Ключевые идеи книги: ИИ 2041. Десять видений нашего будущего. Ли Кай-Фу

Smart Reading

Smart Reading. Ценные идеи из лучших книг. Саммари

Это саммари – сокращенная версия книги «ИИ 2041. Десять видений нашего будущего» Ли Кай-Фу. Только самые ценные мысли, идеи, кейсы, примеры.

В XXI веке искусственный интеллект стал нашим постоянным спутником. Он помогает делать покупки, подсказывает друзей в Facebook, вызывает такси, определяет наше местоположение. Мы без него как без рук. При этом ИИ постоянно учится, накапливая данные обо всех нас.

Футуролог Рой Амара как-то сказал: «Мы склонны переоценивать технологии в краткосрочной перспективе и недооценивать в долгосрочной». Что мы переоцениваем в нашем чудо-помощнике, а на что пока не обращаем внимания?

Ли Кай-Фу заглянул в максимально возможное с точки зрения объективных прогнозов будущее – на 20 лет вперед, в 2041 год. Представляем его 10 видений будущего – удивительного, странного, волнующего.

Ключевые идеи книги: ИИ 2041. Десять видений нашего будущего. Ли Кай-Фу

Оригинальное название:

AI 2041: Ten Visions for Our Future

Автор:

Kai-Fu Lee

www.smartreading.ru (http://www.smartreading.ru/)

Будущее: человек + ИИ

Обучение искусственного интеллекта

Чтобы понять, что обещает нам будущее в связи с развитием ИИ, нужно сначала понять, как он стал таким умным. Ключевое понятие тут – «глубокое обучение». Учится ИИ с помощью нейронных сетей. Это понятие было описано еще в 1943 году психологом Уорреном Мак-Каллоком и математиком Уолтером Питтсом, а на практике воплощено 15 лет спустя, когда психолог Фрэнк Розенблатт создал перцептрон. Эта модель содержала около тысячи связанных друг с другом «нейронных клеток», которые могли принимать сигналы от 400 фотоэлементов. Со временем ученые совершенствовали нейронные сети, делая их все более многослойными.

Слово «нейронный» тут неслучайно: компьютерная сеть в самом деле подобна структуре мозга, и чем больше в ней взаимосвязанных элементов («нейронов»), уложенных во множество слоев, тем она эффективнее. Чтобы эта технология работала в полную силу, нужны были большие данные, на которых можно было бы учиться, и огромные вычислительные мощности. Вычислительная мощность – двигатель ИИ, а данные – его бензин. И то и другое в изобилии возникло в XXI веке.

Однако учатся нейронные сети иначе, чем человеческий мозг. Скажем, мы хотим научить ИИ распознавать яблоки на фотографиях. Для этого надо показать ему миллионы фото, помеченных тегом «яблоко», и миллионы фото без яблок. ИИ считает с фотографий множество параметров, которыми потом и будет руководствоваться при отборе. При этом у ИИ нет абстрактного понимания яблока, он не будет ассоциировать его с другими фруктами или с законом всемирного тяготения. В этом его принципиальное отличие от человеческого сознания. Наше внимание и память всегда ограниченны, зато мы умеем обобщать и ассоциировать. ИИ же умеет обнаруживать корреляции между множеством характеристик, на которые люди не обратили бы внимания. Чтобы учиться хорошо, ему нужны:

1) данные (чем больше, тем лучше);

2) узкая область применения (чем конкретнее, тем лучше);

3) конкретная цель (чем конкретнее, тем лучше).

Уязвимость ИИ

У ИИ есть очевидный недостаток: он поневоле пристрастен, поскольку учится только на тех данных, которые ему дают. А они могут быть неполными или неадекватными, отражать расовые, гендерные предрассудки. Как с этим быть?

? Постоянно работать над совершенствованием инструментов обучения ИИ, которые могли бы отслеживать работу со статистически неполными базами.

? Принять законы, требующие аудита ИИ: если компания получает постоянные жалобы, она рискует подвергнуться такой проверке на предмет соблюдения правил конфиденциальности.

? Обучать инженеров ИИ этическим принципам, подобно тому как врачи учат клятву Гиппократа.

? Внедрять алгоритмы ИИ, которые способствуют большей прозрачности его решений и принципиально поддаются интерпретации (сегодня мы далеко не всегда можем понять, почему система действует так, а не иначе, – ее работа совершается как будто в «черном ящике»).

? Компании, использующие ИИ, долж