Ознакомительная версия. Доступно 15 страниц из 71
Тьюринг предложил следующие условия: интервьюер задает вопросы двум скрытым собеседникам, один из которых является машиной, а другой – человеком, и пробует угадать, кто есть кто. Тьюринг назвал это «игрой в имитацию». Для чистоты эксперимента из беседы устраняются такие факторы, как голос и почерк, и ответы выдаются в печатном виде. Человек старается помочь интервьюеру, отвечая на вопросы честно, а машина старается его обмануть. Такая игра требует владения многими навыками. Участникам необходимо анализировать поступающую информацию и адекватно на нее реагировать, следить за поведением интервьюера и держать в памяти ход беседы. Игроков могут попросить сделать какие-то расчеты, вспомнить факты из прошлого, решить головоломку.
На первый взгляд Уотсон проделал все вышеописанное. В «Jeopardy!» ему пришлось анализировать информацию, усваивать знания, решать проблемы. Но было одно существенное отличие: чтобы победить, Уотсон вовсе не должен был играть как человек. Он играл как суперкомпьютер, опережая своих соперников благодаря более быстрой реакции и обширной базе данных. Он не нервничал и не замыкался в себе. Задачей Уотсона было не убедить остальных, что он – человек, а победить.
То же было и с Deep Blue. Когда компьютер играл в шахматы с Гарри Каспаровым, он играл по-компьютерному – использовал свою огромную вычислительную мощность, чтобы просчитывать ход матча, анализировать потенциальные ходы и возможные стратегии. Каспаров заявил, что подобный метод – метод перебора – не сообщает нам ничего нового о природе интеллекта. «Вместо компьютера, который думал и играл бы в шахматы как человек, демонстрируя творческое мышление и интуицию, они изобрели машину, которая играет, как машина», – говорил он позже. Каспаров предположил, что в покере, где смешаны случайность, психология и риск, метод перебора не сработает. Возможно, дело в том, что покеру присуща особенность, которой нет ни у шахмат, ни у шашек, – эту игру не нужно «разгадывать», ей надо учиться.
Тьюринг считал обучение искусственного интеллекта крайне важным. Чтобы победить в игре в имитацию, убедительно выдав себя за взрослую человеческую особь, машина должна достигнуть определенного уровня развития. Однако не следует сосредоточиваться лишь на «парадной», финальной версии. Чтобы создать функционирующий разум, надо понять, как этот разум возникает. «Вместо того чтобы пытаться создать программу, которая имитирует умственную деятельность взрослого человека, – говорил Тьюринг, – почему бы не создать программу, которая имитирует разум ребенка?» Он сравнил этот процесс с процессом заполнения ежедневника. Зачем заполнять все страницы сразу? Не лучше ли оставить их пустыми и позволить компьютеру самому решить, что там написать?
В 2011 году в Лас-Вегасе среди столов для рулетки и «одноруких бандитов» появились новые игровые автоматы – с виртуальным техасским холдемом. Фишки и карты отображались на экране, а единственным соперником игрока был компьютер. Эта разновидность покера один на один называется хедс-ап.
Хедс-ап привлекал внимание исследователей с тех пор, как фон Нейман изучал упрощенную версию покера, – отчасти потому, что ситуацию с двумя участниками намного легче анализировать. В этом случае значительно сокращается «объем» игры – если измерять его общим числом возможных последовательностей действий покериста. Поэтому и эффективного бота создать легче. Кстати, в «лимитной» версии хедс-апа (с ограничением максимальных ставок), автоматы проявляют себя лучше людей.
В 2013 году журналист Майкл Каплан в статье в New York Times отследил происхождение покерных ботов. Оказалось, своим появлением они во многом обязаны детищу норвежского программиста Фредрика Даля. Изучая информатику в Университете Осло, он увлекся нардами и, чтобы отточить свое мастерство, написал программу для поиска эффективных стратегий. Программа получилась настолько удачной, что Даль стал продавать ее на дискетах по 250 долларов за штуку.
Сотворив умелого бота для нардов, Даль поставил себе задачу сложнее – создать компьютерного покериста. Поскольку в покере игроку доступна не вся информация, компьютеру значительно труднее найти успешную тактику. Чтобы победить, машина должна научиться справляться с фактором неопределенности. Ей придется «считывать» реакцию противника и взвешивать большое количество вариантов действий. Иными словами, ей понадобятся мозги.
В играх, подобных покеру, для совершения действия нужно пройти несколько этапов принятия решения. Следовательно, искусственному мозгу потребуется множество связанных нейроподобных элементов. Один будет оценивать открытые карты, другой – сумму денег на столе, третий – размер ставок других игроков. Окончательное решение не обязательно принимается на основе данных, добытых этими «нейронами». Их анализом занимаются нейроэлементы второго уровня, которые обрабатывают информацию, полученную на первом этапе. Внутренние нейроэлементы называют «скрытыми», так как они находятся между двумя массивами информации – той, что попадает в нейросеть, и той, что мы имеем на выходе.
Пример простой нейросети
Идея нейросетей не нова. Основы теории искусственных нейронов были заложены еще в 1940-х годах, но заметных успехов эта технология достигла лишь сегодня, в эпоху доступной информации и мощных компьютеров. Нейронные сети помогают ботам осваивать искусство игры, а компьютерам – с удивительной точностью распознавать паттерны.
Осенью 2013 года социальная сеть Facebook представила общественности команду AI, которой предстояло заняться разработкой интеллектуальных алгоритмов. К тому времени пользователи Facebook загружали по 350 миллионов фотографий ежедневно. Ранее компания уже предложила набор инструментов, позволяющих обрабатывать эту лавину информации. Одним из них была функция распознавания: компания стремилась дать пользователям возможность автоматически находить и идентифицировать лица на фото. Весной 2014 года команда AI отчиталась о создании программы DeepFace, которая знаменовала собой значительный прогресс в области распознавания лиц.
Искусственный мозг DeepFace состоит из девяти уровней нейронов. Первые уровни выполняют подготовительную работу: находят изображение лица на картинке и центрируют его. Последующие уровни выделяют характерные для идентификации черты, такие как область между глазами и бровями. Конечные нейроны сводят воедино информацию о произведенных измерениях – от формы глаз до расположения губ – и с ее помощью осуществляют идентификацию. Facebook отлаживал работу нейросети, используя фотографии четырех тысяч человек. Это была самая большая когда-либо собранная портретная база данных: в среднем на каждое лицо приходилось более тысячи изображений.
После отладки программы пришло время ее протестировать. Чтобы посмотреть, насколько успешно DeepFace справляется с поставленной задачей, разработчики предложили ей идентифицировать лица из Labeled Faces in the Wild – базы данных, содержащей тысячи изображений человеческих лиц в повседневных ситуациях. Эти фотографии оказались отличным материалом для тестирования способностей программы к распознаванию, поскольку были сняты под разными ракурсами и при разном освещении. Впрочем, никому из нас это не мешает с легкостью узнавать одну и ту же персону на разных снимках: в ходе онлайн-эксперимента участники смогли распознать 99 % изображений.
Ознакомительная версия. Доступно 15 страниц из 71
