Сейчас благодаря развитию нейросетей наблюдается новый всплеск энтузиазма вокруг AI. Однако некоторые ученые считают, что этот ажиотаж скоро может закончиться новой “зимой” искусственного интеллекта.
Перспективы прикладного применения нейросетей недавно обсуждались в Институте проблем передачи информации (ИППИ) РАН на четвертом заседании экспертного футуристического “Клуба проектирования будущего”. Его организатором выступило деловое интернет-издание “Инвест-Форсайт” в партнерстве с ИППИ РАН. Клуб задуман как серия круглых столов, на которые приглашаются эксперты по той или иной теме.
Один из ведущих специалистов в области создания AI - Юрий ВИЗИЛЬТЕР, начальник подразделения ГосНИИ авиационных систем (ГосНИИАС), профессор РАН и заместитель созданного указом Президента РФ Экспертного совета национального центра развития технологии и базовых элементов робототехники - настроен оптимистически. Он уверен, что буквально через пару лет будут практически решены все научные задачи, необходимые для создания функционального искусственного интеллекта, то есть устройства, выполняющего функции, на которые, как считалось раньше, способен только человек.
Еще в начале 2000-х годов существовало четкое разделение между двумя типами AI: первый был основан на моделировании рассуждений человека, второй - на анализе данных, сличении эмпирических закономерностей, обучении примерами (то, что сейчас называют машинным обучением). Эти два типа практически никак между собой не взаимодействовали: первый плохо обучался, второй не мог использовать те базы знаний, на которых работал первый.
Чтобы создать автономный мобильный технический объект, будь то робот или самолет, нужно обеспечить навигацию, обработку сенсорных данных (“видение”), управление и планирование, оптимизацию и выбор пути, решение игровых задач и оба вида искусственного интеллекта.
- В 2000 году все это находилось в плачевном состоянии, - рассказал Ю.Визильтер. - Было ощущение, что все замерзло и никуда не движется (вот она, зима!). В области обработки сенсорных данных практически все задачи решались хуже, чем их решает человек. Что же касается управления и планирования, то самым большим успехом стала победа компьютера над чемпионом мира по шахматам. Но это был просто очень большой компьютер, который очень хорошо считал. И тогда прогнозировали, что искусственный интеллект будет разработан только к 2040 году.
Но потом появились глубокие нейронные сети.
Оказалось, что они способны учиться на сверхбольшом количестве примеров и показывают результаты намного лучше, чем остальные классификаторы, и даже лучше, чем человек. Возник термин superhuman - “сверхчеловеческое распознавание”.
Но оставались технологические проблемы. Первая: обучение сетей занимало очень много времени, и откуда-то надо было добывать сверхбольшие выборки данных. Вторая: чтобы использовать возможности сетей на сложных мобильных технических объектах, нужно выполнить множество требований по габаритам, массе, энергетическим характеристикам и т.д.
Сейчас, считает Ю.Визильтер, практически все задачи компьютерного зрения решаются лучше, чем старыми методами. Например, сеть научилась автоматически переводить изображение в карту. В 2016 году была технически решена задача обнаружения объектов по классам в реальном времени.
Но по-прежнему искусственный интеллект второго типа (машинное обучение) никак не был состыкован с искусственным интеллектом первого типа. А главное - обучение сетей оставалось неким искусством сродни алхимии. Похожая ситуация уже когда-то возникала: была изобретена паровая машина, люди построили пароходы и паровозы, а как они работали с научной точки зрения, никто сказать не мог. Термодинамика появилась на сотню лет позже. И когда все процессы были обсчитаны, стали строить более эффективные машины. Процесс обучения нейронных сетей, по большому счету, сегодня сводится к набору рецептов. Это нестабильный, долгий, сложный процесс. То есть нет общей теории, и пока ее появление не предвидится, хотя попыток много.
Несмотря на это, в конце 2017-го и в 2018-м прорывы в сфере ИИ, по словам Ю.Визильтера, “пошли фонтаном”. Нельзя сказать, что все проблемы решены, но “были перекинуты все необходимые мосты через существующие пропасти”, то есть пробелы в знаниях и технологиях. Перечисление этих “прорывов” звучало как музыка - красиво и непонятно: глубокие соревнующиеся сети для имитации данных, интерпретация динамической визуальной информации на естественном языке, обучение нейронных сетей с помощью активных агентов, где активные агенты - это база искусственного интеллекта первого типа... Наконец, ученые вплотную подошли к автоматическому конструированию обучения нейронных сетей.
Чтобы научить нейронные сети, нужны сверхбольшие массивы данных. А что, если их не хватает? Например, при отладке системы беспилотного автомобиля можно ли сделать так, чтобы сеть, которая обучалась на летних данных, могла бы переобучиться работать зимой? Оказывается, можно. “Делаются две глубокие сети. Одна из них называется генератор, другая - дискриминатор. Генератор старается создавать визуальные образы из нового домена. Дискриминатор пытается его разоблачить. Если генератор создал картинку, которая обманула дискриминатор, то он “поощряется”, а дискриминатор “наказывается”, потому что не распознал, плохо сделал свою работу. И наоборот: если дискриминатор разоблачил, что это именно сгенерированный образ, а не тот, который из настоящей выборки, то он “поощряется”. Так они друг друга тренируют”, - объяснил докладчик.
Теперь сеть может на экране монитора превратить летний пейзаж в зимний, апельсин - в яблоко (с такими же впадинками и пятнышками), кошку - в собаку, зебру - в лошадь. “Чтобы решать многие задачи, которые относятся к функциональному интеллекту, необходимо воображение, именно поэтому человек мог их решить, а машина - нет, - говорит Ю.Визильтер. - Когда были изобретены генеративные состязательные сети, у машин появился некий аналог воображения, и это стало ключом к решению очень многих задач”.
Еще одну новую технологию обучения глубоких сетей докладчик сравнил с оперантным научением, используемым, например, при дрессировке дельфинов: это обучение путем поощрения и наказания спонтанной активности за определенный тип поведения. Есть две нейросети. Одна видит картинку, вторая - нет, но должна нарисовать такую же, а общаются они между собой на естественном языке через специальный порт. Этот предмет не справа, а слева, он не красный, а синий. Постепенно в ходе обмена данными достигается нужный результат - сети приходят к такой схеме построения диалога, в которой, как показал эксперимент, сторонние наблюдатели не могут отличить диалоги искусственных агентов между собой от диалога людей, поставленных в такую же ситуацию.
Первую систему искусственного интеллекта называли “общий решатель задач” - она делала общий вывод из формальных теорий и доказывала теорему автоматически, если ей для этого было достаточно данных. Многие такие доказательства требуют полного перебора вариантов, поэтому до сих пор существуют соревнования по автоматическому доказательству теорем. В прошлом году впервые в таком соревновании победила глубокая нейросеть.
А недавно программа Alpha Go обыграла семь ведущих мастеров в Го. В этой игре на много порядков больше позиций, чем в шахматах, она относится к так называемым играм с комбинаторным взрывом. В такие учатся играть путем выучивания не позиций, как в шахматах, а стратегий. Сети-агенты играли друг с другом много раз: сначала по известным партиям, проигранных людьми, а потом начали предлагать такие стратегии, которые человек раньше не использовал и даже не понимает.
В военных играх, по словам ученого, пока что выигрывает человек.
- Но как только глубокие сети начнут обыгрывать человека в стратегические игры, а это - дело времени, в мире наступит неустойчивое равновесие, заметил он. - Представьте себе, что у России есть компьютер, который играет в военную игру. И у США есть. И у Китая. И еще у какой-то страны с ракетами. Тот момент, когда какой-то стране станет известно, что у нее компьютер лучше, будет для нее лучшим моментом для нападения. Это очень сильно дестабилизирующий фактор в мировой политике!
Алармистские предсказания будущего дальнейшего развития не получили. Участники встречи привели множество практических примеров применения нейронных сетей в мирной жизни.
Вот что рассказал Андрей Большаков - научный сотрудник ИППИ РАН (работает в лаборатории зрительных систем) и гендиректор ООО “Визиллект Сервис”, дочерней компании ИППИ РАН, выполняющей заказы для промышленности в области компьютерного зрения и искусственного интеллекта:
- Один из самых крупных наших проектов - автоматический классификатор транспортных средств. Эта система сейчас стоит на всех платных дорогах страны, она распознает класс транспортного средства по количеству колес и высоте машины. Основное отличие наших разработок от большинства тех, которые демонстрируются на конференциях, в том, что они работают на улице в любых погодных условиях (в снег, дождь, туман) с высоким качеством классификации - 99,7%.
Еще одна разработка - Smart IDReader - дает возможность распознавания любых документов (паспортов, кредитных карт и т.д.) с мобильного устройства с помощью мобильного приложения. Одно из направлений исследований - получение нейросетей, которые могли бы работать на устройстве с очень слабыми вычислителями.
В прошлом году во время празднования Дня города москвичей и гостей столицы возил по Тверской небольшой шестиместный автобус под названием MatrЁshka - полностью беспилотное средство, которое изначально таким и проектировалось: руля в нем не было вообще. На MatrЁshka использовалась разработанная в компании “Визиллект Сервис” система визуальной навигации LiNE, определяющая положение беспилотника и параметры его движения по видеоизображениям.
Проект, над которым ученые работают сейчас, связан с автоматической фиксацией нарушений техники безопасности. По видеоизображению Cyclops (так разработчики назвали свое решение) находит объекты, людей и средства индивидуальной защиты на них, может отслеживать правильность выполнения технологических процессов. Опытно-промышленные испытания в нескольких нефтяных компаниях доказали работоспособность Cyclops в реальных условиях (в частности, в дождливые ветреные дни).
Оскар Браверман, основатель проекта NeuroSeed, говорил о том, как разработки на основе нейросетей сделать более доступными для конечных пользователей. Алексей Хахунов, эксперт в области машинного обучения и искусственного интеллекта, сооснователь блокчейн-платформы D-Brain для коллективного создания продуктов на основе искусственного интеллекта, рассказал, как D-Brain помогает компаниям создавать, обучать и внедрять в свои рабочие процессы нейросети без огромных вложений и погружения в технические сложности.
Небольшая дискуссия на тему “быть зиме или не быть” все же вспыхнула. Анатолий Козырев, заместитель директора ЦЭМИ РАН и главный редактор журнала “Цифровая экономика”, признаки наступающего “охлаждения” видит в оттоке инвестиций из исследований искусственного интеллекта. Коллеги с ним не то чтобы спорили, но возразили, что AI в любом случае будет развиваться и приносить добавочную стоимость. А что там будет, зима или лето, неважно. Зимой ведь тоже что-то развивается! “И в снежки можно играть”, - пошутил кто-то.