.

Наши обширные знания и логика позволяют нам учиться на очень малом количестве примеров. Психологические опыты показывают, что одной фотографии антилопы гну достаточно для человека, чтобы научиться ее узнавать. И это для человека, который никогда раньше не видел антилопу гну. Для лучших нейронных сетей нужны тысячи фотографий. Скорее всего, люди могут делать это быстрее и качественнее, поскольку у них есть богатые представления о животных, с которыми они могут сравнить что-то новое. Как говорил Пушкин, «наука нам сокращает опыты быстротекущей жизни».

Миф 3: Работа ИИ подчинена правилам здравого смысла

Статистические системы по своей природе всегда будут делать ошибки, противоречащие здравому смыслу. Еще в 60-е годы приводились примеры, где правильный перевод требовал применения здравого смысла. Мы знаем, что в предложении "I saw the Grand Canyon flying to New York" Большой каньон не летит в Нью-Йорк. Однако по сей день Google и Яндекс переводят это предложение как: «Я видел Гранд-Каньон, летящий в Нью-Йорк».

Еще один простой пример: если я хочу послать телеграмму, то в банковском деле это называют "to send a bank wire". Wire — это телеграмма. Google и Яндекс это переводят как «проволока» — банковская проволока. Потому что статистически «проволока» гораздо более частый перевод слова wire, чем «телеграмма». Поэтому программы, основанные на статистике, хорошо работают там, где есть огромное количество статистического материала. Но когда нужна точность, например, когда нужен точный перевод в какой-нибудь узкоспециализированной области, они работают плохо. Программы, основанные на статистических методах, всегда будут делать статистические ошибки.

Заключение: почему ИИ неравнозначен человеческому интеллекту?

Чего же не хватает для постройки общего интеллекта? Полного ответа на этот вопрос у нас нет. По аналогии с человеческим интеллектом стоит обратить внимание на несколько необходимых компонентов. Часто говорят, что искусственному интеллекту не хватает здравого смысла. Но что такое здравый смысл? Это наши знания и логика их применения. Двухлетнему ребенку не надо десять раз трогать горячую плиту, чтобы ее бояться. У него уже есть модель горячих предметов и понимание того, что происходит при контакте с ними. Достаточно один раз обжечься, чтобы больше не хотеть прикасаться к таким предметам.

Каким образом наши знания попадают к нам в голову? Очень мало из того, что мы знаем, пришло к нам на основании нашего собственного опыта. С раннего детства мы учимся у окружающих нас людей. Наши знания коллективные, наш интеллект тоже коллективный. Мы все время помогаем и подсказываем друг другу. Это понятие отсутствует в современных системах машинного обучения. Мы не можем ничего подсказать нейронной сети, и она не может нас ничему научить. Если один робот научится узнавать овцу, а другой — корову, они ничем не смогут помочь друг другу.

Пока мы не решим эти проблемы, нам не надо опасаться страшных вездесущих роботов. Скорее, надо опасаться мифов об искусственном интеллекте и слепо следовать указаниям далеко не совершенных машин. Впрочем, то же самое можно сказать и о людях.

ArefievPV

К мифу №3...
«Яндекс» перешёл на гибридную систему перевода с помощью нейросетей
http://4pda.ru/2017/9/15/346742/

ЦитироватьПриложения для перевода текста сделали жизнь многих людей проще, позволяя им общаться с жителями других стран и читать информацию на разных языках без необходимости их изучения. Но не секрет, что качество такого перевода зачастую оставляет желать лучшего. Поэтому компания «Яндекс» запустила в фирменном сервисе «Яндекс.Переводчик» гибридную систему перевода. К статистическому переводчику была добавлена технология перевода на основе нейронной сети. Таким образом, перевод выполняется сразу двумя системами, а затем алгоритм на основе метода машинного обучения CatBoost сравнивает результаты и предлагает лучший.

Статистический переводчик переводит каждое слово и фразы по отдельности, поэтому в результате получается несвязанный текст. Нейросети же наоборот обрабатывают целые предложения. За счёт этого переведённый текст более точен и понятен. Статистический переводчик так не умеет, но зато он хорошо запоминает и переводит редкие и сложные слова и фразы. Работая вместе, обе системы компенсируют недостатки друг друга.


Статистический перевод

Сотрудники «Яндекс» отмечают, что существует много способов обучить машину переводу с одного языка на другой. Например, можно дать ей словари, из которых она освоит правила. Также можно показать ей много параллельных текстов. Сравнивая их, машина научится находить соответствия — например, так она поймёт что слова «dog» и «собака» являются вероятными переводами друг друга. В основе такого подхода лежат не правила, а статистика, откуда и пошло название этого метода.

С момента запуска «Яндекс.Переводчик» использовал только статистическую систему. При переводе она разделяет предложения на отдельные части и для каждой подбирает все возможные переводы с указанием их вероятности. Затем система составляет из переведённых фрагментов разные варианты нового предложения. Пользователю выводится тот, который содержит переводы с высокими вероятностями и в котором фрагменты хорошо сочетаются друг с другом.

Нейросетевой перевод

Как и статистический переводчик, нейронная сеть анализирует массив параллельных текстов и учится находить в них закономерности. При этом процесс самого перевода устроен несколько по-другому. Нейросеть работает не со словами и фразами, а сразу с целыми предложениями. Она получает на вход предложение на одном языке, а на выходе выдаёт предложение на другом языке. Такой подход позволяет учесть смысловые связи внутри предложения. Нейросеть улавливает суть предложения даже в том случае, когда слова, которые её передают, находятся в разных частях предложения.

Гибридная система

У нейросетевого перевода также есть ряд недостатков. Если нейронная сеть не может по какой-то причине перевести то или иное предложение, то она попросту начнёт предлагать что-то максимально подходящее, пытаясь угадать правильный ответ. Также нейросетевой перевод не всегда хорошо справляется с переводом мало распространённых имён, топонимов и других редких слов.


Комбинация преимуществ статистического нейросетевого методов позволяет существенно повысить качество перевода.

P.S. Но, по сути, ничего не изменилось... Вместо слов и словосочетаний - предложения (не нарушая, при этом внутренний контекст между словами в предложении и сохраняя тем самым и смысл самого предложения). Однако, поднялись на целый уровень выше.

И по-прежнему остаётся та же самая путаница в понятиях: ИИ это не ИР. Судя по всему, это будет продолжаться до тех пор, пока случайно не создадут систему с ИР. Вот тогда до людей дойдёт, наверное...

ArefievPV

Импульсные нейронные сети
https://postnauka.ru/video/33771
Специалист в Computer Science Михаил Киселев о первых моделях компьютерных нейросетевых структур и массивно-параллельных вычислителях

https://www.youtube.com/watch?v=bDZOlTUei4Y

ЦитироватьКогда ученые начали исследовать нейронные сети? Как должны быть устроены принципы пластичности синаптической сети? В чем отличие работы мозга от первой модели компьютерной нейронной сети? Об этом рассказывает специалист по искусственному интеллекту Михаил Киселев.

«Исследование нейронных сетей как направление в вычислительной науке родилось почти одновременно с изобретением компьютеров. Буквально сразу после войны ставшие уже классическими исследователи Розенблатт и другие предложили для решения всякого рода сложных задач использовать некие аналоги вычислительных структур, которые есть у нас в мозге, — нейронов. И так был изобретен первый вариант нейронной сети, который называется многослойным персептроном.»

«Наш мозг — это очень большая система. Известно, что в мозге где-то около десяти миллиардов нейронов. Каждый нейрон имеет порядка десяти тысяч связей. То есть это немыслимая система. В то же время она является очень энергоэкономичной и помехоустойчивой. Почему? Все дело в разнице между тем, как сигналы передаются по нашей биологической нейронной сети в мозге, и тем, как они передаются в персептроне. В персептроне нейроны обмениваются между собой значениями, которыми являются действительные числа. А в мозге ситуация не такова. В мозге нейроны обмениваются импульсами, которые имеют строго фиксированную амплитуду и очень малую длительность. Можно сказать, что они практически не имеют длительности, они почти мгновенные. Из этого следует сразу очень много плюсов. Такие сигнальные линии очень экономичны, потому что в основном по связям между нейронами ничего не распространяется, в основном они неактивны. Только на какой-то короткий момент по ним пробегает короткий импульс. В отличие от персептрона, где фактически каждая сигнальная линия должна нести на себе некую реально значимую величину, мозг — это очень энергоэффективная схема. Одновременно с энергоэффективностью импульсная схема передачи данных обеспечивает еще простоту реализации, потому что генерация этих импульсов и обработка могут быть сделаны с помощью очень простых аналоговых схем.»

«Еще в 50-х годах прошлого века Хеббом был заложен принцип, который сейчас активно используется. Он гласит, что если два нейрона синхронно часто бывают активны, то связь между ними усиливается. И наоборот, если они проявляют какую-то асинхронную активность, то связь между ними ослабляется. Этот принцип экспериментально был подтвержден в самом конце прошлого века, когда в результате биологических, нейрофизиологических измерений был установлен так называемый принцип нейронной пластичности, основанной на времени генерации импульса. Он и является частным случаем хеббовского принципа и говорит, что те синапсы нейрона, на которые приходят импульсы перед тем, как сам нейрон испустил импульс, усиливаются. Те синапсы, которые получают импульсы после того, как сам нейрон сгенерировал импульс, ослабляются. То есть этот принцип, безусловно, действует, но самого по себе его мало.»

ArefievPV

Самоорганизация импульсных нейронных сетей
https://postnauka.ru/video/47810
Специалист в Computer Science Михаил Киселев о кодировании информации, синаптической пластичности и нейроморфных вычислителях

https://www.youtube.com/watch?v=x0LAN_i_fIU

Цитировать
Почему невозможно полное задание конфигурации импульсной нейронной сети априори? Почему для эффективной работы законы нейронной сети пластичности должны быть дополнены механизмами гомеостаза? Что собой представляет эволюционный процесс в нейронной сети? На эти и другие вопросы отвечает кандидат технических наук Михаил Киселев.

Импульсные нейронные сети — это физиологически наиболее реалистичные модели нейронов и нейронных сетей. Так же как и физиологические нейроны, они обмениваются калиброванными импульсами пренебрежимо малой длины и так же, как и нейронные сети в мозгу, не составляют каких-то строго упорядоченных структур — они в большой степени хаотичны, — и, самое главное, они велики. Как и нейронов в мозгу, их очень много. В общем, модели импульсных нейронных сетей имеют смысл в отличие от традиционных нейронных сетей, когда нейронов очень много, по крайней мере тысячи, десятки тысяч и еще лучше — миллионы, или даже может быть что-то размера мозга.

Именно этот аспект, их величина, вносит определенную специфику, а именно невозможность детального и полного задания конфигурации нейронной сети априори. То есть любая полезная функция, которая выполняется такого рода нейронной сетью, должна быть научна, то есть не сделана уже изначально, а нейронная сеть должна прийти к такому состоянию, когда она эту функцию выполняет ради некоего эволюционного процесса. Именно поэтому изучение такого рода процессов является принципиально важным для этого типа нейронных сетей.

Прежде чем мы рассмотрим вопрос, касающийся самоорганизации нейронных сетей, надо сказать несколько слов о том, как представляется, как кодируется информация в импульсных нейронных сетях. В отличие от традиционных нейронных сетей, где кодирование достаточно тривиально — величины просто кодируются их значением некими действительными числами, которые распространяются по сети, — кодирование информации в импульсных нейронных сетях весьма разнообразно. И известно, что и в реальном мозге в разных его отделах используются разные схемы кодирования информации.

Два пути кодирования, которые используются в мозге, можно назвать синхронным кодированием и асинхронным кодированием. Важна общая статистика генерации импульсов, генерации спайков нейронами. Как правило, самый распространенный принцип — частотный. Если какой-то группой нейронов спайки генерируются часто, это соответствует высокому уровню какого-то сигнала, и наоборот. Такую схему кодирования используют многие органы чувств, точно так же сила каких-то мышечных команд кодируется частотой импульсов, посылаемых мышечным волокнам из центральной нервной системы.

Другие способы кодирования, асинхронные, могут использовать позиционную информацию. Например, известно, что частота звука кодируется положением звуковых рецепторов на улитке уха, от которых исходит наибольшее количество импульсов в данный момент, потому что рецепторы в ухе располагаются строго упорядоченно, соответственно частоте звука, на который они реагируют. Это позиционный способ кодирования. И возможны разные сочетания этих принципов, можно назвать их популяционно-частотным кодированием, когда наличие какого-то стимула отображается как повышение частоты генерации спайков определенной группой, определенной популяцией нейронов.

Во всех этих способах кодирования относительное положение на временной оси спайков не имеет значения.

Другой способ кодирования — можно назвать его синхронным, часто называют временным кодированием — основан на том, что информацию о сигнале, о стимуле несет именно точное положение спайка во времени. Это может быть либо положение спайка относительно некоего общего процесса, синхронизирующего в мозгу (известно, что нейроны мозга проявляют ритмическую активность — это альфа-, бета-, тета-ритмы и так далее), и позиция тех или иных спайков по отношению к этим общим синхронизирующим процессам может нести некую информацию. Известно, что физиологические измерения показывают, что так оно и есть, что, например, пространственное положение тела — такие эксперименты проведены на крысах — действительно коррелирует с позицией определенных спайков, генерируемых определенными нейронами в гиппокампе по отношению к общему синхронизирующему ритму мозга.

К другой разновидности этого способа кодирования относится так называемое пространственно-временное кодирование, когда наличие какого-то стимула кодируется как строго зафиксированная во времени последовательность спайков, генерируемых определенными нейронами, то есть такой четкий пространственно-временной паттерн, который, собственно говоря, является индикатором наличия какого-то стимула. Как мы видим, поскольку способы кодирования информации в мозге и импульсных нейронных сетях такие разные, соответственно, способы обработки такой информации разные, и способы научения обработке информации нейронными сетями тоже должны быть различные.

Что же мы понимаем под эволюционным процессом в нейронной сети, обучением нейронной сети выполнению каких-то функций? Так же как в традиционных нейронных сетях, где сеть научается благодаря подстройке ее весов, ее синапсов, в импульсных нейронных сетях имеет место тот же самый процесс — так называемая синаптическая пластичность, такой более нейрофизиологический термин.

В большой степени законы этой пластичности пока еще не ясны, хотя общие принципы уже известны. Один из таких принципов — это так называемый эффект пластичности, зависящий от положения спайков (spike-timing-dependent plasticity), который выглядит так: если синапс получает спайк перед тем, как весь нейрон генерирует спайк, то такой синапс усиливается; если синапс получает спайк после того, как нейрон сгенерировал спайк сам, то такой синапс ослабляется. Достаточно простой закон, и он подтвержден физиологически: было измерено в культурах нейронов, что такие эффекты ослабления-усиления синаптических весов имеют место. И на основе модели такой пластичности можно построить процессы, которыми можно продемонстрировать, что с помощью такого рода пластичности сеть действительно может чему-то научиться.

Хотя, конечно, сам по себе этот эффект недостаточен. Во-первых, он потенциально ведет к неустойчивости сети. Разумеется, в любой сети, в которой имеются какие-то циклы, если какой-то цикл, какая-то последовательность нейронов бывает часто активна, то есть по нему часто проходят импульсы, то вследствие этого принципа синапсы, составляющие этот цикл, будут усиливаться и усиливаться, тем самым делая все более и более интенсивным прохождение импульсов по этому циклу, приводя таким образом к зацикливанию, к неустойчивости. А поскольку очевидно, что и в мозге, и в любых нейронных сетях такого типа будет много циклов, они не иерархичны, как обычные нейронные сети, то это явная проблема. Поэтому очевидно, что для того, чтобы законы пластичности реально могли привести сеть к какому-то желаемому результату, они должны быть дополнены разнообразными механизмами гомеостаза, которые поддерживают интенсивность генерации импульсов в сети в некоторых определенных пределах, не допускают создание таких циклов и так далее. И изучение этих процессов гомеостаза очень важно именно в связи с этим.

Какие же проблемы в связи с этим решают сейчас? В конце 2000-х годов появились работы, где было показано, каким образом в результате эволюционного процесса в импульсной нейронной сети могут сформироваться механизмы кратковременной памяти. То есть это такие механизмы, которые не только регистрируют наличие какого-то стимула в данный момент, но и сохраняют информацию об этом наличии в течение какого-то времени для того, чтобы сделать возможным совместную обработку факта наличия какого-то стимула с наличием других стимулов и так далее.

Рабочая память, очевидно, абсолютно необходимый элемент любой системы, обрабатывающей информацию.

Сейчас исследователями и мной в том числе ведутся работы по пониманию, каким образом могло бы осуществляться перекодирование информации в импульсных нейронных сетях из одной формы в другую. Поскольку очевидно, что коль скоро разные области мозга используют разные схемы кодирования информации, то должны существовать нейросетевые структуры, которые перекодируют информацию из одной в другую форму. Это вопрос очень важный, но до сих пор еще не решенный, потому что как раз сейчас это одна из тем исследований.

На 2014 год очень актуально исследование, которое можно озаглавить общей темой, а именно: найти способы, как изначально хаотичная однородная нейронная сеть могла бы эволюционировать к тому, чтобы разные ее элементы, разные ансамбли входящих в нее нейронов могли выполнять разные функции в общем замкнутом цикле обработки информации: функции распознавания, функции запоминания, функции перекодирования информации из одной формы в другую, функции принятия решения.

То есть нам надо составить элементную базу, основывающуюся на импульсных нейронных сетях, которая могла бы быть впоследствии применена для использования в замкнутом обучаемом цикле управления, например в роботике, где угодно, — эта задача актуальна во многих областях. Эти темы исследования, о которых я говорил, еще более важны в контексте того, что сейчас очень большой прогресс испытывают так называемые нейроморфные вычислители — это вычислительные системы, которые повторяют и в железе, и в архитектуре структуру мозга, структуру импульсных нейронных сетей. Они ушли далеко вперед, а их наполнение, алгоритмы, которые в них заложены, еще отстают.

ArefievPV

Александр разместил небольшую статейку в тему...
http://forum.ethology.ru/showthread.php?p=51012#post51012

P.S. Доступа на сайт у меня нет. Поэтому помочь связаться с Александром для обсуждения статьи я не могу...

ArefievPV

Мнение высказал про ИИ (на другом ресурсе)...

ЦитироватьНе стоит путать ИИ и ИР. Любой интеллект, это всего лишь функционал. Разум же, это свойство (адаптация) системы, способствующее самосохранению посредством формирования каскада реакций опережающего отражения. Интеллект здесь выступает в роли механизма реализации этого каскада. Интеллект, всего лишь слуга разума, так сказать.

Изначально у систем обладающих свойством самосохранения (стремлением к самосохранению), такая способность была в виде каскада реакций опережающего отражения в ответ на определённые комбинации воздействий внешней среды на систему. Это в дальнейшем, в результате эволюции, такой каскад усложнился и дифференцировался на множество связанных между собой каскадов реакций.

Отдельные совокупности таких каскадов реакций мы объединяем в определённые свойства/способности.
Например, способность накапливать опыт.
Или способность учитывать этот опыт в каскаде реакций опережающего отражения.
Или способность формировать различные варианты опережающего отражения и делать между ними выбор, руководствуясь опытом.   
И так далее. Функций (свойств, способностей) может быть много.

Вопрос заключается в том, что может ли быть такое свойство (разум) без системы, обладающей свойством самосохранения. Интеллект может. Искусственных интеллектов (ИИ) мы создали великое множество (от простейших до самых навороченных), но они являются только дополнениями к нашему интеллекту (и точно такими же слугами нашего разума, как и наш естественный интеллект).

На мой взгляд – не может. Система искусственного разума уже изначально должна обладать свойством самосохранения (стремлением к самосохранению).

ArefievPV

Американские учёные создали ИИ, способный обойти любую капчу
http://4pda.ru/2017/10/29/347711/

Американская компания Vicarious научила искусственный интеллект решать reCAPTCHA с рекордной точностью. Проект кардинально отличается от прошлых наработок: вместо анализа тысяч примеров готовых капч система видит буквы, как человек. Исследователи назвали технологию рекурсивной кортикальной сетью, рассказали о принципе её работы и эффективности.

В зрении человека разные группы нейронов распознают поверхности и очертания предметов. Вместо того чтобы воспринимать объекты и виды как подборку из разных деталей, нейроны связываются друг с другом и определяют, какие части принадлежат одной и той же вещи. После реконструкции и распознавания предмета, общий вид выстраивается иерархически, основываясь на целых объектах, а не на отдельных деталях. В результате человек способен распознавать предметы, даже если они видоизменены или искажены. Например, так мы можем читать перевёрнутый и размытый текст.

Рекурсивная кортикальная сеть подражает этим принципам, распознавая контуры, особенности и внутреннее строение объектов. Другие структуры сети отвечают за распознавание характеристик поверхности, заданных этими контурами. Затем полученная информация объединяется в массивы, которые связываются между собой и основывают группы из смежных параметров объекта. Они выстраиваются в иерархию, на вершине которой находятся гипотезы по поводу конечного предмета. Сеть оценивает каждое предположение, определяет самые вероятные и перепроверяет их на расположение в общем двухмерном пространстве. После нескольких подобных проверок технология распознаёт объект даже несмотря на незначительные изменения в форме и положении.



Vicarious AI протестировали эффективность нейронной сети на примере reCAPTCHA: с искажёнными символами из шрифта Georgia система справилась с точностью 94%. Интересно, что человек решает подобные задачи с первого раза только в 87% случаев. С системой BotDetect из Yahoo и PayPal разработка справилась несколько хуже — с 57% точностью. Обычному искусственному интеллекту понадобилось бы 50 000 решённых заранее «капч», в то время как рекурсивную кортикальную сеть обучали только на 260 картинках с отдельными символами.

Авторы технологии назвали проект большим шагом для искусственного интеллекта. В будущем сеть можно обучить и другим задачам: к примеру, распознаванию обычного текста для мгновенного перевода.

ArefievPV

Физики создали рекордно сложный 53-кубитный квантовый вычислитель
https://nplus1.ru/news/2017/11/29/53-qubit-record

ЦитироватьНа сегодняшний день существуют вычислители, в состав которых входят более сотни кубитов. Однако возможности контроля над индивидуальными состояниями этих кубитов ограничены — а значит с их помощью можно исследовать только определенный класс систем. Универсальные — в смысле контроля над кубитами — вычислители до сих пор были ограничены 20 кубитами. Новые работы резко увеличивают это число почти в 2,5 раза, что соответствует значительному приросту сложности моделируемых систем (добавление 30 кубитов увеличивает сложность в 2^30 раз). 

ArefievPV

ИИ Google построил собственный ИИ, превосходящий любой из разработанных людьми
https://www.popmech.ru/technologies/news-399792-ii-google-postroil-sobstvennyy-ii-prevoshodyashchiy-lyuboy-iz-razrabotannyh-lyudmi/
AutoML — искусственный интеллект, способный создавать собственный ИИ, — разработал систему компьютерного зрения, которая, как говорят в Google, превосходит все схожие существующие системы.

В мае 2017 года исследователи из Google Brain представили AutoML — искусственный интеллект, способный генерировать собственные ИИ. Недавно стало известно, что AutoML построил систему, которая превосходит «конкурентов», разработанных людьми. Об этом сообщает портал Futurism.

Специалисты из Google автоматизировали разработку моделей машинного обучения с помощью обучения с подкреплением. AutoML действует как управляющая нейросеть, которая разрабатывает дочернюю нейросеть для специализированной задачи. Для этой дочерней сети (которую исследователи назвали NASNet) в задачу входило распознавание объектов — людей, машин, светофоров, багажа и т. д. — на видео в реальном времени.

При этом AutoML оценивает работу NASNеt и использует эту информацию для улучшения дочерней сети; этот процесс повторяется тысячи раз. Когда инженеры протестировали NASNet на наборах изображений ImageNet и COCO, она превзошла все существующие системы компьютерного зрения.

Согласно исследователям из Google, NASNet успешно предугадывала изображения в контрольной выборке ImageNet в 82,7% случаев. Это на 1,2% лучше, чем прошлый рекорд. При этом система также оказалась на 4% эффективней, с 43,1% средней точности (mAP). Кроме того, менее затратная версия NASNet превзошла лучшие схожие модели для мобильных платформ на 3,1%.

Существует множество возможных вариантов применения AutoML и NASNet. Точные, эффективные алгоритмы компьютерного зрения могут быть использованы для создания сложных ИИ-роботов или, например, для помощи слабовидящим людям. Такие алгоритмы могут также помочь в совершенствовании технологий автономного вождения: чем быстрее беспилотный автомобиль распознает объекты на своем пути, тем быстрее он реагирует.

При этом, конечно, возникают этические вопросы, связанные с опасениями по поводу ИИ: что, если AutoML будет создавать системы с такой скоростью, что общество просто за ними не поспеет? Впрочем, многие крупные компании стараются учитывать проблемы безопасности ИИ. Например, Amazon, Facebook, Apple и некоторые другие корпорации являются членами Партнерства по развитию ИИ (Partnership on AI to Benefit People and Society). Институт инженеров и электротехники (IEE) же предложил этические стандарты для ИИ, а DeepMind, например, анонсировал создание группы, которая будет заниматься моральными и этическими вопросами, связанными с применениями искусственного интеллекта.

ArefievPV

Искусственный интеллект победил лучшего шахматиста, ничего не зная об игре
https://www.popmech.ru/technologies/news-400882-iskusstvennyy-intellekt-pobedil-luchshego-shahmatista-nichego-ne-znaya-ob-igre/

Его зовут AlphaZero, он за четыре часа победил лучшую в мире программу по игре в шахматы. Причем до начала турнира знал лишь как ходят фигуры. И больше ничего.

Теперь AlphaZero — лучший игрок в шахматы на планете Земля. В турнире против Stockfish 8, лучшей программы для игры в шахматы, система, созданная компанией Deepmind, не проиграла не единой игры из 100 проведенных партий.

AlphaZero — это модифицированная версия AlphaGo Zero, искусственного интеллекта, недавно выигравшего 100 раз подряд в го у знаменитого AlphaGo, того самого, что победил в го лучших человеческих игроков.

Система работает практически идентично с AlphaGo Zero, но вместо го машина запрограммирована играть в шахматы и сёги, еще одну японскую стратегическую игру. Свое мастерство AlphaZero приобрел без посторонней помощи, в отличие от всех предыдущих шахматных программ у него не было никаких эмпирических данных, никакой базы с архивами уже сыгранных шахматных партий, никакого знания о шахматных стратегиях и фигурах. Он просто знал, как ходят фигуры, и цель игры. Так указано в недавно опубликованной статье, посвященной этому турниру.

Можно подумать, что AlphaZero научился играть в шахматы за четыре часа, но это не совсем точно. Скорее AlphaZero научился, как стать абсолютным чемпионом по шахматам за четыре часа. Когда турнир начался, ИИ знал, как ходят фигуры. Начав с чистого листа и вооружившись обучающим алгоритмом подкрепления, нейросетью и фигурами на доске перед ним, AlphaZero начал играть сам с собой, снова и снова, оттачивая свои навыки с каждой партией, и если говорить человеческими понятиями времени, провел за игрой в шахматы около 1400 лет за эти четыре часа. Система может обработать 800 000 позиций за секунду, тогда как Stockfish 8 может провести 70 миллионов ходов за секунду.

Затем он таким же образом за восемь часов сумел превзойти AlphaGo в го, и за два часа — программу Elmo, которая раньше считалась неоспоримым чемпионом по игре в сёги.

ArefievPV

Физики придумали интегральную схему для квантового компьютера
https://nplus1.ru/news/2017/12/18/quantum-chip

ЦитироватьУченые из Австралии и Нидерландов предложили способ, с помощью которого можно построить интегральную схему (чип), объединяющую большое число кубитов. Кроме того, схема предполагает исправление ошибок, возникающих во время вычислений. Статья опубликована в Nature Communications.

Все квантовые компьютеры страдают от ошибок, возникающих во время вычислений и обмена информацией между кубитами и внешним миром. Сейчас ученые уже придумали, как бороться с этими ошибками, однако все способы коррекции ошибок требуют универсальной платформы, на которой можно разместить и связать между собой большое число кубитов (порядка ста миллионов). Для этого нужен некий аналог интегральной схемы, которая используется для объединения классических вычислительных элементов.

В данной статье группа ученых под руководством Менно Вельдхорста (Menno Veldhorst) из Университета Нового Южного Уэльса предложила способ, с помощью которого можно построить такую схему. За основу они взяли технологию КМОП (CMOS), используемую в подавляющем большинстве современных цифровых микросхем. В использованной технологии между слоем обычных транзисторов и слоем кубитов находится промежуточный слой из оксида кремния. Через него проходят металлические проводки, которые соединяют транзисторы с кубитами. Обмен информацией между частями схемы и связь с «внешним миром» осуществляется через еще один слой, расположенный над слоем транзисторов.

Кубиты в этой схеме представляют собой квантовые точки, в которых «хранятся» состояния одиночного спина. Считывание информации с кубита осуществляется с использованием спиновой блокады Паули, которая не дает электронам проходить через точку. На каждый кубит приходится шесть транзисторов, из-за особенностей схемы физический размер одного такого блока примерно равен 63×63 квадратных нанометра (хотя он не обязан быть квадратным). На данный момент некоторые компании уже могут производить достаточно маленькие транзисторы, чтобы уложиться в этот размер. Для удобства исправления ошибок ученые предложили объединить однокубитные блоки в модули по 480 штук.

Исправлять ошибки, возникающие во время квантовых вычислений, физики предложили с помощью метода поверхностных кодов (surface codes). В этом методе один кубит заменяется на шесть: два кубита отвечают за хранение информации и еще четыре – за обмен этой информацией с транзисторами. С помощью определенных операций схема копирует состояние одного из двух «кубитов памяти» в два «измерительных кубита», состояние которых считывается классическими методами и передается в другие части схемы. Это позволяет избежать разрушения квантового состояния при считывании информации непосредственно с «кубита памяти». Кроме того, схема постоянно сравнивает состояния двух «кубитов памяти», чтобы отслеживать случайно возникающие ошибки.

Кроме того, исследователи оценили, сколько тепла будет выделять при работе предложенная ими схема, то есть проверили, можно ли будет ее реализовать при текущем уровне технологий охлаждения. Оказалось, что при частоте операций порядка 0,1 мегагерц в каждой ячейке будет выделяться около 50 нановатт тепла. Существующие технологии охлаждения могут обеспечить отвод тепла около 500 нановатт на Кельвин от такой ячейки, то есть схему в принципе можно охладить до температуры 0,1 Кельвина. С другой стороны, для полноценной работы кубитов требуется температура порядка одного Кельвина. Получается, что поддерживать приемлемую для работы схемы температуру можно уже при текущем уровне технологий охлаждения.

На данный момент физики уже объединили кубиты разной природы в одну систему и научились исправлять ошибки, возникающие во время вычислений, с помощью дополнительного кубита. А самый сложный квантовый компьютер оперирует с 53 кубитами, в каком-то смысле он уже достиг квантового превосходства.

ArefievPV

К предыдущему сообщению. Гостям картинка во вложении почему-то не видна...

Предлагаемая схема, объединяющая 480 кубитов

ArefievPV

Компьютер впервые прошел тест на понимание прочитанного лучше человека
https://ria.ru/science/20180115/1512626945.html

Компьютерная модель нейросети, созданная специалистами китайской интернет-компании Alibaba Group, опередила людей при прохождении теста на понимание прочитанного.

В заявлении компании говорится, что компьютерная программа впервые превзошла человека в данной области. Речь идет об опроснике Стэнфордского университета Stanford Question Answering Dataset (SQuAD) — одном из самых сложных испытаний в мире, касающихся когнитивной обработки текстов.

SQuAD — информационный массив, включающий более ста тысяч пар вопросов и ответов, которые базируются на более чем пятистах статьях из Википедии. Программа компании 11 января прошла тест, набрав 82,44 балла, превысив максимальный показатель людей-участников – 82,304 балла.

Представители принадлежащего компании Института технологий и искусственного интеллекта (iDST) назвали результат "исторической вехой".

P.S. Интересно, а сколько бы набрал средний человек баллов? От "фонаря" примерил ситуацию на себя - больше 20-ти, наверное, не вытянуть...