Cyfroteka.pl

klikaj i czytaj online

Cyfro
Czytomierz
00659 010953 7494888 na godz. na dobę w sumie
Superinteligencja. Scenariusze, strategie, zagrożenia - ebook/pdf
Superinteligencja. Scenariusze, strategie, zagrożenia - ebook/pdf
Autor: Liczba stron: 488
Wydawca: Helion Język publikacji: polski
ISBN: 978-83-283-1937-0 Data wydania:
Lektor:
Kategoria: ebooki >> komputery i informatyka >> biznes it >> e-biznes
Porównaj ceny (książka, ebook (-20%), audiobook).

Bestseller „New York Timesa”!

Superinteligencja. Czy cyfrowe umysły zagrażają człowiekowi?

Ludzki mózg to dzieło idealne, najdoskonalszy twór w przyrodzie. Jego dominacją zachwiał komputer Deep Blue, który w 1997 roku pokonał w szachy mistrza świata, Garriego Kasparowa. Od tego czasu sztuczna inteligencja jest na ścieżce intensywnego rozwoju. Czy dominacja superinteligencji nad człowiekiem jest realną perspektywą naszej przyszłości? Czy ta przewaga skończy się kresem naszego gatunku?

Niniejsza książka jest odważną i oryginalną próbą znalezienia odpowiedzi na te pytania. Możliwe kierunki rozwoju technologii cyfrowej i jego konsekwencje są trudne do przewidzenia, a rozstrzygnięcie związanych z tym kwestii jest prawdziwym intelektualnym wyzwaniem. Niemniej z niektórych szans i zagrożeń powinniśmy wszyscy sobie zdawać sprawę. Nick Bostrom, wybitny badacz sztucznej inteligencji i transhumanizmu, stara się jasno i klarownie przedstawić przyszłe konsekwencje coraz większego udziału maszyn w naszym życiu, opisuje możliwe komplikacje i strategie rozwiązania ewentualnych problemów. Lektura tej książki jest niesamowitą podróżą na krańce istoty człowieczeństwa, wyprawą do przyszłości inteligentnego życia i prawdziwie fascynującym doświadczeniem.

Kluczowe zagadnienia ujęte w książce:
Nick Bostrom — szwedzki filozof, profesor Uniwersytetu Oksfordzkiego, kierownik Instytutu Przyszłości Ludzkości działającego w ramach Oxford Martin School. Autor licznych prac dotyczących transhumanizmu (idei zakładającej wykorzystanie osiągnięć nauki i techniki w celu przezwyciężenia ludzkich ograniczeń). W 2009 roku otrzymał za swoją pracę Nagrodę Gannona. Magazyn „Foreign Policy” umieścił go na liście 100 czołowych myślicieli świata.
 

„Gorąco polecam tę książkę”

Bill Gates

„Cenna lektura. Konsekwencje sprowadzenia na Ziemię drugiego gatunku inteligentnego są na tyle dalekosiężne, że zasługują na głęboki namysł”

The Economist

„Siła argumentów Bostroma nie budzi wątpliwości. (...) To wyzwanie badawcze warte jest podjęcia przez najtęższe umysły matematyczne kolejnego pokolenia. Na szali leży los cywilizacji człowieka”

Clive Cookson, Financial Times

Znajdź podobne książki

Darmowy fragment publikacji:

Tytuł oryginalny: Superintelligence: Paths, Dangers, Strategies, First Edition Tłumaczenie: Dorota Konowrocka-Sawa Projekt okładki: ULABUKA Illustracja na okładce: ULABUKA ISBN: 978-83-283-1934-9 © Nick Bostrom 2014 Superintelligence: Paths, Dangers, Strategies, First Edition was originally published in English in 2014. This translation is published by arrangement with Oxford University Press. Helion SA is solely responsible for this translation from the original work and Oxford University Press shall have no liability for any errors, omissions or inaccuracies or ambiguities in such translation or for any losses caused by reliance thereon. Książka Superinteligencja. Scenariusze, strategie, zagrożenia została pierwotnie wydana w języku angielskim w 2014 roku. Niniejszy przekład został opublikowany na podstawie umowy z wydawnictwem Oxford University Press. Jedynym podmiotem odpowiedzialnym za tłumaczenie oryginalnego tekstu jest Helion S.A., a Oxford University Press nie ponosi odpowiedzialności za jakiekolwiek błędy, przemilczenia, nieścisłości czy niejednoznaczności przekładu, ani za szkody powstałe w ich rezultacie. Polish edition copyright © 2016 by Helion SA. All rights reserved. All rights reserved. No part of this book may be reproduced or transmitted in any form or by any means, electronic or mechanical, including photocopying, recording or by any information storage retrieval system, without permission from the Publisher. Wszelkie prawa zastrzeżone. Nieautoryzowane rozpowszechnianie całości lub fragmentu niniejszej publikacji w jakiejkolwiek postaci jest zabronione. Wykonywanie kopii metodą kserograficzną, fotograficzną, a także kopiowanie książki na nośniku filmowym, magnetycznym lub innym powoduje naruszenie praw autorskich niniejszej publikacji. Wszystkie znaki występujące w tekście są zastrzeżonymi znakami firmowymi bądź towarowymi ich właścicieli. Autor oraz Wydawnictwo HELION dołożyli wszelkich starań, by zawarte w tej książce informacje były kompletne i rzetelne. Nie biorą jednak żadnej odpowiedzialności ani za ich wykorzystanie, ani za związane z tym ewentualne naruszenie praw patentowych lub autorskich. Autor oraz Wydawnictwo HELION nie ponoszą również żadnej odpowiedzialności za ewentualne szkody wynikłe z wykorzystania informacji zawartych w książce. Wydawnictwo HELION ul. Kościuszki 1c, 44-100 GLIWICE tel. 32 231 22 19, 32 230 98 63 e-mail: helion@helion.pl WWW: http://helion.pl (księgarnia internetowa, katalog książek) Drogi Czytelniku! Jeżeli chcesz ocenić tę książkę, zajrzyj pod adres http://helion.pl/user/opinie/supint Możesz tam wpisać swoje uwagi, spostrzeżenia, recenzję. Printed in Poland. • Kup książkę • Poleć książkę • Oceń książkę • Księgarnia internetowa • Lubię to! » Nasza społeczność Spis tre(cid:258)ci Przedmowa Podzi(cid:218)kowania 1. Dotychczasowe dokonania i obecne mo(cid:285)liwo(cid:258)ci Fazy wzrostu w dziejach ludzko(cid:258)ci Wielkie oczekiwania Okresy nadziei i rozczarowa(cid:241) Aktualny stan bada(cid:241) Opinie na temat przysz(cid:239)o(cid:258)ci sztucznej inteligencji 2. (cid:165)cie(cid:285)ki wiod(cid:200)ce ku superinteligencji Sztuczna inteligencja Emulacja mózgu Poznanie biologiczne Interfejsy mózg – komputer Sieci i organizacje Podsumowanie 3. Formy superinteligencji Superinteligencja szybka Superinteligencja zbiorowa Superinteligencja jako(cid:258)ciowa Osi(cid:200)galno(cid:258)(cid:202) po(cid:258)rednia i bezpo(cid:258)rednia (cid:189)ród(cid:239)a przewagi inteligencji cyfrowej 11 15 17 17 20 23 32 38 45 46 56 64 76 81 83 87 88 89 93 95 96 SPIS TRE(cid:165)CI | 5 Poleć książkęKup książkę 4. Dynamika eksplozji inteligencji Moment i pr(cid:218)dko(cid:258)(cid:202) odej(cid:258)cia Oporno(cid:258)(cid:202) Si(cid:239)a optymalizacyjna i eksplozywno(cid:258)(cid:202) 5. Decyduj(cid:200)ca przewaga strategiczna Czy wiod(cid:200)cy projekt uzyska decyduj(cid:200)c(cid:200) przewag(cid:218) strategiczn(cid:200)? Jak du(cid:285)y b(cid:218)dzie projekt uwie(cid:241)czony sukcesem? Od decyduj(cid:200)cej przewagi strategicznej do singletonu 6. Poznawcze supermoce Funkcjonalno(cid:258)ci i supermoce Scenariusz przej(cid:218)cia w(cid:239)adzy przez SI W(cid:239)adza nad natur(cid:200) i bytami posiadaj(cid:200)cymi moc sprawcz(cid:200) 7. Pobudki superinteligencji Zwi(cid:200)zek pomi(cid:218)dzy inteligencj(cid:200) a motywacj(cid:200) Konwergencja instrumentalna 8. Czy czeka nas zag(cid:239)ada? Zag(cid:239)ada ludzko(cid:258)ci jako najbardziej prawdopodobny skutek eksplozji inteligencji? Zdradziecki zwrot Rodzaje z(cid:239)o(cid:258)liwych usterek 9. Problem kontroli Dwa problemy agencji Metody kontroli potencja(cid:239)u Metody doboru motywacji Podsumowanie 10. Wyrocznie, d(cid:285)iny, suwereni i narz(cid:218)dzia Wyrocznie D(cid:285)iny i suwereni Narz(cid:218)dziowa SI Porównanie 6 | SPIS TRE(cid:165)CI 101 101 106 117 123 124 129 134 139 140 144 148 159 159 164 173 173 175 179 191 191 194 205 213 215 215 219 223 230 Poleć książkęKup książkę 11. Scenariusze wielobiegunowo(cid:258)ci O koniach i ludziach (cid:191)ycie w gospodarce algorytmicznej Poprzej(cid:258)ciowe tworzenie si(cid:218) singletonu? 12. Zaszczepianie warto(cid:258)ci Problem przekazywania warto(cid:258)ci Selekcja ewolucyjna Uczenie ze wzmocnieniem Stopniowy przyrost warto(cid:258)ci Zr(cid:200)b systemu warto(cid:258)ci Uczenie si(cid:218) warto(cid:258)ci Modyfikowanie emulacji Projektowanie organizacji instytucjonalnej Podsumowanie 13. Wybór kryteriów wyboru Potrzeba normatywno(cid:258)ci po(cid:258)redniej Spójna, ekstrapolowana wola Modele moralno(cid:258)ci Zrób to, co mam na my(cid:258)li Lista komponentów Dostateczne przybli(cid:285)enie 14. Perspektywa strategiczna Strategia naukowo-technologiczna Scenariusze i czynniki umo(cid:285)liwiaj(cid:200)ce ich realizacj(cid:218) Wspó(cid:239)praca 15. Moment krytyczny Filozofia z nieprzekraczalnym terminem Co mamy do zrobienia? Prosz(cid:218) o powstanie najlepsze cechy natury ludzkiej Przypisy Bibliografia Skorowidz 233 234 243 258 271 271 274 275 276 279 281 292 294 300 303 303 306 315 318 320 328 331 332 347 356 369 369 371 375 377 455 483 SPIS TRE(cid:165)CI | 7 Poleć książkęKup książkę 8 | SPIS TRE(cid:165)CI Poleć książkęKup książkę ROZDZIA(cid:146) 1. Dotychczasowe dokonania i obecne mo(cid:285)liwo(cid:258)ci Z aczniemy od spojrzenia wstecz. Gdy przyjmie si(cid:218) najszersz(cid:200) mo(cid:285)- liw(cid:200) perspektyw(cid:218), historia wydaje si(cid:218) ujawnia(cid:202) sekwencj(cid:218) wyra(cid:283)nie wydzielonych faz wzrostu, przy czym ka(cid:285)da z nich jest gwa(cid:239)tow- niejsza od poprzedniej. Przywo(cid:239)ujemy ten wzorzec, by(cid:258)my mogli sobie uzmys(cid:239)owi(cid:202), (cid:285)e mo(cid:285)liwa jest kolejna (jeszcze szybsza) faza wzrostu, lecz nie przywi(cid:200)zujemy nadmiernej wagi do tej obserwacji, gdy(cid:285) nie jest to ksi(cid:200)(cid:285)ka na temat „przyspieszenia technologicznego”, „wzrostu wyk(cid:239)ad- niczego” ani (cid:285)adnego z rozmaitych poj(cid:218)(cid:202) wrzucanych czasem do wspólnej kategorii „osobliwo(cid:258)ci” (ang. singularity). Nast(cid:218)pnie przyjrzymy si(cid:218) dotychczasowej historii rozwoju sztucznej inteligencji, po czym zbadamy wspó(cid:239)czesne mo(cid:285)liwo(cid:258)ci uzyskane w tej dziedzinie. Na koniec rzucimy okiem na kilka najnowszych sonda(cid:285)y opinii ekspertów i zadumamy si(cid:218) nad nasz(cid:200) niewiedz(cid:200) dotycz(cid:200)c(cid:200) umiejscowienia przysz(cid:239)ych post(cid:218)pów w czasie. Fazy wzrostu w dziejach ludzko(cid:258)ci Jeszcze kilka milionów lat temu nasi przodkowie zwisali sobie na ga(cid:239)(cid:218)- ziach drzew pod sklepieniem afryka(cid:241)skiej d(cid:285)ungli. W geologicznej czy nawet ewolucyjnej skali czasu do powstania gatunku Homo sapiens z ostat- niego wspólnego przodka ludzi i ma(cid:239)p cz(cid:239)ekokszta(cid:239)tnych dosz(cid:239)o bardzo niedawno. Przyj(cid:218)li(cid:258)my postaw(cid:218) pionow(cid:200), wykszta(cid:239)cili(cid:258)my przeciwstawne kciuki i — co najistotniejsze — stali(cid:258)my si(cid:218) beneficjentami pewnych sto- sunkowo drobnych zmian w wielko(cid:258)ci mózgu i organizacji neuronów, FAZY WZROSTU W DZIEJACH LUDZKO(cid:165)CI | 17 Poleć książkęKup książkę które doprowadzi(cid:239)y do ogromnego skoku zdolno(cid:258)ci poznawczych. W kon- sekwencji istoty ludzkie zyska(cid:239)y zdolno(cid:258)(cid:202) my(cid:258)lenia abstrakcyjnego, prze- kazywania z(cid:239)o(cid:285)onych idei i akumulowania informacji kulturowej z po- kolenia na pokolenie w znacznie wi(cid:218)kszym stopniu ni(cid:285) jakikolwiek inny gatunek (cid:285)yj(cid:200)cy na naszej planecie. Te zdolno(cid:258)ci pozwoli(cid:239)y ludziom na rozwój coraz efektywniejszych tech- nologii produkcji, umo(cid:285)liwiaj(cid:200)c naszym przodkom migracje i rozprzestrze- nianie si(cid:218) na tereny odleg(cid:239)e od lasu deszczowego i sawanny. Po rewolucji neolitycznej, kiedy to dosz(cid:239)o do opracowania technik rolniczych, g(cid:218)sto(cid:258)(cid:202) zaludnienia wzrasta(cid:239)a wraz ze zwi(cid:218)kszaniem si(cid:218) ca(cid:239)kowitej liczby ludno(cid:258)ci Ziemi. Wi(cid:218)ksza liczba ludzi równa(cid:239)a si(cid:218) wi(cid:218)kszej liczbie idei, za(cid:258) wi(cid:218)k- sza g(cid:218)sto(cid:258)(cid:202) zaludnienia oznacza(cid:239)a, (cid:285)e idee te mog(cid:200) si(cid:218) rozprzestrzenia(cid:202) szybciej, a niektóre jednostki mog(cid:200) si(cid:218) po(cid:258)wi(cid:218)ci(cid:202) rozwojowi wyspecjali- zowanych umiej(cid:218)tno(cid:258)ci. Te zjawiska spowodowa(cid:239)y podniesienie stopy wzrostu produktywno(cid:258)ci gospodarczej i potencja(cid:239)u technicznego. Kolejne wydarzenia, zwi(cid:200)zane tym razem z rewolucj(cid:200) przemys(cid:239)ow(cid:200), wywo(cid:239)a(cid:239)y porównywalnie raptown(cid:200) zmian(cid:218) tempa tego wzrostu. Takie zmiany tempa wzrostu maj(cid:200) istotne konsekwencje. Kilkaset tysi(cid:218)cy lat temu, w czasach prehistorycznych, rozwój by(cid:239) tak powolny, (cid:285)e potrzeba by(cid:239)o rz(cid:218)du miliona lat, by wzrost ludzkich zdolno(cid:258)ci produkcyjnych pozwoli(cid:239) na utrzymanie si(cid:218) przy (cid:285)yciu dodatkowego miliona ludzi. Pi(cid:218)(cid:202) tysi(cid:218)cy lat przed nasz(cid:200) er(cid:200), po wybuchu rewolucji neolitycznej, stopa wzro- stu podnios(cid:239)a si(cid:218) do takiego poziomu, (cid:285)e analogiczna zmiana wymaga(cid:239)a ju(cid:285) zaledwie dwustu lat. Dzi(cid:258), po rewolucji przemys(cid:239)owej, (cid:258)wiatowa gospo- darka osi(cid:200)ga taki wzrost w zaledwie pó(cid:239)torej godziny1. Je(cid:258)li takie tempo wzrostu zostanie utrzymane przez stosunkowo d(cid:239)ugi okres, to nawet na obecnym poziomie przyniesie imponuj(cid:200)ce rezultaty. Je(cid:258)li (cid:258)wiatowa gospodarka b(cid:218)dzie wzrasta(cid:202) w tym samym tempie, w jakim ros(cid:239)a przez ostatnie pi(cid:218)(cid:202)dziesi(cid:200)t lat, to do 2050 roku (cid:258)wiat b(cid:218)dzie mniej wi(cid:218)cej 4,8 razy bogatszy ni(cid:285) dzi(cid:258), a do 2100 roku mniej wi(cid:218)cej 34 razy bogatszy ni(cid:285) dzi(cid:258)2. Jednak perspektywa sta(cid:239)ego, nieprzerwanego wzrostu wyk(cid:239)adniczego blednie w zestawieniu z tym, co mo(cid:285)e si(cid:218) zdarzy(cid:202), gdyby (cid:258)wiat mia(cid:239) do(cid:258)wiadczy(cid:202) kolejnej raptownej zmiany stopy wzrostu porównywanej pod wzgl(cid:218)dem skali ze zmianami, jakie poci(cid:200)gn(cid:218)(cid:239)y za sob(cid:200) rewolucja neoli- tyczna i rewolucja przemys(cid:239)owa. Ekonomista Robin Hanson szacuje — opieraj(cid:200)c si(cid:218) na historycznych danych ekonomicznych i demograficz- nych — czas podwojenia rozmiarów (cid:258)wiatowej gospodarki dla plejstoce(cid:241)- 18 | DOTYCHCZASOWE DOKONANIA I OBECNE MO(cid:191)LIWO(cid:165)CI Poleć książkęKup książkę skich spo(cid:239)eczno(cid:258)ci my(cid:258)liwsko-zbierackich na 224 tysi(cid:200)ce lat, dla spo(cid:239)eczno- (cid:258)ci rolniczych na 909 lat i dla spo(cid:239)ecze(cid:241)stw przemys(cid:239)owych na 6,3 roku3 (w modelu Hansona obecna epoka jest mieszanin(cid:200) rolniczych i przemys(cid:239)o- wych faz wzrostu — rozmiary gospodarki (cid:258)wiatowej jako ca(cid:239)o(cid:258)ci nie po- dwajaj(cid:200) si(cid:218) jeszcze co 6,3 roku). Gdyby mia(cid:239)o doj(cid:258)(cid:202) do kolejnego takiego przej(cid:258)cia do odmiennej fazy wzrostu i gdyby mia(cid:239)o by(cid:202) to przej(cid:258)cie porów- nywalne pod wzgl(cid:218)dem skali do dwóch poprzednich, dosz(cid:239)oby w efekcie do nowych warunków wzrostu, w których rozmiary gospodarki (cid:258)wiato- wej ulega(cid:239)yby podwojeniu mniej wi(cid:218)cej co dwa tygodnie. Taka stopa wzrostu ze wspó(cid:239)czesnej perspektywy mo(cid:285)e si(cid:218) wydawa(cid:202) i(cid:258)cie fantastyczna. Obserwatorzy we wcze(cid:258)niejszych epokach musieli uwa- (cid:285)a(cid:202) za równie absurdalne podejrzenia, (cid:285)e pewnego dnia rozmiary (cid:258)wiato- wej gospodarki b(cid:218)d(cid:200) si(cid:218) podwaja(cid:202) kilkakrotnie w czasie ludzkiego (cid:285)ycia. A mimo to te wyj(cid:200)tkowe warunki s(cid:200) dzi(cid:258) naszym chlebem powszednim. Koncepcja nadchodz(cid:200)cej technologicznej osobliwo(cid:258)ci zosta(cid:239)a przez ostatnie lata szeroko spopularyzowana, poczynaj(cid:200)c od wp(cid:239)ywowego eseju Vernora Vinge’a, którego nast(cid:218)pstwem by(cid:239)y publikacje Raya Kurzweila i innych4. Jednak(cid:285)e termin „osobliwo(cid:258)(cid:202)” u(cid:285)ywany by(cid:239) myl(cid:200)co w wielu ca(cid:239)kowicie odmiennych znaczeniach i dzi(cid:258) otacza go aura i(cid:258)cie piekielnych (cho(cid:202) niemal tysi(cid:200)cletnich) konotacji techniczno-utopijnych5. Poniewa(cid:285) wi(cid:218)kszo(cid:258)(cid:202) tych znacze(cid:241) i konotacji nie ma dla naszego wywodu (cid:285)adnego znaczenia, mo(cid:285)emy osi(cid:200)gn(cid:200)(cid:202) wi(cid:218)ksz(cid:200) klarowno(cid:258)(cid:202), pozbywaj(cid:200)c si(cid:218) terminu „osobliwo(cid:258)(cid:202)” na rzecz terminologii precyzyjniejszej. Zwi(cid:200)zana z osobliwo(cid:258)ci(cid:200) koncepcja, która nas tutaj interesuje, to mo(cid:285)- liwo(cid:258)(cid:202) eksplozji inteligencji, a zw(cid:239)aszcza perspektywa rozwoju superinteli- gentnych maszyn. By(cid:202) mo(cid:285)e s(cid:200) tacy, których wykresy wzrostu przypomi- naj(cid:200)ce te na rysunku 1. przekonuj(cid:200), (cid:285)e zanosi si(cid:218) na kolejn(cid:200) drastyczn(cid:200) zmian(cid:218) tempa wzrostu, porównywaln(cid:200) z rewolucj(cid:200) neolityczn(cid:200) lub prze- mys(cid:239)ow(cid:200). Ci ludzie mog(cid:200) pomy(cid:258)le(cid:202), (cid:285)e trudno jest opracowa(cid:202) scenariusz, w którym czas podwajania si(cid:218) rozmiarów (cid:258)wiatowej gospodarki skraca si(cid:218) do zaledwie dwóch tygodni, je(cid:258)li nie uwzgl(cid:218)dni si(cid:218) w nim stworzenia umys(cid:239)ów znacznie szybszych i dzia(cid:239)aj(cid:200)cych znacznie efektywniej ni(cid:285) znane nam mózgi biologiczne. Jednak(cid:285)e argumenty na rzecz powa(cid:285)nego rozwa- (cid:285)enia perspektyw rewolucji my(cid:258)l(cid:200)cych maszyn nie musz(cid:200) si(cid:218) opiera(cid:202) jedynie na (cid:202)wiczeniach z konstruowania odpowiedniego modelu regresji ani eks- trapolacji przesz(cid:239)ych trendów wzrostu gospodarczego. Jak si(cid:218) przekona- my, s(cid:200) powa(cid:285)niejsze przyczyny, by wzi(cid:200)(cid:202) to pod uwag(cid:218). FAZY WZROSTU W DZIEJACH LUDZKO(cid:165)CI | 19 Poleć książkęKup książkę Rysunek 1. D(cid:239)ugookresowa historia wzrostu (cid:258)wiatowego PKB. Ukazana na skali liniowej histo- ria (cid:258)wiatowej gospodarki wygl(cid:200)da jak p(cid:239)aska linia przytulona do osi x, która nagle szybuje niemal pionowo w gór(cid:218). (a) Nawet kiedy skupimy si(cid:218) na ostatnich 10 tysi(cid:200)cach lat, wykres zasadniczo pozostaje ten sam: linia trendu skr(cid:218)ca jednokrotnie pod k(cid:200)tem niemal 90 stopni ku górze. (b) Dopiero w ci(cid:200)gu ostatnich mniej wi(cid:218)cej stu lat krzywa unios(cid:239)a si(cid:218) dostrzegal- nie ponad poziom zerowy (ró(cid:285)ne linie na wykresie odpowiadaj(cid:200) ró(cid:285)nym zbiorom danych, które pozwalaj(cid:200) uzyska(cid:202) lekko ró(cid:285)ni(cid:200)ce si(cid:218) szacunki6) Wielkie oczekiwania Pojawienia si(cid:218) maszyn, które dorównaj(cid:200) ludziom pod wzgl(cid:218)dem inteligen- cji ogólnej — a wi(cid:218)c posi(cid:200)d(cid:200) zdrowy rozs(cid:200)dek i faktyczn(cid:200) zdolno(cid:258)(cid:202) do uczenia si(cid:218), wnioskowania i planowania, pozwalaj(cid:200)ce rozwi(cid:200)zywa(cid:202) z(cid:239)o(cid:285)one problemy, które wymagaj(cid:200) przetwarzania danych w szeregu obszarów zarówno abstrakcyjnych, jak i zwi(cid:200)zanych z zagadnieniami (cid:285)ycia codzien- nego — oczekiwano od chwili wynalezienia komputerów w latach 40. XX wieku. W tamtym czasie skonstruowania takich maszyn spodziewano 20 | DOTYCHCZASOWE DOKONANIA I OBECNE MO(cid:191)LIWO(cid:165)CI Poleć książkęKup książkę si(cid:218) w perspektywie kolejnych dwudziestu lat7. Od tamtego okresu ocze- kiwana data pojawienia si(cid:218) tego rodzaju maszyn by(cid:239)a przesuwana co roku o rok. A zatem dzi(cid:258) futury(cid:258)ci rozwa(cid:285)aj(cid:200)cy mo(cid:285)liwo(cid:258)(cid:202) pojawienia si(cid:218) sztucz- nej inteligencji nadal s(cid:200) cz(cid:218)sto zdania, (cid:285)e od inteligentnych maszyn dzieli nas kilka dekad8. Dwie dekady to ulubiony przedzia(cid:239) czasowy tych, którzy wieszcz(cid:200) rady- kaln(cid:200) zmian(cid:218) — do(cid:258)(cid:202) krótki, by zwróci(cid:202) uwag(cid:218) opinii publicznej i sk(cid:239)oni(cid:202) j(cid:200) do uznania tematu za wart przedyskutowania, a mimo to wystarcza- j(cid:200)co d(cid:239)ugi, by umo(cid:285)liwi(cid:202) przypuszczenie, (cid:285)e w mi(cid:218)dzyczasie dojdzie do szeregu prze(cid:239)omów, które dzi(cid:258) trudno sobie wyobrazi(cid:202), lecz które jednak mog(cid:200) nast(cid:200)pi(cid:202). Porównajmy to z krótszymi przedzia(cid:239)ami czasowymi: wi(cid:218)kszo(cid:258)(cid:202) technologii, które b(cid:218)d(cid:200) wywiera(cid:202) znacz(cid:200)cy wp(cid:239)yw na (cid:258)wiat za pi(cid:218)(cid:202) czy dziesi(cid:218)(cid:202) lat, ju(cid:285) w tej chwili jest w ograniczonym zakresie wyko- rzystywana, natomiast technologie, które przekszta(cid:239)c(cid:200) (cid:258)wiat za mniej ni(cid:285) pi(cid:218)tna(cid:258)cie lat, prawdopodobnie istniej(cid:200) ju(cid:285) w postaci prototypów rozwi- janych w laboratoriach. Dwadzie(cid:258)cia lat to cz(cid:218)sto równie(cid:285) okres, w którym prawdopodobnie zako(cid:241)czy si(cid:218) kariera prognosty, co ogranicza poten- cjalnie negatywny wp(cid:239)yw (cid:258)mia(cid:239)ych, lecz nietrafionych przewidywa(cid:241) na jego reputacj(cid:218). Jednak(cid:285)e z faktu, (cid:285)e pewne osoby przewidywa(cid:239)y w przesz(cid:239)o(cid:258)ci zbyt rych(cid:239)e pojawienie si(cid:218) sztucznej inteligencji, nie wynika jeszcze, (cid:285)e istnie- nie sztucznej inteligencji nie jest mo(cid:285)liwe czy te(cid:285) nigdy nie zostanie ona opracowana9. G(cid:239)ównym powodem, dla którego dotychczasowy post(cid:218)p by(cid:239) wolniejszy ni(cid:285) oczekiwano, jest to, (cid:285)e techniczne przeszkody stoj(cid:200)ce na drodze do skonstruowania inteligentnych maszyn okaza(cid:239)y si(cid:218) wi(cid:218)ksze, ni(cid:285) przewidywali to pionierzy. Otwarte pozostaje pytanie, jak du(cid:285)e s(cid:200) to przeszkody i ile nas jeszcze dzieli od ich przezwyci(cid:218)(cid:285)enia. Czasem pro- blem, który pocz(cid:200)tkowo wydaje si(cid:218) beznadziejnie skomplikowany, okazuje si(cid:218) mie(cid:202) zaskakuj(cid:200)co proste rozwi(cid:200)zanie (cho(cid:202) cz(cid:218)stsza jest prawdopo- dobnie sytuacja odwrotna). W nast(cid:218)pnym rozdziale przyjrzymy si(cid:218) rozmaitym scenariuszom, które mog(cid:200) doprowadzi(cid:202) do powstania maszyn dorównuj(cid:200)cych inteligencj(cid:200) cz(cid:239)owiekowi. Zaznaczmy jednak ju(cid:285) na wst(cid:218)pie, (cid:285)e niezale(cid:285)nie od tego, ile przystanków dzieli sytuacj(cid:218) obecn(cid:200) od powstania sztucznej inteligen- cji dorównuj(cid:200)cej ludzkiej, jej powstanie nie jest punktem docelowym. Nast(cid:218)pnym przystankiem, le(cid:285)(cid:200)cym w niedalekiej odleg(cid:239)o(cid:258)ci od poprzed- niego, jest sztuczna inteligencja przewy(cid:285)szaj(cid:200)ca ludzk(cid:200). Poci(cid:200)g niekoniecz- nie si(cid:218) zatrzyma czy cho(cid:202)by zwolni na stacji Ludzieszyn. Bardziej praw- dopodobne jest to, (cid:285)e przemknie przez ni(cid:200) ze (cid:258)wistem. WIELKIE OCZEKIWANIA | 21 Poleć książkęKup książkę Matematyk Irvin John Good, który pracowa(cid:239) jako g(cid:239)ówny statystyk w zespole kryptologów Alana Turinga podczas II wojny (cid:258)wiatowej, praw- dopodobnie jako pierwszy wy(cid:239)o(cid:285)y(cid:239) kluczowe aspekty tego scenariusza. W cz(cid:218)sto przywo(cid:239)ywanym fragmencie z 1965 roku napisa(cid:239): Zdefiniujmy maszyn(cid:218) ultrainteligentn(cid:200) jako maszyn(cid:218), która dalece przewy(cid:285)sza na polu wszelkich aktywno(cid:258)ci intelektualnych dowolnego, cho(cid:202)by najinteligentniej- szego cz(cid:239)owieka. Poniewa(cid:285) projektowanie maszyn jest jedn(cid:200) z tych aktywno(cid:258)ci intelektualnych, maszyna ultrainteligentna potrafi projektowa(cid:202) jeszcze lepsze ma- szyny; dojdzie zatem bez w(cid:200)tpienia do „eksplozji inteligencji”, w wyniku której inteligencja cz(cid:239)owieka pozostanie daleko w tyle. A zatem pierwsza maszyna ultra- inteligentna b(cid:218)dzie ostatnim wynalazkiem, którego cz(cid:239)owiek kiedykolwiek dokona — zak(cid:239)adaj(cid:200)c, (cid:285)e maszyna ta oka(cid:285)e si(cid:218) wystarczaj(cid:200)co potulna, by powiedzie(cid:202) nam, jak j(cid:200) utrzyma(cid:202) pod kontrol(cid:200)10. Mo(cid:285)e si(cid:218) teraz wydawa(cid:202) oczywiste, (cid:285)e z tak(cid:200) eksplozj(cid:200) inteligencji wi(cid:200)(cid:285)e si(cid:218) powa(cid:285)ne zagro(cid:285)enie egzystencjalne i (cid:285)e z tego wzgl(cid:218)du t(cid:218) perspektyw(cid:218) nale(cid:285)a(cid:239)oby rozwa(cid:285)y(cid:202) z najwi(cid:218)ksz(cid:200) powag(cid:200), nawet gdyby(cid:258)my mieli pewno(cid:258)(cid:202) (a jej nie mamy), (cid:285)e prawdopodobie(cid:241)stwo jej zaistnienia jest naprawd(cid:218) niewysokie. Jednak(cid:285)e pionierzy sztucznej inteligencji — pomimo swojego przekonania o nieuchronno(cid:258)ci sztucznej inteligencji dorównuj(cid:200)cej ludz- kiej — raczej nie rozwa(cid:285)ali prawdopodobie(cid:241)stwa zaistnienia sztucznej inteligencji przewy(cid:285)szaj(cid:200)cej ludzk(cid:200). Tak jakby ich zdolno(cid:258)(cid:202) snucia domy- s(cid:239)ów ca(cid:239)kowicie si(cid:218) wyczerpa(cid:239)a po zrodzeniu radykalnej koncepcji maszyn dorównuj(cid:200)cych cz(cid:239)owiekowi inteligencj(cid:200), uniemo(cid:285)liwiaj(cid:200)c im dostrze(cid:285)enie jej naturalnej konsekwencji: koncepcji maszyn, które z czasem pod wzgl(cid:218)- dem inteligencji przewy(cid:285)sz(cid:200) ludzi. Wi(cid:218)kszo(cid:258)(cid:202) pionierów sztucznej inteligencji (SI) nie przyjmuje do wiado- mo(cid:258)ci, (cid:285)e podj(cid:218)te przez nich przedsi(cid:218)wzi(cid:218)cie mo(cid:285)e si(cid:218) wi(cid:200)za(cid:202) z ryzykiem11. Nie staraj(cid:200) si(cid:218) nawet pozorowa(cid:202) zainteresowania — nie wspominaj(cid:200)c ju(cid:285) o powa(cid:285)nym namy(cid:258)le — jakimikolwiek obawami o bezpiecze(cid:241)stwo czy w(cid:200)tpliwo(cid:258)ciami etycznymi zwi(cid:200)zanymi ze stworzeniem sztucznych umys(cid:239)ów lub potencjalnych komputerowych w(cid:239)adców; ta luka zdumiewa nawet na tle niezbyt imponuj(cid:200)cych standardów tej epoki dotycz(cid:200)cych krytycznej oceny potencja(cid:239)u techniki12. Musimy mie(cid:202) nadziej(cid:218), (cid:285)e do momentu, w którym to przedsi(cid:218)wzi(cid:218)cie rzeczywi(cid:258)cie przyniesie owoce, posi(cid:200)dziemy nie tylko techniczn(cid:200) bieg(cid:239)o(cid:258)(cid:202) umo(cid:285)liwiaj(cid:200)c(cid:200) nam zapocz(cid:200)t- kowanie eksplozji inteligencji, ale i wy(cid:285)szy poziom zdolno(cid:258)ci jej kon- trolowania, co mo(cid:285)e okaza(cid:202) si(cid:218) niezb(cid:218)dne, by(cid:258)my uszli z tej detonacji z (cid:285)yciem. 22 | DOTYCHCZASOWE DOKONANIA I OBECNE MO(cid:191)LIWO(cid:165)CI Poleć książkęKup książkę Zanim jednak zajmiemy si(cid:218) tym, co przed nami, przyda si(cid:218) szybki rzut oka na histori(cid:218) inteligentnych maszyn a(cid:285) do czasów wspó(cid:239)czesnych. Okresy nadziei i rozczarowa(cid:241) Latem 1956 roku w Dartmouth College dziesi(cid:218)ciu naukowców zaintere- sowanych zagadnieniami sieci neuronowych, teori(cid:200) automatów i badaniami nad inteligencj(cid:200) zjecha(cid:239)o si(cid:218) na sze(cid:258)ciotygodniowe warsztaty. Dartmouth Summer Research Project on Artificial Intelligence uznawany jest cz(cid:218)sto za wydarzenie, które zapocz(cid:200)tkowa(cid:239)o prace nad sztuczn(cid:200) inteligencj(cid:200) jako dziedzin(cid:218) bada(cid:241) naukowych. Wielu uczestników wspomnianych warsz- tatów zosta(cid:239)o pó(cid:283)niej uznanych za ojców tej dziedziny. Optymistyczne pogl(cid:200)dy dominuj(cid:200)ce w(cid:258)ród uczestników warsztatów odzwierciedla wniosek przedstawiony Fundacji Rockefellera, która sfinansowa(cid:239)a to wydarzenie: Proponujemy przeprowadzenie dwumiesi(cid:218)cznego warsztatu badawczego dla dzie- si(cid:218)ciu badaczy zagadnie(cid:241) sztucznej inteligencji (...). Warsztat zostanie przepro- wadzony przy za(cid:239)o(cid:285)eniu, (cid:285)e ka(cid:285)dy aspekt uczenia si(cid:218) lub dowolnej innej cechy inteligencji mo(cid:285)e zosta(cid:202) z zasady opisany tak precyzyjnie, (cid:285)e mo(cid:285)liwe b(cid:218)dzie zbudowanie maszyny do jego zasymulowania. Zostanie podj(cid:218)ta próba zrozumie- nia, jak zbudowa(cid:202) maszyny pos(cid:239)uguj(cid:200)ce si(cid:218) j(cid:218)zykiem naturalnym, formu(cid:239)uj(cid:200)ce idee i koncepcje abstrakcyjne, rozwi(cid:200)zuj(cid:200)ce problemy z gatunku tych zarezer- wowanych dzi(cid:258) dla ludzi i doskonal(cid:200)ce same siebie. S(cid:200)dzimy, (cid:285)e mo(cid:285)na dokona(cid:202) znacz(cid:200)cych post(cid:218)pów w jednej lub kilku z tych dziedzin, je(cid:258)li starannie wybrana grupa naukowców podejmie nad nimi wspóln(cid:200) prac(cid:218) podczas lata. W ci(cid:200)gu sze(cid:258)ciu dekad, które up(cid:239)yn(cid:218)(cid:239)y od tego (cid:258)mia(cid:239)ego pocz(cid:200)tku, badania nad sztuczn(cid:200) inteligencj(cid:200) przechodzi(cid:239)y naprzemiennie okresy wzmo(cid:285)o- nego zainteresowania i rozdmuchanych oczekiwa(cid:241) oraz niepowodze(cid:241) i rozczarowa(cid:241). Pierwszy okres ekscytacji, zapocz(cid:200)tkowany spotkaniem w Dartmouth, zosta(cid:239) pó(cid:283)niej opisany przez Johna McCarthy’ego (g(cid:239)ównego organizatora tego wydarzenia) jako era „Mamo, popatrz, wcale si(cid:218) nie trzymam!”. W tym pocz(cid:200)tkowym okresie badacze budowali systemy zaprojektowane z my(cid:258)l(cid:200) o obaleniu twierdze(cid:241) w rodzaju „(cid:191)adna maszyna nigdy nie zdo(cid:239)a zrobi(cid:202) X!”. W tamtych czasach tego rodzaju sceptyczne twierdzenia by(cid:239)y na porz(cid:200)dku dziennym. Aby si(cid:218) im przeciwstawi(cid:202), badacze SI tworzyli ma(cid:239)e systemy, którym udawa(cid:239)o si(cid:218) zrobi(cid:202) X w „mikro(cid:258)wiecie” (w dobrze zdefiniowanej, ograniczonej dziedzinie umo(cid:285)liwiaj(cid:200)cej zademonstrowanie zredukowanej wersji danego dzia(cid:239)ania), dowodz(cid:200)c w ten sposób s(cid:239)uszno(cid:258)ci OKRESY NADZIEI I ROZCZAROWA(cid:148) | 23 Poleć książkęKup książkę danej koncepcji i pokazuj(cid:200)c, (cid:285)e zasadniczo dzia(cid:239)anie X mo(cid:285)e zosta(cid:202) wyko- nane przez maszyn(cid:218). Jeden z tego rodzaju wczesnych systemów, program komputerowy Logic Theorist, by(cid:239) w stanie dowie(cid:258)(cid:202) wi(cid:218)kszo(cid:258)ci twierdze(cid:241) zamieszczonych w drugim rozdziale ksi(cid:200)(cid:285)ki Principia Mathematica autor- stwa Alfreda Northa Whiteheada i Bertranda Russella, a nawet zapro- ponowa(cid:202) jeden dowód, który by(cid:239) znacznie bardziej elegancki ni(cid:285) oryginalny, i tym samym obali(cid:239) przekonanie, (cid:285)e maszyny mog(cid:200) „my(cid:258)le(cid:202) jedynie nume- rycznie”, oraz zademonstrowa(cid:239), (cid:285)e maszyny s(cid:200) równie(cid:285) zdolne przepro- wadzi(cid:202) rozumowanie dedukcyjne i wymy(cid:258)la(cid:202) dowody logiczne13. Program b(cid:218)d(cid:200)cy jego nast(cid:218)pc(cid:200), General Problem Solver, potrafi(cid:239) z zasady rozwi(cid:200)- zywa(cid:202) szeroki zakres formalnie opisanych problemów14. Napisano rów- nie(cid:285) programy, które rozwik(cid:239)ywa(cid:239)y problemy rachunkowe na poziomie zaj(cid:218)(cid:202) pierwszego roku college’u, dostrzega(cid:239)y wizualne analogie w zada- niach podobnych do tych, które zamieszcza si(cid:218) w niektórych testach na inteligencj(cid:218), oraz znajdowa(cid:239)y rozstrzygni(cid:218)cia prostych problemów alge- bry opisowej15. Robot Shakey (nazwany tak ze wzgl(cid:218)du na swoj(cid:200) sk(cid:239)on- no(cid:258)(cid:202) do dr(cid:285)enia podczas wykonywania operacji) zaprezentowa(cid:239), w jaki sposób rozumowanie logiczne mo(cid:285)e zosta(cid:202) zintegrowane z postrzeganiem i wykorzystane do zaplanowania fizycznego dzia(cid:239)ania i sterowania nim16. Program ELIZA pokaza(cid:239), (cid:285)e komputer mo(cid:285)e sta(cid:202) si(cid:218) uosobieniem psycho- terapeuty rogeria(cid:241)skiego17. W po(cid:239)owie lat 70. program SHRDLU zade- monstrowa(cid:239), w jaki sposób zasymulowane robotyczne rami(cid:218) w zasymu- lowanym (cid:258)wiecie geometrycznych klocków mo(cid:285)e wype(cid:239)nia(cid:202) polecenia i odpowiada(cid:202) na pytania zadane po angielsku przez u(cid:285)ytkownika korzy- staj(cid:200)cego z klawiatury18. W pó(cid:283)niejszych dekadach mia(cid:239)y powsta(cid:202) systemy, które dowiod(cid:239)y, (cid:285)e maszyny potrafi(cid:200) tworzy(cid:202) muzyk(cid:218) w stylu rozmaitych kompozytorów klasycznych, przewy(cid:285)szy(cid:202) mniej do(cid:258)wiadczonych lekarzy w wykonywaniu pewnych zada(cid:241) z zakresu diagnostyki klinicznej, autono- micznie prowadzi(cid:202) samochody i dokonywa(cid:202) wynalazków nadaj(cid:200)cych si(cid:218) do obj(cid:218)cia ochron(cid:200) patentow(cid:200)19. Stworzono nawet taki system SI, który umia(cid:239) wymy(cid:258)la(cid:202) oryginalne dowcipy20. (Nie to, (cid:285)eby cechowa(cid:239) si(cid:218) jakim(cid:258) szczególnie wyrafinowanym poczuciem humoru, lecz pono(cid:202) dzieci zgodnie twierdzi(cid:239)y, (cid:285)e jego (cid:285)arty s(cid:200) (cid:258)mieszne). Trudne jednak okaza(cid:239)o si(cid:218) rozci(cid:200)gni(cid:218)cie metod, które pozwoli(cid:239)y osi(cid:200)- gn(cid:200)(cid:202) sukcesy wczesnym wersjom demonstracyjnym, na szerszy zakres pro- blemów lub na problemy trudniejsze. Jednym z powodów tej sytuacji jest „eksplozja kombinatoryczna” mo(cid:285)liwo(cid:258)ci, które musz(cid:200) zosta(cid:202) zbadane przez metody opieraj(cid:200)ce si(cid:218) na mechanizmach wyszukiwania wyczerpu- j(cid:200)cego. Takie metody dobrze si(cid:218) sprawdzaj(cid:200) w odniesieniu do prostych problemów, lecz zawodz(cid:200), gdy sprawy zaczynaj(cid:200) si(cid:218) komplikowa(cid:202). Dla 24 | DOTYCHCZASOWE DOKONANIA I OBECNE MO(cid:191)LIWO(cid:165)CI Poleć książkęKup książkę przyk(cid:239)adu, aby dowie(cid:258)(cid:202) twierdzenia, którego dowód zawiera si(cid:218) w pi(cid:218)ciu liniach w systemie dedukcyjnym z jedn(cid:200) regu(cid:239)(cid:200) wnioskowania i pi(cid:218)cioma aksjomatami, wystarczy po prostu wyliczy(cid:202) 3125 mo(cid:285)liwych kombinacji i sprawdzi(cid:202) ka(cid:285)d(cid:200) z nich, by stwierdzi(cid:202), która daje oczekiwany wynik. Wyszukiwanie wyczerpuj(cid:200)ce sprawdza si(cid:218) równie(cid:285) w przypadku dowodów zamykaj(cid:200)cych si(cid:218) w sze(cid:258)ciu czy siedmiu liniach. Kiedy jednak zadanie staje si(cid:218) bardziej skomplikowane, metody wyszukiwania wyczerpuj(cid:200)cego napotykaj(cid:200) na problemy. Dowiedzenie twierdzenia, którego dowód mie(cid:258)ci si(cid:218) w pi(cid:218)(cid:202)dziesi(cid:218)ciu liniach, nie trwa dziesi(cid:218)ciokrotnie d(cid:239)u(cid:285)ej ni(cid:285) dowie- dzenie twierdzenia, którego dowód mie(cid:258)ci si(cid:218) w pi(cid:218)ciu liniach. Je(cid:258)li korzy- sta si(cid:218) z wyszukiwania wyczerpuj(cid:200)cego, wymaga to przeanalizowania 550 (cid:167) 8,9 × 1034 mo(cid:285)liwych sekwencji — czego nie da si(cid:218) obliczy(cid:202) nawet za pomoc(cid:200) najszybszych superkomputerów. Do przezwyci(cid:218)(cid:285)enia eksplozji kombinatorycznej potrzebne s(cid:200) algorytmy wykorzystuj(cid:200)ce struktury z dziedziny docelowej i zdobyt(cid:200) wcze(cid:258)niej wie- dz(cid:218) poprzez zastosowanie przeszukiwania heurystycznego, planowania i elastycznych reprezentacji abstrakcyjnych — tego rodzaju mechanizmy we wczesnych systemach SI by(cid:239)y rozwini(cid:218)te w stopniu znikomym. Poten- cja(cid:239) tych wczesnych systemów podkopywa(cid:239)y równie(cid:285) marne metody radze- nia sobie z niepewno(cid:258)ci(cid:200), poleganie na kruchych i nieugruntowanych repre- zentacjach symbolicznych, niedostatek danych oraz powa(cid:285)ne ograniczenia sprz(cid:218)towe w zakresie pojemno(cid:258)ci pami(cid:218)ci i szybko(cid:258)ci przetwarzania danych. W po(cid:239)owie lat 70. (cid:258)wiadomo(cid:258)(cid:202) tych problemów stawa(cid:239)a si(cid:218) coraz wi(cid:218)ksza. Zrozumienie, (cid:285)e wielu projektom SI nigdy nie uda si(cid:218) spe(cid:239)ni(cid:202) pok(cid:239)ada- nych w nich oczekiwa(cid:241), doprowadzi(cid:239)o do nadej(cid:258)cia pierwszej „zimy SI”: okresu redukcji wydatków, podczas którego ograniczeniu finansowania tego rodzaju projektów towarzyszy(cid:239) rosn(cid:200)cy sceptycyzm. Sztuczna inteli- gencja wysz(cid:239)a z mody. Nowa wiosna rozpocz(cid:218)(cid:239)a si(cid:218) z pocz(cid:200)tkiem lat 80., kiedy to Japo(cid:241)- czycy uruchomili swój projekt systemów komputerowych pi(cid:200)tej generacji, hojnie sfinansowane partnerstwo prywatno-publiczne, którego celem by(cid:239)o dokonanie ogromnego skoku technicznego poprzez rozwój pot(cid:218)(cid:285)nych sys- temów bazuj(cid:200)cych na architekturze przetwarzania równoleg(cid:239)ego, które mia(cid:239)y si(cid:218) sta(cid:202) platform(cid:200) systemów sztucznej inteligencji. Dosz(cid:239)o do tego w szczycie fascynacji japo(cid:241)skim „powojennym cudem gospodarczym” — okresem, w którym to pa(cid:241)stwa zachodnie i liderzy biznesu starali si(cid:218) odgadn(cid:200)(cid:202) przepis Japo(cid:241)czyków na sukces gospodarczy, maj(cid:200)c nadziej(cid:218) na powtórzenie tej magicznej sztuczki na w(cid:239)asnym podwórku. Kiedy Japo- nia postanowi(cid:239)a zainwestowa(cid:202) znaczne kwoty w rozwój sztucznej inteli- gencji, kilka innych krajów posz(cid:239)o w jej (cid:258)lady. OKRESY NADZIEI I ROZCZAROWA(cid:148) | 25 Poleć książkęKup książkę W kolejnych latach dosz(cid:239)o do upowszechnienia na szerok(cid:200) skal(cid:218) sys- temów eksperckich. Zaprojektowane jako narz(cid:218)dzia wspieraj(cid:200)ce decyden- tów, systemy eksperckie by(cid:239)y programami opartymi na regu(cid:239)ach, które wyci(cid:200)ga(cid:239)y proste wnioski z bazy wiedzy zawieraj(cid:200)cej fakty uzyskane od specjalistów w danej dziedzinie i z mozo(cid:239)em wklepane r(cid:218)cznie do systemu w j(cid:218)zyku formalnym. Zbudowano setki tego rodzaju systemów eksperc- kich, ale mniejsze systemy okaza(cid:239)y si(cid:218) ma(cid:239)o przydatne, a wi(cid:218)ksze bardzo kosztowne, gdy sz(cid:239)o o ich rozwój, weryfikacj(cid:218) i aktualizacj(cid:218), przy czym z zasady by(cid:239)y bardzo niepor(cid:218)czne i k(cid:239)opotliwe w u(cid:285)yciu. Kupowanie samo- dzielnego komputera tylko po to, by uruchomi(cid:202) na nim jeden program, by(cid:239)o niepraktyczne. Pod koniec lat 80. równie(cid:285) ten okres wzrostu dobieg(cid:239) ko(cid:241)ca. Projektowi pi(cid:200)tej generacji nie uda(cid:239)o si(cid:218) osi(cid:200)gn(cid:200)(cid:202) zak(cid:239)adanych celów, podobnie jak analogicznym do niego projektom uruchomionym w Sta- nach Zjednoczonych i Europie. Nadesz(cid:239)a druga zima SI. W tamtym mo- mencie krytycy mogli s(cid:239)usznie ubolewa(cid:202) nad „histori(cid:200) dotychczasowych bada(cid:241) nad sztuczn(cid:200) inteligencj(cid:200), które nieodmiennie mog(cid:239)y si(cid:218) pochwali(cid:202) jedynie bardzo ograniczonymi sukcesami w (cid:258)ci(cid:258)le okre(cid:258)lonych dziedzinach, a po tych sukcesach nast(cid:218)powa(cid:239)o natychmiastowe fiasko projektów zmie- rzaj(cid:200)cych do osi(cid:200)gni(cid:218)cia szerzej zakre(cid:258)lonych celów, na których realizacj(cid:218) te pocz(cid:200)tkowe sukcesy wydawa(cid:239)y si(cid:218) dawa(cid:202) nadziej(cid:218)”21. Prywatni inwe- storzy zacz(cid:218)li unika(cid:202) jakichkolwiek przedsi(cid:218)wzi(cid:218)(cid:202) realizowanych pod has(cid:239)em „sztucznej inteligencji”. Nawet w(cid:258)ród naukowców i ich fundatorów „SI” sta(cid:239)o si(cid:218) niepo(cid:285)(cid:200)danym epitetem22. Prace techniczne posuwa(cid:239)y si(cid:218) jednak w szybkim tempie naprzód i w la- tach 90. znów rozpocz(cid:218)(cid:239)a si(cid:218) odwil(cid:285). Ziarno optymizmu zosta(cid:239)o zasiane dzi(cid:218)ki wprowadzeniu nowych technik, które wydawa(cid:239)y si(cid:218) alternatyw(cid:200) do tradycyjnego paradygmatu logicznego (okre(cid:258)lanego czasem mianem „starej dobrej sztucznej inteligencji”, Good Old Fashioned Artificial Intel- ligence, w skrócie GOFAI) — ten koncentrowa(cid:239) si(cid:218) na wysokopoziomo- wej manipulacji symbolicznej, a jego kulminacj(cid:200) by(cid:239)y systemy eksperckie lat 80. Ciesz(cid:200)ce si(cid:218) (cid:258)wie(cid:285)o zdobyt(cid:200) popularno(cid:258)ci(cid:200) techniki sieci neurono- wych i algorytmów genetycznych obiecywa(cid:239)y przezwyci(cid:218)(cid:285)enie niektórych problemów podej(cid:258)cia GOFAI, zw(cid:239)aszcza „krucho(cid:258)ci” cechuj(cid:200)cej tradycyjne programy SI (wyrzucaj(cid:200)ce zazwyczaj kompletne bzdury, gdy programi(cid:258)ci poczynili cho(cid:202)by jedno nie do ko(cid:241)ca prawid(cid:239)owe za(cid:239)o(cid:285)enie). Nowe tech- niki chlubi(cid:239)y si(cid:218) dzia(cid:239)aniem bardziej organicznym. Dla przyk(cid:239)adu: sieci neuronowe wykazywa(cid:239)y w(cid:239)asno(cid:258)(cid:202) „p(cid:239)ynnego obni(cid:285)ania efektywno(cid:258)ci”: nie- wielkie uszkodzenie sieci neuronowej owocowa(cid:239)o zazwyczaj niewielkim spadkiem jej wydajno(cid:258)ci, a nie ca(cid:239)kowitym krachem systemu. Co jeszcze 26 | DOTYCHCZASOWE DOKONANIA I OBECNE MO(cid:191)LIWO(cid:165)CI Poleć książkęKup książkę istotniejsze, sieci neuronowe potrafi(cid:239)y si(cid:218) uczy(cid:202) na podstawie w(cid:239)asnych do(cid:258)wiadcze(cid:241), znajduj(cid:200)c naturalne sposoby generalizowania na bazie przy- k(cid:239)adów i wyszukiwania ukrytych wzorców statystycznych w danych wej- (cid:258)ciowych23. Dzi(cid:218)ki tej cesze sieci trafnie rozpoznawa(cid:239)y trendy i sprawnie klasyfikowa(cid:239)y problemy. Dla przyk(cid:239)adu: szkol(cid:200)c sie(cid:202) neuronow(cid:200) na pod- stawie zestawów danych b(cid:218)d(cid:200)cych pomiarami sonarów, mo(cid:285)na by(cid:239)o na- uczy(cid:202) j(cid:200) rozpoznawania profili akustycznych (cid:239)odzi podwodnych, min i fauny morskiej z trafno(cid:258)ci(cid:200) nieosi(cid:200)galn(cid:200) dla ludzkich specjalistów — i mo(cid:285)na by(cid:239)o tego dokona(cid:202) bez konieczno(cid:258)ci okre(cid:258)lania przez kogokolwiek z góry dok(cid:239)adnych definicji kategorii czy te(cid:285) konkretnych wag przypisywanych rozmaitym cechom. O ile proste modele sieci neuronowych by(cid:239)y znane ju(cid:285) w pó(cid:283)nych latach 50., o tyle dziedzina ta prze(cid:285)y(cid:239)a renesans po wprowadzeniu algo- rytmu wstecznej propagacji b(cid:239)(cid:218)du, który umo(cid:285)liwi(cid:239) szkolenie wielowar- stwowych sieci neuronowych24. Takie wielowarstwowe sieci, które maj(cid:200) jedn(cid:200) lub wi(cid:218)cej po(cid:258)rednich („ukrytych”) warstw neuronów pomi(cid:218)dzy warstwami wej(cid:258)ciow(cid:200) i wyj(cid:258)ciow(cid:200), potrafi(cid:200) opanowa(cid:202) dzia(cid:239)ania ze znacznie szerszego zakresu ni(cid:285) ich prostsze poprzedniczki25. W po(cid:239)(cid:200)czeniu z coraz wydajniejszymi komputerami, które stawa(cid:239)y si(cid:218) coraz (cid:239)atwiej dost(cid:218)pne, te udoskonalenia algorytmiczne umo(cid:285)liwi(cid:239)y in(cid:285)ynierom zbudowanie sieci neuronowych wystarczaj(cid:200)co dobrych, by mog(cid:239)y znale(cid:283)(cid:202) wiele praktycz- nych zastosowa(cid:241). Przypominaj(cid:200)ce pod wzgl(cid:218)dem w(cid:239)asno(cid:258)ci ludzki mózg sieci neuronowe wypada(cid:239)y korzystnie w zestawieniu ze sztywnymi, bezwzgl(cid:218)dnie logicz- nymi, lecz przy tym kruchymi tradycyjnymi systemami GOFAI opartymi na regu(cid:239)ach — do(cid:258)(cid:202) korzystnie, by przyczyni(cid:239)y si(cid:218) do powstania nowego -izmu: koneksjonizmu, który podkre(cid:258)la(cid:239) istotno(cid:258)(cid:202) przetwarzania masowo równoleg(cid:239)ego. Od tego czasu opublikowano ponad 150 tysi(cid:218)cy artyku- (cid:239)ów naukowych na temat sztucznych sieci neuronowych b(cid:218)d(cid:200)cych nadal istotnym podej(cid:258)ciem do kwestii uczenia si(cid:218) maszyn. Metody oparte na ewolucji, takie jak algorytmy genetyczne i progra- mowanie genetyczne, stanowi(cid:200) kolejne podej(cid:258)cie, którego pojawienie si(cid:218) przyczyni(cid:239)o si(cid:218) do zako(cid:241)czenia drugiej zimy AI. Wywar(cid:239)o by(cid:202) mo(cid:285)e mniej- szy wp(cid:239)yw na badania naukowe ni(cid:285) sieci neuronowe, lecz zosta(cid:239)o szeroko spopularyzowane. W modelach ewolucyjnych utrzymywana jest populacja rozwi(cid:200)za(cid:241) „kandyduj(cid:200)cych” (którymi mog(cid:200) by(cid:202) struktury danych lub pro- gramy), a nowe rozwi(cid:200)zania tworzone s(cid:200) losowo poprzez mutacje lub rekombinacj(cid:218) wariantów w istniej(cid:200)cej populacji. Od czasu do czasu popu- lacja jest redukowana poprzez zastosowanie kryterium selekcji (funkcja dostosowania darwinowskiego), które pozwala tylko lepszym kandydatom OKRESY NADZIEI I ROZCZAROWA(cid:148) | 27 Poleć książkęKup książkę przetrwa(cid:202) do nast(cid:218)pnego pokolenia. Po przeprowadzeniu tysi(cid:218)cy iteracji w kolejnych pokoleniach (cid:258)rednia jako(cid:258)(cid:202) rozwi(cid:200)za(cid:241) w puli kandydatów stopniowo wzrasta. Tego rodzaju algorytm, je(cid:258)li zadzia(cid:239)a, pozwala na uzy- skanie wydajnych rozwi(cid:200)za(cid:241) bardzo szerokiego zakresu problemów — rozwi(cid:200)za(cid:241), które mog(cid:200) by(cid:202) uderzaj(cid:200)co nowatorskie i sprzeczne z intuicj(cid:200), a które cz(cid:218)sto bardziej przypominaj(cid:200) naturalne struktury ni(cid:285) cokolwiek, co mog(cid:239)oby zosta(cid:202) zaprojektowane przez in(cid:285)yniera. Z zasady mo(cid:285)na to osi(cid:200)gn(cid:200)(cid:202) bez znacz(cid:200)cej interwencji po stronie cz(cid:239)owieka, je(cid:258)li pomin(cid:200)(cid:202) pocz(cid:200)tkowe okre(cid:258)lenie funkcji dopasowania, która jest cz(cid:218)sto bardzo prosta. W praktyce jednak doprowadzenie do tego, by metody ewolucyjne przynosi(cid:239)y oczekiwane rezultaty, wymaga umiej(cid:218)tno(cid:258)ci i pomys(cid:239)owo(cid:258)ci, zw(cid:239)aszcza gdy chodzi o opracowanie w(cid:239)a(cid:258)ciwego formatu reprezentacji danych. Bez skutecznej metody zakodowania rozwi(cid:200)za(cid:241) kandyduj(cid:200)cych (j(cid:218)zyka genetycznego, który odpowiada ukrytej strukturze dziedziny doce- lowej), wyszukiwanie ewolucyjne ma sk(cid:239)onno(cid:258)(cid:202) do meandrowania w nie- sko(cid:241)czono(cid:258)(cid:202) w rozleg(cid:239)ej przestrzeni poszukiwa(cid:241) lub utykania w lokalnym optimum. Nawet gdy zostanie znaleziony dobry format reprezentacji, ewolucja wymaga du(cid:285)ej mocy obliczeniowej i cz(cid:218)sto pada ofiar(cid:200) eksplozji kombinatorycznej. Sieci neuronowe i algorytmy genetyczne s(cid:200) przyk(cid:239)adami metod, które wywo(cid:239)ywa(cid:239)y podniecenie w latach 90., gdy(cid:285) wydawa(cid:239)o si(cid:218), (cid:285)e stanowi(cid:200) alternatyw(cid:218) do trwaj(cid:200)cego w zastoju paradygmatu GOFAI. Moj(cid:200) intencj(cid:200) w tym miejscu nie jest jednak wy(cid:258)piewywanie peanów na cze(cid:258)(cid:202) tych dwóch metod ani wynoszenie ich ponad wiele innych technik uczenia si(cid:218) maszyn. Tak naprawd(cid:218) jednym z g(cid:239)ównych teoretycznych osi(cid:200)gni(cid:218)(cid:202) ostatnich dwudziestu lat by(cid:239)o dobitniejsze uzmys(cid:239)owienie nam, jak pozornie odmienne techniki mog(cid:200) zosta(cid:202) uj(cid:218)te jako odmienne przypadki w ramach wspól- nego modelu matematycznego. Dla przyk(cid:239)adu: wiele typów sztucznych sieci neuronowych mo(cid:285)na uzna(cid:202) za klasyfikatory, które wykonuj(cid:200) pewien szczególny rodzaj oblicze(cid:241) statystycznych (estymacja metod(cid:200) najwi(cid:218)kszej wiarygodno(cid:258)ci)26. Ta perspektywa pozwala porówna(cid:202) sieci neuronowe z szersz(cid:200) klas(cid:200) algorytmów klasyfikatorów uczenia si(cid:218) na przyk(cid:239)adach, mi(cid:218)dzy innymi z: drzewami decyzyjnymi, modelami regresji logistycz- nej, metod(cid:200) wektorów no(cid:258)nych, naiwnym klasyfikatorem bayesowskim i metod(cid:200) k-najbli(cid:285)szych s(cid:200)siadów27. W analogiczny sposób algorytmy gene- tyczne mo(cid:285)na uzna(cid:202) za posta(cid:202) sterowania stochastycznego, co znów jest podzbiorem szerszej klasy algorytmów optymalizacyjnych. Ka(cid:285)dy z tych algorytmów pozwalaj(cid:200)cych budowa(cid:202) klasyfikatory lub przeszukiwa(cid:202) prze- strze(cid:241) rozwi(cid:200)za(cid:241) ma w(cid:239)asne charakterystyczne s(cid:239)abe i mocne strony, które mo(cid:285)na bada(cid:202) matematycznie. Algorytmy ró(cid:285)ni(cid:200) si(cid:218), gdy idzie o wymagan(cid:200) 28 | DOTYCHCZASOWE DOKONANIA I OBECNE MO(cid:191)LIWO(cid:165)CI Poleć książkęKup książkę pami(cid:218)(cid:202) i moc obliczeniow(cid:200), przyjmowane z góry ukierunkowanie induk- cyjne, (cid:239)atwo(cid:258)(cid:202) w(cid:239)(cid:200)czenia tre(cid:258)ci z zewn(cid:200)trz oraz przejrzysto(cid:258)ci mechani- zmów ich dzia(cid:239)ania dla analizuj(cid:200)cego je cz(cid:239)owieka. M(cid:218)tna otoczka uczenia maszynowego i twórczego rozwi(cid:200)zywania pro- blemów kryje zatem zestaw dobrze okre(cid:258)lonych matematycznie kompro- misów. Idea(cid:239)em jest perfekcyjny sprawca bayesowski — taki, który czyni probabilitycznie optymalny u(cid:285)ytek z dost(cid:218)pnych informacji. Ten idea(cid:239) jest nieosi(cid:200)galny, poniewa(cid:285) wymaga zbyt du(cid:285)ej mocy obliczeniowej, by móg(cid:239) zosta(cid:202) wdro(cid:285)ony na jakimkolwiek fizycznym komputerze (patrz: ramka 1.). W zwi(cid:200)zku z tym sztuczn(cid:200) inteligencj(cid:218) mo(cid:285)na uzna(cid:202) za po(cid:258)cig za u(cid:239)atwieniami — metodami sukcesywnego przybli(cid:285)ania si(cid:218) do bayesow- skiego idea(cid:239)u poprzez po(cid:258)wi(cid:218)canie w jakiej(cid:258) mierze optymalno(cid:258)ci lub ogólno(cid:258)ci przy jednoczesnym zachowaniu ich w takim stopniu, by mo(cid:285)- liwe by(cid:239)o uzyskanie wysokiej wydajno(cid:258)ci w faktycznej dziedzinie zainte- resowania. Odzwierciedlenie tego obrazu mo(cid:285)na dostrzec w przeprowadzonych przez kilka ostatnich dekad pracach dotycz(cid:200)cych modeli prawdopodobie(cid:241)- stwa wykorzystuj(cid:200)cych grafy, takich jak sieci bayesowskie. Sieci bayesow- skie stanowi(cid:200) zwi(cid:218)z(cid:239)(cid:200) metod(cid:218) reprezentacji probabilistycznych i warunko- wych relacji niezale(cid:285)no(cid:258)ci obowi(cid:200)zuj(cid:200)cych w pewnej konkretnej domenie. (Wykorzystanie takich relacji niezale(cid:285)no(cid:258)ci jest kluczowe dla przezwy- ci(cid:218)(cid:285)enia eksplozji kombinatorycznej, która stwarza takie same problemy przy wnioskowaniu probabilistycznym, jak przy dedukcji logicznej). Pozwa- laj(cid:200) równie(cid:285) uzyska(cid:202) istotny wgl(cid:200)d w koncepcj(cid:218) przyczynowo(cid:258)ci28. Jedn(cid:200) z zalet odnoszenia problemów uczenia si(cid:218) z konkretnej dziedziny do generalnych problemów wnioskowania bayesowskiego jest to, (cid:285)e nowe algorytmy usprawniaj(cid:200)ce wnioskowanie bayesowskie przynosz(cid:200) równie(cid:285) natychmiastow(cid:200) popraw(cid:218) w wielu innych obszarach. Dla przyk(cid:239)adu: post(cid:218)py w rozwoju metody Monte Carlo znajduj(cid:200) bezpo(cid:258)rednie zastoso- wanie w obrazowaniu komputerowym, robotyce i genetyce obliczeniowej. Kolejnym plusem jest to, (cid:285)e badacze zajmuj(cid:200)cy si(cid:218) wieloma ró(cid:285)nymi dyscyplinami mog(cid:200) z wi(cid:218)ksz(cid:200) (cid:239)atwo(cid:258)ci(cid:200) dzieli(cid:202) si(cid:218) swoimi odkryciami. Badania nad statystykami bayesowskimi i modelami opartymi na grafach prowadzone s(cid:200) jednocze(cid:258)nie na wielu polach, w(cid:239)(cid:200)czaj(cid:200)c w to uczenie ma- szynowe, fizyk(cid:218) statystyczn(cid:200), bioinformatyk(cid:218), optymalizacj(cid:218) kombinato- ryczn(cid:200) i teori(cid:218) komunikacji29. Znaczna cz(cid:218)(cid:258)(cid:202) ostatnich post(cid:218)pów w dzie- dzinie uczenia maszynowego jest wynikiem w(cid:239)(cid:200)czenia formalnych wyników uzyskanych w innych dziedzinach bada(cid:241) naukowych. (Programy uczenia maszynowego skorzysta(cid:239)y równie(cid:285) ogromnie na pojawieniu si(cid:218) szybszych komputerów i wi(cid:218)kszej dost(cid:218)pno(cid:258)ci du(cid:285)ych zestawów danych). OKRESY NADZIEI I ROZCZAROWA(cid:148) | 29 Poleć książkęKup książkę Ramka 1. Optymalny sprawca bayesowski Idealny sprawca bayesowski wychodzi od „rozk(cid:239)adu prawdopodobie(cid:241)stwa a priori” — funkcji, która przypisuje prawdopodobie(cid:241)stwo ka(cid:285)demu z „mo(cid:285)li- wych (cid:258)wiatów” (na przyk(cid:239)ad ka(cid:285)dej maksymalnie skonkretyzowanej postaci, któr(cid:200) ów (cid:258)wiat mo(cid:285)e przybra(cid:202))30. Przyj(cid:218)te a priori za(cid:239)o(cid:285)enie to ukierunkowa- nie indukcyjne, (cid:285)e na przyk(cid:239)ad prostszym (cid:258)wiatom przypisywane jest wy(cid:285)sze prawdopodobie(cid:241)stwo (jedn(cid:200) z mo(cid:285)liwych metod formalnego zdefiniowania prostoty mo(cid:285)liwego (cid:258)wiata jest uj(cid:218)cie jej w kategoriach „z(cid:239)o(cid:285)ono(cid:258)ci Ko(cid:239)mo- gorowa” — miary bazuj(cid:200)cej na d(cid:239)ugo(cid:258)ci najkrótszego programu komputero- wego, który pozwala uzyska(cid:202) pe(cid:239)ny opis (cid:258)wiata)31. W tym uprzednim za(cid:239)o(cid:285)eniu mie(cid:258)ci si(cid:218) równie(cid:285) ca(cid:239)o(cid:258)(cid:202) wiedzy ogólnej, któr(cid:200) programi(cid:258)ci chcieliby obdarzy(cid:202) sprawc(cid:218). Kiedy sprawca otrzymuje nowe informacje ze swoich czujników, aktualizuje rozk(cid:239)ad prawdopodobie(cid:241)stwa, uwarunkowuj(cid:200)c ten rozk(cid:239)ad nowymi informa- cjami zgodnie z twierdzeniem Bayesa32. Uwarunkowywanie funkcji praw- dopodobie(cid:241)stwa jest operacj(cid:200) matematyczn(cid:200), która przypisuje nowe, zerowe prawdopodobie(cid:241)stwo tym (cid:258)wiatom, które s(cid:200) sprzeczne z otrzyman(cid:200) infor- macj(cid:200), i renormalizuje rozk(cid:239)ad prawdopodobie(cid:241)stwa na pozosta(cid:239)e mo(cid:285)liwe (cid:258)wiaty. Wynikiem jest „rozk(cid:239)ad prawdopodobie(cid:241)stwa a posteriori” (który sprawca mo(cid:285)e wykorzysta(cid:202) w nast(cid:218)pnym kroku jako nowy rozk(cid:239)ad a priori). W miar(cid:218) jak sprawca dokonuje obserwacji, coraz bardziej prawdopodobne staje si(cid:218) zaistnienie coraz mniejszej liczby mo(cid:285)liwych (cid:258)wiatów nadal zgodnych z zebranymi danymi z obserwacji — a w(cid:258)ród tych mo(cid:285)liwych (cid:258)wiatów (cid:258)wiaty prostsze s(cid:200) zawsze bardziej prawdopodobne. Metaforycznie mo(cid:285)emy my(cid:258)le(cid:202) o prawdopodobie(cid:241)stwie jako o piasku rozsypanym na du(cid:285)ej kartce papieru. Kartka dzielona jest na obszary rozma- itych rozmiarów, przy czym ka(cid:285)dy obszar odpowiada jednemu mo(cid:285)liwemu (cid:258)wiatu, a wi(cid:218)ksze obszary to prostsze mo(cid:285)liwe (cid:258)wiaty. Wyobra(cid:283)my sobie warstw(cid:218) piasku równej grubo(cid:258)ci pokrywaj(cid:200)c(cid:200) równo ca(cid:239)(cid:200) kartk(cid:218) — to jest nasz rozk(cid:239)ad prawdopodobie(cid:241)stwa a priori. Za ka(cid:285)dym razem, gdy dokony- wana jest obserwacja wykluczaj(cid:200)ca jeden z mo(cid:285)liwych (cid:258)wiatów, usuwamy piasek z odpowiedniego obszaru na kartce i rozdzielamy go równo na obszary, które s(cid:200) nadal brane pod uwag(cid:218). W ten sposób ca(cid:239)kowita ilo(cid:258)(cid:202) piasku na kartce nigdy nie ulega zmianie, po prostu koncentruje si(cid:218) on na coraz mniej- szej liczbie obszarów w miar(cid:218) gromadzenia kolejnych danych z obserwacji. Oto koncepcja uczenia si(cid:218) w jej najczystszej formie. (Aby obliczy(cid:202) prawdopo- dobie(cid:241)stwo hipotezy, mierzymy po prostu ilo(cid:258)(cid:202) piasku we wszystkich obszarach odpowiadaj(cid:200)cych mo(cid:285)liwym (cid:258)wiatom, dla których hipoteza jest prawdziwa). 30 | DOTYCHCZASOWE DOKONANIA I OBECNE MO(cid:191)LIWO(cid:165)CI Poleć książkęKup książkę Dotychczas zdefiniowali(cid:258)my regu(cid:239)(cid:218) uczenia si(cid:218). Aby uzyska(cid:202) sprawc(cid:218), potrzebujemy jeszcze regu(cid:239)y decyzyjnej. W tym celu wyposa(cid:285)amy sprawc(cid:218) w funkcj(cid:218) u(cid:285)yteczno(cid:258)ci, która przypisuje ka(cid:285)demu z mo(cid:285)liwych (cid:258)wiatów pewn(cid:200) liczb(cid:218). Ta liczba reprezentuje po(cid:285)(cid:200)dalno(cid:258)(cid:202) tego (cid:258)wiata zgodnie z za- sadniczymi preferencjami sprawcy. Teraz przy ka(cid:285)dym kroku sprawca wybiera dzia(cid:239)anie o najwy(cid:285)szej oczekiwanej u(cid:285)yteczno(cid:258)ci33 (aby znale(cid:283)(cid:202) dzia(cid:239)anie o naj- wy(cid:285)szej oczekiwanej u(cid:285)yteczno(cid:258)ci, sprawca mo(cid:285)e wyliczy(cid:202) wszystkie mo(cid:285)liwe dzia(cid:239)ania, a nast(cid:218)pnie rozk(cid:239)ad prawdopodobie(cid:241)stwa warunkowego, bior(cid:200)c pod uwag(cid:218) podj(cid:218)cie tego dzia(cid:239)ania, a wi(cid:218)c rozk(cid:239)ad prawdopodobie(cid:241)stwa, który b(cid:218)dzie wynikiem uwarunkowania obecnego rozk(cid:239)adu prawdopodobie(cid:241)- stwa od obserwacji, (cid:285)e dzia(cid:239)anie w(cid:239)a(cid:258)nie zosta(cid:239)o podj(cid:218)te; wreszcie mo(cid:285)e obliczy(cid:202) oczekiwan(cid:200) warto(cid:258)(cid:202) dzia(cid:239)ania jako sum(cid:218) warto(cid:258)ci ka(cid:285)dego mo(cid:285)liwego (cid:258)wiata przemno(cid:285)on(cid:200) przez prawdopodobie(cid:241)stwo warunkowe tego (cid:258)wiata przy za(cid:239)o- (cid:285)eniu podj(cid:218)cia tego dzia(cid:239)ania34). Regu(cid:239)a uczenia si(cid:218) i regu(cid:239)a decyzyjna razem wzi(cid:218)te okre(cid:258)laj(cid:200) dla sprawcy „poj(cid:218)cie optymalno(cid:258)ci” (zasadniczo to samo „poj(cid:218)cie optymalno(cid:258)ci” jest szeroko wykorzystywane w dziedzinie sztucznej inteligencji, teorii poznania, filozofii nauki, ekonomii i statystyce35). W rzeczywisto(cid:258)ci niemo(cid:285)liwe jest zbu- dowanie takiego sprawcy, poniewa(cid:285) ze wzgl(cid:218)du na wymagan(cid:200) moc oblicze- niow(cid:200) niemo(cid:285)liwe jest dokonanie wymaganych oblicze(cid:241). Ka(cid:285)da próba sko(cid:241)czy si(cid:218) fiaskiem z powodu eksplozji kombinatorycznej takiej samej jak ta, któr(cid:200) opisali(cid:258)my przy okazji naszej dyskusji na temat GOFAI. Aby zrozumie(cid:202), dla- czego tak si(cid:218) dzieje, rozwa(cid:285)my jeden niewielki podzbiór wszystkich mo(cid:285)liwych (cid:258)wiatów — te (cid:258)wiaty, które sk(cid:239)adaj(cid:200) si(cid:218) z pojedynczego monitora kompu- terowego unosz(cid:200)cego si(cid:218) w bezkresnej pró(cid:285)ni. Monitor ma tysi(cid:200)c na tysi(cid:200)c pikseli i ka(cid:285)dy z nich nieprzerwanie albo si(cid:218) (cid:258)wieci, albo nie. Nawet ten pod- zbiór mo(cid:285)liwych (cid:258)wiatów jest ogromnie wielki: 2(1000×1000) mo(cid:285)liwych stanów monitora przewy(cid:285)sza pod wzgl(cid:218)dem liczby wszystkie obliczenia, które kiedy- kolwiek nast(cid:200)pi(cid:200) w daj(cid:200)cym si(cid:218) zaobserwowa(cid:202) (cid:258)wiecie. A zatem nie potrafimy nawet wymieni(cid:202) wszystkich mo(cid:285)liwych (cid:258)wiatów tego ma(cid:239)ego podzbioru wszystkich mo(cid:285)liwych (cid:258)wiatów, nie mówi(cid:200)c ju(cid:285) o wykonaniu bardziej skom- plikowanych oblicze(cid:241) dotycz(cid:200)cych ka(cid:285)dego z nich oddzielnie. Poj(cid:218)cia optymalno(cid:258)ci mog(cid:200) stanowi(cid:202) przedmiot rozwa(cid:285)a(cid:241) teoretycznych — nawet je(cid:258)li nie da si(cid:218) ich zrealizowa(cid:202) fizycznie. Oferuj(cid:200) nam punkt odniesienia pozwalaj(cid:200)cy oceni(cid:202) przybli(cid:285)enia heurystyczne i czasem pomagaj(cid:200) wywniosko- wa(cid:202), co w niektórych konkretnych przypadkach zrobi(cid:239)by optymalny sprawca. W rozdziale 12. zetkniemy si(cid:218) z pewnymi alternatywnymi poj(cid:218)ciami optymal- no(cid:258)ci odnosz(cid:200)cymi si(cid:218) do sztucznych sprawców. OKRESY NADZIEI I ROZCZAROWA(cid:148) | 31 Poleć książkęKup książkę Aktualny stan bada(cid:241) Ju(cid:285) teraz sztuczna inteligencja w wielu dziedzinach osi(cid:200)ga wyniki lepsze ni(cid:285) ludzie. W tabeli 1. analizujemy osi(cid:200)gni(cid:218)cia komputerów graj(cid:200)cych w gry, dowodz(cid:200)c, (cid:285)e systemy SI pokonuj(cid:200) w tej chwili mistrzów bardzo wielu gier36. Tabela 1. Systemy sztucznej inteligencji graj(cid:200)ce w gry Warcaby Przewy(cid:285)sza cz(cid:239)owieka Backgammon Przewy(cid:285)sza cz(cid:239)owieka Traveller TCS Przewy(cid:285)sza cz(cid:239)owieka we wspó(cid:239)pracy z cz(cid:239)owiekiem42 Othello Przewy(cid:285)sza cz(cid:239)owieka Program szachowy Arthura Samuela napisany w 1952 roku, a nast(cid:218)pnie udoskonalony (w wersji z 1955 roku uwzgl(cid:218)dniono mechanizmy uczenia maszynowego) sta(cid:239) si(cid:218) pierwszym programem, który nauczy(cid:239) si(cid:218) gra(cid:202) w t(cid:218) gr(cid:218) lepiej od swojego twórcy37. W 1994 roku program CHINOOK pokona(cid:239) aktualnego mistrza szachowego; wówczas to po raz pierwszy program komputerowy wygra(cid:239) oficjalne (cid:258)wiatowe mistrzostwa w grze opartej na umiej(cid:218)tno(cid:258)ciach. W 2002 roku Jonathan Schaeffer i jego zespó(cid:239) „rozwi(cid:200)zuj(cid:200)” szachy, czyli tworz(cid:200) program, który zawsze wykonuje najlepszy mo(cid:285)liwy ruch ((cid:239)(cid:200)cz(cid:200)c przeszukiwanie algorytmem alfa-beta z baz(cid:200) danych 39 bilionów pozycji w ko(cid:241)cówce rozgrywki). Perfekcyjna gra po obu stronach doprowadzi(cid:239)a do remisu38. 1979 rok: program do gry w backgammona o nazwie BGK autorstwa Hansa Berlinera pokona(cid:239) mistrza (cid:258)wiata; by(cid:239) to pierwszy program komputerowy, który pokona(cid:239) (w pokazowym meczu) mistrza (cid:258)wiata dowolnej gry, chocia(cid:285) Berliner przypisa(cid:239) pó(cid:283)niej to zwyci(cid:218)stwo szcz(cid:218)(cid:258)ciu przy rzucie ko(cid:258)(cid:202)mi39. 1992 rok: program do gry w backgammona o nazwie TD-Gammon autorstwa Gerry’ego Tesaura osi(cid:200)gn(cid:200)(cid:239) umiej(cid:218)tno(cid:258)ci mistrzowskie, wykorzystuj(cid:200)c algorytm uczenia si(cid:218) ze wzmocnieniem TD-Learing i rozgrywaj(cid:200)c szereg partii przeciwko samemu sobie w celu samodoskonalenia si(cid:218)40. Od tamtej pory programy graj(cid:200)ce w backgammona dalece prze(cid:258)cign(cid:218)(cid:239)y najlepszych ludzkich graczy41. Zarówno w 1981, jak i w 1982 roku program o nazwie Eurisko autorstwa Douglasa Lenata wygra(cid:239) mistrzostwa Stanów Zjednoczonych w Traveller TCS (futurystycznej morskiej grze wojennej), przyczyniaj(cid:200)c si(cid:218) do zmiany zasad, której celem by(cid:239)o zablokowanie jego niekonwencjonalnych strategii43. Eurisko ma wbudowane heurystyki umo(cid:285)liwiaj(cid:200)ce projektowanie jego floty, a tak(cid:285)e heurystyki umo(cid:285)liwiaj(cid:200)ce modyfikacje jego heurystyk. 1997 rok: program Logistello wygra(cid:239) wszystkie rozgrywki w sk(cid:239)adaj(cid:200)cym si(cid:218) z sze(cid:258)ciu partii meczu przeciwko mistrzowi (cid:258)wiata Takeshiemu Murakamiemu44. 32 | DOTYCHCZASOWE DOKONANIA I OBECNE MO(cid:191)LIWO(cid:165)CI Poleć książkęKup książkę Tabela 1. Systemy sztucznej inteligencji graj(cid:200)ce w gry — ci(cid:200)g dalszy Szachy Przewy(cid:285)sza cz(cid:239)owieka Krzy(cid:285)ówki Poziom ekspercki Scrabble Bryd(cid:285) Jeopardy! Przewy(cid:285)sza cz(cid:239)owieka Równy najlepszym Przewy(cid:285)sza cz(cid:239)owieka Poker Ró(cid:285)nie FreeCell Przewy(cid:285)sza cz(cid:239)owieka Go Bardzo wysoki poziom amatorski 1997 rok: komputer Deep Blue pokona(cid:239) mistrza (cid:258)wiata, Garriego Kasparowa. Kasparow utrzymywa(cid:239), (cid:285)e w niektórych ruchach komputera dostrzeg(cid:239) przeb(cid:239)yski prawdziwej inteligencji i kreatywno(cid:258)ci45. Od tamtej pory silniki szachowe staj(cid:200) si(cid:218) coraz doskonalsze46. 1999 rok: program rozwi(cid:200)zuj(cid:200)cy krzy(cid:285)ówki o nazwie Proverb osi(cid:200)gn(cid:200)(cid:239) lepsze wyniki ni(cid:285) przeci(cid:218)tny mi(cid:239)o(cid:258)nik krzy(cid:285)ówek47. 2012 rok: program Dr. Fill stworzony przez Matta Ginsberga osi(cid:200)gn(cid:200)(cid:239) wyniki w górnym kwartylu, konkuruj(cid:200)c z uczestnikami turnieju krzy(cid:285)ówkowego American Crossword Puzzle Tournament. (Wyniki Dr. Filla by(cid:239)y nierówne. Rozwi(cid:200)zywa(cid:239) perfekcyjnie krzy(cid:285)ówki uznane przez ludzi za najtrudniejsze, lecz nie potrafi(cid:239) wykona(cid:202) kilku niestandardowych (cid:239)amig(cid:239)ówek obejmuj(cid:200)cych mi(cid:218)dzy innymi literowanie wstecz lub wpisywanie odpowiedzi po skosie48). Ju(cid:285) w 2002 roku programy graj(cid:200)ce w Scrabble osi(cid:200)ga(cid:239)y lepsze wyniki ni(cid:285) najlepsi gracze spo(cid:258)ród ludzi49. W 2005 roku programy graj(cid:200)ce w bryd(cid:285)a kontraktowego zacz(cid:218)(cid:239)y osi(cid:200)ga(cid:202) równie dobre wyniki jak najlepsi gracze w bryd(cid:285)a50. 2010 rok: system komputerowy Watson wyprodukowany przez IBM pokona(cid:239) dwóch mistrzów wszech czasów Jeopardy!: Kenna Jenningsa i Brada Ruttera51. Jeopardy! (w Polsce emitowany jako Va banque) to teleturniej wiedzy z pytaniami z rozmaitych dziedzin, mi(cid:218)dzy innymi z: historii, literatury, sportu, geografii, kultury popularnej i nauk (cid:258)cis(cid:239)ych. Pytania prezentowane s(cid:200) w formie zagadek i cz(cid:218)sto zawieraj(cid:200) gry s(cid:239)ów. Programy komputerowe graj(cid:200)ce w pokera nadal nieco ust(cid:218)puj(cid:200) najlepszym graczom w wariancie full-ring Texas Hold’em, ale w niektórych innych wariantach pokera osi(cid:200)gaj(cid:200) wyniki lepsze ni(cid:285) ludzie52. Heurystyki powsta(cid:239)e w wyniku ewolucji z wykorzystaniem algorytmów genetycznych pozwoli(cid:239)y stworzy(cid:202) program uk(cid:239)adaj(cid:200)cy pasjansa FreeCell (który w swojej uogólnionej postaci jest NP-zupe(cid:239)ny) umiej(cid:200)cy pokona(cid:202) plasuj(cid:200)cych si(cid:218) wysoko w rankingach graczy53. W 2012 roku programy z serii Zen graj(cid:200)ce w go osi(cid:200)gn(cid:218)(cid:239)y poziom 6 dana w szybkich grach (poziom bardzo silnego gracza graj(cid:200)cego amatorsko), wykorzystuj(cid:200)c heurystyk(cid:218) MCTS i techniki uczenia maszynowego54. W ostatnich latach programy graj(cid:200
Pobierz darmowy fragment (pdf)

Gdzie kupić całą publikację:

Superinteligencja. Scenariusze, strategie, zagrożenia
Autor:

Opinie na temat publikacji:


Inne popularne pozycje z tej kategorii:


Czytaj również:


Prowadzisz stronę lub blog? Wstaw link do fragmentu tej książki i współpracuj z Cyfroteką: