Récemment, les publications sur les perspectives d'émergence de l'intelligence artificielle sont devenues plus fréquentes. Les aspects pratiques et moral-éthiques de la coexistence de l'humanité avec lui sont discutés. Dans quelle mesure ces discussions sont-elles opportunes? Peut-on vraiment s'attendre à l'apparition de «machines à penser»?
Tous les projets de création d'intelligence artificielle peuvent être à peu près divisés en deux domaines. Le premier est l'accumulation de bases de données et leur traitement par des programmes qui imitent l'activité du cerveau humain. Le second est basé sur l'étude de modèles de comportement intellectuel. Le principal inconvénient des deux est que nous ne savons toujours pas assez bien ce que sont l'esprit et le comportement intellectuel, et le cerveau humain, franchement, a été sérieusement étudié relativement récemment.
Il y a une opinion que le problème peut être contourné en raison des cyborgs, c'est-à-dire en fusionnant un cerveau vivant (singe, et à l'avenir - un humain) avec un ordinateur, cependant, ce chemin est semé d'énormes difficultés, et, pire encore, dans ce cas, il sera impossible d'en parler intelligence artificielle complète.
Cependant, les scientifiques pensent qu'il est tout à fait réaliste de sauter plusieurs étapes, permettant à l'intelligence artificielle de se développer de manière indépendante - tout comme elle s'est développée dans la nature vivante, à la différence que son évolution aura lieu dans un espace virtuel et non matériel. Ici, le pari est placé sur les réseaux de neurones artificiels ou réseaux de neurones (Artificial Neural Network).
Rappelons-nous ce qu'est un neurone. C'est le nom d'une cellule nerveuse, qui diffère des autres cellules en ce qu'elle est capable de stocker et de transmettre des informations par des signaux électriques et chimiques. La fonction des neurones a été découverte à la fin du XIXe siècle, ce qui, bien sûr, a fait le jeu des matérialistes qui gagnaient en autorité à travers le monde à cette époque: ils ont immédiatement déclaré que ce sont les neurones qui contenaient «l'âme». D'où l'idée que si vous développez d'une manière ou d'une autre une copie exacte du cerveau, alors une "âme" y naîtra. Mais une question philosophique se pose: est-il possible de parler d'une «âme» sans raison? Après tout, c'est un produit de l'éducation, comme le montre l'étude de "Mowgli" - des enfants humains élevés par des animaux. En conséquence, il ne suffit pas de créer une copie du cerveau - il faut encore «éduquer» pour gagner en intelligence.
FIN TECHNIQUE
Le cerveau d'un adulte normal contient environ 86 milliards de neurones. Il n'y a pas si longtemps, l'idée d'en créer un analogue numérique semblait absolument fantastique. Cependant, aujourd'hui, avec le développement des technologies de l'information, cela semble déjà tout à fait réalisable.
Vidéo promotionelle:
Il faut rappeler que le célèbre mathématicien américain Norbert Wiener, le «père» de la cybernétique, est considéré comme le fondateur de la théorie de la modélisation de processus biologiques complexes, y compris des processus cérébraux. En 1949, le psychologue canadien Donald Hebb, spécialiste de l'étude des processus de pensée, basé sur les calculs de Wiener, a compilé le premier algorithme d'entraînement pour les réseaux de neurones (soit dit en passant, à un moment donné, Hebb a servi à la CIA, où il a traité du problème du lavage de cerveau).
En 1957, l'Américain Frank Rosenblatt, théoricien de l'intelligence artificielle, a créé, sur la base de ses travaux antérieurs, un schéma logique du perceptron - un modèle cybernétique auto-apprenant du cerveau, qui a été mis en œuvre trois ans plus tard sur la base de l'ordinateur électronique Mark-1. Le perceptron transmet les signaux des photocellules (capteurs, cellules S) aux blocs de cellules mémoire électromécaniques qui sont connectés de manière aléatoire. Si l'une des cellules reçoit un signal dépassant la valeur de seuil, elle le transmet ensuite - à l'additionneur (élément R), et avec un certain coefficient («poids» de la connexion AR). En fonction de la somme du signal multipliée par les facteurs de pondération, l'additionneur délivre l'un des trois résultats possibles à la sortie de l'ensemble du système: -1, 0 et +1. L'entraînement du perceptron se produit au stade de l'introduction des coefficients de poids dans le système. Par exemple,on place une figure «carrée» devant les photocellules et on fixe la règle: lorsqu'un carré apparaît dans le champ de vision, le perceptron doit donner un résultat positif (+1), et quand tout autre objet apparaît, négatif (-1). Ensuite, nous changeons les objets un par un et ajustons les poids lorsqu'un carré apparaît dans le sens de l'augmentation, et en son absence - dans le sens de la diminution. En conséquence, nous obtenons un tableau unique de valeurs de coefficients de pondération dans le système pour toute variante de l'apparence d'un carré, et à l'avenir nous pouvons l'utiliser pour reconnaître les carrés. Mark-1, malgré sa primitivité par rapport aux ordinateurs modernes, pouvait reconnaître non seulement des formes géométriques, mais aussi des lettres de l'alphabet, en outre, écrites dans différentes écritures.lorsqu'un carré apparaît dans le champ de vision, le perceptron doit donner un résultat positif (+1), et lorsqu'un autre objet apparaît - négatif (-1). Ensuite, nous changeons les objets un par un et ajustons les poids lorsqu'un carré apparaît dans le sens de l'augmentation, et en son absence - dans le sens de la diminution. En conséquence, nous obtenons un tableau unique de valeurs de coefficients de pondération dans le système pour toute variante de l'apparence d'un carré, et à l'avenir nous pouvons l'utiliser pour reconnaître les carrés. Mark-1, malgré sa primitivité par rapport aux ordinateurs modernes, pouvait reconnaître non seulement des formes géométriques, mais aussi des lettres de l'alphabet, en outre, écrites dans différentes écritures.lorsqu'un carré apparaît dans le champ de vision, le perceptron doit donner un résultat positif (+1), et lorsqu'un autre objet apparaît - négatif (-1). Ensuite, nous changeons les objets un par un et ajustons les poids lorsqu'un carré apparaît dans le sens de l'augmentation, et en son absence - dans le sens de la diminution. En conséquence, nous obtenons un tableau unique de valeurs de coefficients de pondération dans le système pour toute variante de l'apparence d'un carré, et à l'avenir nous pouvons l'utiliser pour reconnaître les carrés. Mark-1, malgré sa primitivité par rapport aux ordinateurs modernes, pouvait reconnaître non seulement des formes géométriques, mais aussi des lettres de l'alphabet, en outre, écrites dans différentes écritures. Ensuite, nous changeons les objets un par un et ajustons les poids lorsqu'un carré apparaît dans le sens de l'augmentation, et en son absence - dans le sens de la diminution. En conséquence, nous obtenons un tableau unique de valeurs de coefficients de pondération dans le système pour toute variante de l'apparence d'un carré, et à l'avenir nous pouvons l'utiliser pour reconnaître les carrés. "Mark-1", malgré sa primitivité par rapport aux ordinateurs modernes, pouvait reconnaître non seulement des formes géométriques, mais aussi des lettres de l'alphabet, et écrites dans différentes écritures. Ensuite, nous changeons les objets un par un et ajustons les poids lorsqu'un carré apparaît dans le sens de l'augmentation, et en son absence - dans le sens de la diminution. En conséquence, nous obtenons un tableau unique de valeurs de coefficients de pondération dans le système pour toute variante de l'apparence d'un carré, et à l'avenir nous pouvons l'utiliser pour reconnaître les carrés. "Mark-1", malgré sa primitivité par rapport aux ordinateurs modernes, pouvait reconnaître non seulement des formes géométriques, mais aussi des lettres de l'alphabet, et écrites dans différentes écritures. En conséquence, nous obtenons un tableau unique de valeurs de coefficients de pondération dans le système pour toute variante de l'apparence d'un carré, et à l'avenir nous pouvons l'utiliser pour reconnaître les carrés. Mark-1, malgré sa primitivité par rapport aux ordinateurs modernes, pouvait reconnaître non seulement des formes géométriques, mais aussi des lettres de l'alphabet, en outre, écrites dans différentes écritures. En conséquence, nous obtenons un tableau unique de valeurs de coefficients de pondération dans le système pour toute variante de l'apparence d'un carré, et à l'avenir nous pouvons l'utiliser pour reconnaître les carrés. Mark-1, malgré sa primitivité par rapport aux ordinateurs modernes, pouvait reconnaître non seulement des formes géométriques, mais aussi des lettres de l'alphabet, en outre, écrites dans différentes écritures.
CHOSES INTELLIGENTES
Bien sûr, de nombreux circuits, algorithmes et variantes de perceptrons plus complexes ont vu le jour depuis. Néanmoins, cette approche d'organisation d'un modèle de réseau de neurones a des limites fondamentales: par exemple, les perceptrons sont impuissants à résoudre le problème de la division d'une figure en parties distinctes ou de la détermination de la position relative des figures.
Lorsqu'il est devenu clair qu'il était impossible de construire une intelligence artificielle basée sur des perceptrons, l'intérêt pour eux est tombé. Néanmoins, au début des années 1980, de nouvelles variantes de réseaux de neurones auto-apprenants et auto-organisés sont apparues: le réseau Hopfield, le réseau Hemming, le réseau Kohonen, le réseau Jordan, etc. En 1986, une sorte de révolution a eu lieu: des scientifiques soviétiques et américains ont mis au point une méthode de rétropropagation (algorithme itératif de gradient), qui a permis de surmonter les limitations précédemment découvertes. Après cela, les réseaux de neurones ont connu un développement rapide, qui a été immédiatement mis en œuvre dans des programmes informatiques appliqués.
Les progiciels modernes construits sur la base de réseaux de neurones artificiels sont capables de reconnaître des textes arbitrairement complexes, des commandes sonores, des visages, des gestes et des expressions faciales. Cependant, ce ne sont que les cas d'utilisation les plus simples, il y en a aussi des plus inhabituels. Pilotes automatiques auto-apprenants capables de répondre au développement de situations catastrophiques plus tôt que les pilotes. Les inspecteurs des changes identifient les transactions suspectes sur les marchés boursiers. Agents de publicité réseau qui suivent les préférences des clients potentiels. Diagnosticiens médicaux déterminant les pathologies chez les nourrissons.
Il est clair qu'à mesure que les technologies de l'information s'améliorent, les réseaux de neurones deviendront également plus complexes. Ils géreront tous les appareils électroménagers et le maintien de la vie des maisons, des usines et des supermarchés. Ils peuvent surveiller les menaces, analyser les tendances et donner des conseils, par exemple, sur l'investissement optimal de l'argent. Ils pourront même créer des objets d'art: il existe déjà des peintures et des poèmes écrits par des réseaux de neurones!
Esclavage ou amitié?
En fait, tout tient au fait qu'un réseau de neurones deviendra un jour un assistant irremplaçable dans mille grandes et petites choses. Les futuristes ont peur de cela. Ils pensent qu'à un moment donné, la quantité se transformera en qualité, l'intelligence artificielle naîtra dans les réseaux de neurones, ce qui défiera immédiatement l'humanité et la détruira. Une autre option est également possible: les gens deviendront tellement dépendants des décisions prises par le réseau neuronal qu'ils ne remarqueront pas eux-mêmes comment ils deviendront ses esclaves.
Des scénarios effrayants comme ceux-ci semblent trop étranges. Le fait est que les réseaux de neurones sont initialement structurés pour s'adapter aux besoins d'une personne ou d'un groupe de personnes en particulier. Ils peuvent aider à corriger une erreur ou donner des conseils, mettre en évidence un problème ou remarquer une tromperie, mais eux-mêmes ne sont pas en mesure de faire un choix entre des options équivalentes, car nous ne pourrons (malheureusement ou heureusement) leur enseigner l'essentiel - la moralité. Par conséquent, à tout moment, les réseaux de neurones seront comme des chiens domestiques - obéissants, loyaux et amicaux.
Anton Pervushin
