Издательство «Синдбад» представляет книгу Клиффорда Пиковера «Искусственный интеллект. От автоматонов до нейросетей» (перевод Анны Ефимовой).
Эта книга рассказывает, как человечество постепенно, шаг за шагом, шло к созданию искусственного интеллекта и как он стал неотъемлемой частью нашей жизни. Как представляли себе искусственный разум ученые, философы и писатели разных эпох? Какие механизмы создавали наши предки, чтобы облегчить решение умственных задач, и в чем сегодня алгоритмы превосходят нас самих? Как сложатся наши отношения с этими новыми сущностями? Что — или кого — мы создаем: верных помощников или потенциальных врагов? С какими этическими проблемами связано использование искусственного интеллекта? Автор не дает окончательных ответов на эти вопросы, но объясняет, в чем их важность, и призывает читателя поразмышлять над ними.
Предлагаем прочитать фрагмент книги.
Автономные роботы-хирурги
В 2016 г. роботизированная хирургическая система STAR (Smart Tissue Autonomous Robot) провела успешную операцию на тонком кишечнике свиньи, используя улучшенное зрение, машинный интеллект и ловкость. STAR наложила более надежные швы, чем обычно получаются у живых хирургов, и тем самым защитила кишечник от протечек вблизи швов. Во время этой «операции под наблюдением» на ткани кишечника проецировались флуоресцентные метки ближнего инфракрасного диапазона, которые помогали ориентироваться искусственной системе зрения. STAR планировала наложение швов и вносила коррективы при смещении тканей.
В наши дни роботы-хирурги становятся все более самостоятельными. Это неудивительно, если вспомнить, как давно подобные машины помогают людям на операциях. Одна из самых распространенных форм роботизированной хирургии напоминает лапароскопию, также называемую хирургией замочной скважины или минимально инвазивной хирургией. Такая операция выполняется через небольшие разрезы, что позволяет минимизировать кровопотерю и боль и при этом ускорить выздоровление пациента. В ходе роботизированной операции хирург не склоняется над пациентом и не манипулирует трубчатыми устройствами, вставленными в его тело, а сидит в удобном кресле за консолью, управляя инструментами, прикрепленными к нескольким рукам роботов, и глядя на трехмерные изображения оперируемых органов. В отличие от лапароскопии, роботизированная хирургия позволяет нивелировать дрожание рук хирурга, при мелких ювелирных манипуляциях нужные движения рук могут масштабироваться для большей точности. В новой области телехирургии роботизированные инструменты, подключенные к высокоскоростным коммуникационным сетям, позволяют хирургу проводить операцию, находясь вдали от пациента.
В 2000 г. Мани Менон (р. 1948) стал первым в США хирургом, использовавшим робота для удаления раковой опухоли в предстательной железе. В том же году он основал первый в стране центр роботизированной простатэктомии. Сейчас роботизированная лапароскопия применяется при гистерэктомии, восстановлении митральных клапанов сердца, лечении грыж, удалении желчного пузыря и во многих других случаях. Роботы также используются для выполнения ключевых этапов процедур замены коленного сустава, пересадки волос и лазерной коррекции зрения.
Искусственный интеллект играет в покер
В 2017 г. многочисленные новостные заметки сообщали о грандиозном триумфе двух ИИ-программ, которые обыграли профессиональных игроков в покер в его разновидности под названием «техасский холдем». Ранее ИИ-системы уже побеждали людей во многих играх с полной информацией, таких как шахматы и го, где ничто не скрыто от глаз игроков. В техасском холдеме двум или более игрокам изначально раздается по две случайных карты лицевой стороной вниз. Каждый раз, когда выкладываются открытые карты, игрокам предлагается сделать ставку, удержать ставку или выйти из игры. Здесь игроки обладают неполной информацией, что делает игру особенно сложной для компьютеров и требует своего рода интуиции для разработки победной стратегии. Другая проблема заключается в том, что существует огромное количество возможных сценариев игры (примерно 10160). В безлимитном холдеме игроки обычно выбирают стратегии, обеспечивающие выигрыш на длинной дистанции, и часто пытаются блефовать (например, делать низкие ставки с хорошими картами или торговаться просто для того, чтобы запутать противников).
Несмотря на эти трудности, ИИ под названием DeepStack смог победить профессиональных игроков в безлимитном техасском холдеме в формате один на один. DeepStack использовал глубокое обучение: чтобы натренировать нейросети и развить покерную интуицию, он сыграл против самого себя миллионы случайно сгенерированных покерных раздач. В том же 2017 г. стало известно об ИИ по имени Libratus, который в ходе двадцатидневного турнира по техасскому холдему обыграл в многочисленных партиях четверых лучших игроков. Libratus использовал не нейросети, а особый алгоритм — так называемую контрфактуальную минимизацию сожаления: по завершении каждой смоделированной партии программа пересматривала свои решения и искала способы улучшить стратегию. Интересно, что DeepStack мог работать даже на ноутбуке, а Libratus требовал гораздо более сложного аппаратного обеспечения.
Стоит отметить, что ИИ-системы, работающие с неполной информацией, бывают полезны во многих жизненных ситуациях: например, они помогают спрогнозировать окончательную стоимость продажи дома или договориться о выгодной цене на автомобиль. Покерные боты (программы для игры в покер) с разными уровнями квалификации существуют уже много лет, но их, как правило, не разрешается использовать в качестве помощников в онлайн-турнирах по покеру среди людей.
Состязательные примеры
Представьте себе значок, который можно прикрепить к рубашке, или картинку, которую можно приклеить на знак остановки, чтобы обмануть ИИ-устройство (например, умную камеру наблюдения или беспилотный автомобиль) и заставить его думать, будто вы или знак — это любой другой объект на ваше усмотрение. Такой сценарий не выдумка, и он в действительности представляет угрозу для ИИ-систем на основе машинного обучения, а также для визуальных и аудиосистем, принимающих решения.
В 2017 г. исследователи из Google разработали круглые вставки с красочными психоделическими узорами, чтобы отвлечь классификаторы изображений с ИИ. Такие вставки могут обмануть ИИ-систему и заставить ее думать, что банан — или любой другой объект — это, например, тостер. Для этого достаточно просто поместить вставку рядом с объектом. Ранее с помощью других приемов экспериментаторы уже обманывали ИИ-системы, выдавая черепах за винтовки, а винтовки — за вертолеты. И хотя видоизмененные состязательные примеры со вставками хорошо заметны человеческому глазу, странные узоры и конструкции (скажем, граффити на стене здания или сложную трехмерную скульптуру) легко принять за обычное творчество — так что никто даже не догадается, что они призваны сбить с толку беспилотник, чтобы тот, например, принял больницу за военную цель.
В других экспериментах ИИ-системы неверно классифицировали знаки остановки как знаки ограничения скорости. В ряде работ уже анализировались потенциально опасные изменения, незаметные для человека, такие как подмена нескольких пикселей в изображении. В 2018 г. ученые из Калифорнийского университета в Беркли разработали состязательные примеры для систем распознавания речи. Иными словами, исследователи могли создать форму звуковой волны, почти идентичную реальной, и тем самым обмануть программу преобразования речи в текст, чтобы та превратила аудиосигнал в любую фразу по желанию исследователей.
Опыты с состязательным машинным обучением предполагают манипулирование тренировочными данными в ходе обучения ИИ. Хотя некоторые состязательные примеры можно нейтрализовать, потребовав от ИИ использовать сразу несколько систем классификаторов или запрограммировав их так, чтобы при обучении они не реагировали на состязательные примеры, во многих сферах применения ИИ сохраняются потенциальные риски.
Роботы собирают кубик Рубика
На протяжении многих лет специалисты по ИИ конструировали самых разных роботов, способных собирать кубик Рубика с помощью компьютерного зрения и физических манипуляций. Оригинальную головоломку в 1974 г. создал венгерский изобретатель Эрнё Рубик (р. 1944); к 1982 г. в Венгрии было продано 10 миллионов таких кубиков (как ни странно, это больше, чем население страны). К настоящему времени, согласно оценкам, в мире продано более 100 миллионов штук.
Кубик Рубика представляет собой конструкцию 3 × 3 × 3 из меньших кубиков, окрашенных таким образом, что каждая из шести граней большого куба имеет свой цвет. Двадцать шесть внешних кубиков снабжены шарнирами, чтобы их можно было вращать. Цель в том, чтобы «собрать» кубик, то есть вернуть его в первоначальное состояние, в котором каждая грань состоит из квадратов одного цвета. Всего существует 43 252 003 274 489 856 000 вариантов расположения маленьких кубиков, и лишь один соответствует исходной позиции. Если бы у вас имелось по одному кубику для каждой возможной раскладки, вы могли бы покрыть ими всю поверхность Земли (включая океаны) примерно в 250 слоев.
В 2010 г. было доказано, что из любой конфигурации кубик можно собрать не более чем за двадцать ходов. В 2018 г. проворный робот под названием Rubik’s Contraption преодолел полусекундный барьер, собрав кубик всего за 0,38 секунды (столько времени в сумме потребовалось на захват изображения, расчеты и физические манипуляции). В этом устройстве, созданном студентом-робототехником из Массачусетского технологического института Беном Кацем и разработчиком программного обеспечения Джаредом Ди Карло, использовались шесть двигателей Kollmorgen ServoDisc и так называемый двухфазный алгоритм Коцембы. (Для сравнения: в 2011 г. мировой рекорд среди роботов составлял 10,69 секунды.) В том же 2018 г. устройство, основанное на глубокой нейросети, научилось собирать кубик Рубика методом обучения с подкреплением без опоры на человеческие знания.
Существует вариация головоломки, которая никогда не появится на полках магазинов, — четырехмерная версия кубика Рубика, или тессеракт Рубика. Общее количество позиций тессеракта Рубика — головокружительная цифра: 1,76 × 10120. Если бы вращающиеся грани тессеракта меняли положение каждую секунду с момента возникновения Вселенной, они и по сей день не успели бы продемонстрировать все возможные конфигурации.
Предсказатель смерти
В 2016 г. исследователи из Стэнфордского университета обучили ИИ-систему предсказывать, умрет ли человек в течение ближайших трех — двенадцати месяцев. Для данной книги этот результат важен как пример широкого спектра задач, которые в ближайшие годы будут решать ИИ и глубокое обучение.
Паллиативная помощь обычно предполагает облегчение боли, стресса и других симптомов пациента со смертельным диагнозом, когда выздоровление невозможно. Знание о том, когда потребуется такая помощь, облегчает жизнь самого пациента, его семьи и медперсонала, а также позволяет определить, в каких случаях паллиативный уход наиболее эффективен. Для создания ИИ под названием Death Algorithm группа ученых из Стэнфорда использовала данные примерно 170 тысяч пациентов, умерших от рака, сердечно-сосудистых, неврологических и других заболеваний. Информация из медицинских карт — включая диагноз, медицинские процедуры, результаты обследований, прописанные препараты и т. д. — использовалась в качестве входных данных для обучения ИИ-системы. Затем глубокая нейросеть тренировалась, корректируя веса нейронов. Нейросеть состояла из входного слоя размерности 13 654 (коды диагнозов и препаратов), 18 скрытых промежуточных слоев (каждый размерности 512) и выходного слоя скалярного типа.
В итоге девять из десяти человек, которым система предсказала смерть в ближайшие три — двенадцать месяцев, действительно умерли в течение этого срока. Кроме того, 95 % из тех, кому алгоритм напророчил более двенадцати месяцев жизни, действительно прожили дольше. Однако врач Сиддхартха Мукерджи в недавней статье в New York Times отмечает: «[Система глубокого обучения] учится, но не может объяснить нам, как именно; она назначает вероятности, но неспособна внятно их обосновать. Подобно ребенку, который осваивает велосипед методом проб и ошибок, а в ответ на просьбу сформулировать правила езды просто уносится вдаль, пожав плечами, алгоритм непонимающе смотрит на нас, когда мы спрашиваем: “Почему?” Это еще один черный ящик — как и сама смерть». И все же разработки предсказателей смерти на основе ИИ продолжаются. В 2019 г. группа экспертов из Ноттингемского университета показала, что машинное обучение превосходит по точности традиционные методы прогнозирования безвременной смерти, основанные на демографических, биометрических, клинических и бытовых факторах.