Клиффорд Пиковер - Искусственный интеллект. Иллюстрированная история. От автоматов до нейросетей

Watson отвечал на вопросы, используя технологии обработки естественного языка, машинного обучения, поиска информации и многое другое. Все это в 2011 г. помогло ему обыграть чемпиона мира в телевикторине с вопросами на общую эрудицию. Задача, стоявшая перед Watson , была намного сложнее игры в шахматы: ведь вычислительная система должна была выдавать ответы всего за несколько секунд, справляясь с трудностями английского языка (например, омонимией), с подсказками, которые содержали игру слов, юмор, стишки, загадки, культурные отсылки и особые контексты – все то, что люди считывают интуитивно.

Для выполнения этой задачи Watson задействовал тысячи единиц параллельной обработки данных (процессорных ядер), а также доступную информацию (включая все статьи Википедии), которая хранилась в его оперативной памяти: обращение к данным на вращающихся жестких дисках не позволило бы отвечать достаточно быстро. Всю информацию пришлось сохранить локально, поскольку во время игры Watson не имел доступа к интернету. Чтобы найти ответ, ИИ рассматривал результаты сразу нескольких алгоритмов анализа данных. Чем больше алгоритмов приходило к одному и тому же ответу, тем больше была вероятность, что он правильный. Watson постоянно собирал разные ответы с тем или иным уровнем доверительной вероятности, и, если она была достаточно высока, компьютер давал ответ.

После своего проигрыша Дженнингс написал: «Нет ничего постыдного в том, чтобы проиграть кремнию… В конце концов, в моем распоряжении нет 2880 процессорных ядер и 15 терабайт справочной информации, и я не могу жать на кнопку с идеальной быстротой, когда знаю ответ. Мой слабый человеческий мозг, состоящий из воды, солей и белков в сумме на несколько баксов, просто прекрасно проявил себя в битве с суперкомпьютером стоимостью в миллионы долларов».

СМ. ТАКЖЕ Обработка естественного языка (1954), Машинное обучение (1959), Deep Blue обыгрывает чемпиона мира по шахматам (1997), Quackle выигрывает в скребл (2006)

Аватар IBM Watson в виде глобусаоснован на эмблеме IBM Smarter Planet . На дисплее в телевикторине Jeopardy! цвета и движения аватара менялись в зависимости от игровой ситуации и уровня уверенности в ответе.

По словам мыслителя эпохи Просвещения Джонатана Свифта, «воображение – это искусство видеть вещи, невидимые для окружающих». Идея поиска новых мотивов на границе искусства, науки и математики, безусловно, применима ко многим произведениям, созданным с помощью компьютеров, алгоритмов, нейросетей и других форм ИИ. К ранним примерам компьютерного искусства относятся работы Десмонда Пола Генри (1921–2004), который в 1961 г. нашел новое применение аналоговым вычислительным устройствам для бомбовых прицелов и превратил их в машины для рисования. В 1962 г. американский инженер Майкл Нолл (р. 1939) прославился своими визуальными объектами на основе случайных и алгоритмических процессов, а в 1968 г. британский художник Гарольд Коэн (1928–2016) создал компьютерную ИИ-программу для рисования AARON , которая самостоятельно создавала произведения искусства.

К более поздним примерам компьютерного искусства относится совместное творчество пользователей с программой компьютерного зрения DeepDream , созданной в 2015 г. разработчиком Google Александром Мордвинцевым и его коллегами. Программа использует искусственную нейросеть, которая ищет и усиливает закономерности в изображениях, – и результаты ее работы поражают. Чтобы лучше представить себе работу DeepDream , вспомните, что нейросети могут обучаться классификации и распознаванию объектов (например, бурундуков или дорожных знаков) на основе множества «тренировочных» изображений. Запуская нейросеть «в обратном направлении», DeepDream ищет в изображениях некие паттерны и гиперболизирует их – примерно так же, как поступаем мы, когда смотрим на облака и пытаемся увидеть в них очертания животных. В случае с искусственной нейросетью каждый следующий слой нейронов выявляет сходства все более высокого уровня: например, первый слой реагирует на углы и края, а слои, близкие к выходным нейронам, изучают сложные признаки объектов. Полученные изображения с обилием деталей не только завораживают, но и дают представление об уровне абстракции, на котором работает тот или иной слой нейросети.