Искусственный интеллект для чайников [Лука Массарон] (pdf) читать онлайн

ВЕДЬ ЭТО ТАК ПРОСТО!

Искусственный
интеллект
ДЛЯ

W

®

чайников
Издательство ДИАЛЕКТИКА

Искусственный
интеллект и общество
Искусственный интеллект
роботов, дронов и беспилотных
автомобилей
Пределы возможностей
искусственного
интеллекта

Джон Пол Мюллер
Лука Массарон

Искусственны й
интеллект
ДЛЯ

®

чайников

Artificial
Intelligence
By John Paul Mueller and Luca Massaron

dum m ies
A Wiley Brand

Искусственны й

интеллект

Джон Пол Мюллер и Лука Массарон

чайников

Москва ♦ Санкт-Петербург

2019

ББК 32.973.26-018.2.75
М98
УДК 681.3.07
ООО “Диалектика”
Зав. редакцией С.Н. Тригуб
Перевод с английского и редакция В.А. Коваленко
По общим вопросам обращайтесь в издательство “Диалектика” по адресу:
info@dialektika.com, http://www.dialektika.com
Мюллер, Джон Пол, Массарон, Лука.
М98 Искусственный интеллект для чайников.: Пер. с англ. — С П б .: ООО “Диалектика”, 2019. —
384 с . : ил. — Парал. тит. англ.
ISBN 978-5-907114-57-9 (рус.)
Б БК 32.973.26-018.2.75
Все названия программных продуктов являются зарегистрированными торговыми марками соответ­
ствующих фирм.
Никакая часть настоящего издания ни в каких целях не может быть воспроизведена в какой бы то ни
было форме и какими бы то ни было средствами, будь то электронные или механические, включая фото­
копирование и запись на магнитный носитель, если на это нет письменного разрешения издательства John
Wiley & Sons, Inc.
Copyright © 2019 by Dialektika Computer Publishing.
Original English edition Copyright © 2018 by John Wiley & Sons, Inc., Hoboken, New Jersey.
All rights reserved including the right o f reproduction in whole or in part in any form. This translation is
published by arrangement with John Wiley & Sons, Inc.
No part o f this publication may be reproduced, stored in a retrieval system or transmitted in any form or by any
means, electronic, mechanical, photocopying, recording, scanning or otherwise without the prior written permission
o f the Publisher.

Научно-популярное издание
Джон Пол Мюллер, Лука Массарон

Искусственный интеллект для чайников
Подписано в печать 27.02.2019. Формат 70x100/16.
Уел. печ. л. 30,96. Уч.-изд. л. 24,7.
Тираж 500 экз. Заказ № 1903.
Отпечатано в АО “Первая Образцовая типография”
Филиал “Чеховский Печатный Двор”
142300, Московская область, г. Чехов, ул. Полиграфистов, д. 1
Сайт: www.chpd.ru, E-mail: sales@chpd.ru, тел. 8 (499) 270-73-59
ООО “Диалектика”, 195027, Санкт-Петербург, Магнитогорская ул., д. 30, лит. А, пом. 848
ISBN 978-5-907114-57-9 (рус.)
ISBN 978-1-119-46765-6 (англ.)

О 2019, ООО “Диалектика”
© 2018 by John Wiley & Sons,
Inc., Hoboken, New Jersey

Оглавление
Введение

17

Часть 1. Введение в искусственный интеллект
Глава 1. Знакомство с искусственным интеллектом
Глава 2. Определение роли данных
Глава 3. Вопросы использования алгоритмов
Глава 4. Первенство специализированных аппаратных средств

23
25
43
65
83

Часть 2. Использование искусственного интеллекта в обществе 99
Глава 5. Искусственный интеллект в компьютерных приложениях
101
Глава 6. Автоматизация наиболее популярных процессов
115
Глава 7. Применение искусственного интеллекта в медицине
125
Глава 8. Искусственный интеллект в человеческом общении
147
Часть 3. Программно-ориентированные приложения
искусственного интеллекта
Глава 9. Анализ данных для искусственного интеллекта
Глава 10. Машинное обучение в искусственном интеллекте
Глава 11. Усиление искусственного интеллекта глубоким обучением

159
161
179
203

Часть 4. Работа с искусственным интеллектом
в аппаратных приложениях
Глава 12. Разработка роботов
Глава 13. Полеты с дронами
Глава 14. Автомобиль, управляемый искусственным интеллектом

231
233
249
263

Часть 5. Будущее искусственного интеллекта
Глава 15. Причины неудач приложений
Глава 16. Искусственный интеллект в космосе
Глава 17. Новые профессии

283
285
301
321

Часть 6. Великолепные десятки
Глава 18. Десять профессий, недоступных искусственному интеллекту
Глава 19. Десять достижений искусственного интеллекта,
наиболее полезных для общества
Глава 20. Десять областей, в которых искусственный интеллект
терпит неудачу

339
341

Предметный указатель

351
361
371

Содержание
Об авторе

15

Введение

17

Часть 1. Введение в искусственный интеллект

23

Глава 1. Знакомство с искусственным интеллектом
Определение термина “искусственный интеллект”
Распознавание интеллекта
Выработка четырех способов определения искусственного интеллекта
История искусственного интеллекта
Символическая логика в Дартмуте
Экспертные системы
Преодоление зим искусственного интеллекта
Области применения искусственного интеллекта
Не обмануться в ожиданиях от искусственного интеллекта
Объединение искусственного интеллекта с базовым компьютером

25
26
26
31
35
35
36
37
38
40
41

Глава 2. Определение роли данных
Поиск данных, вездесущих на данном этапе
Понятие значений Мура
Данные используются повсюду
Приведение алгоритмов в действие
Успешное использование данных
Источники данных
Получение надежных данных
Повышение надежности ввода данных человеком
Автоматизированный сбор данных
Маникюр данных
Как справиться с отсутствием данных
Учет рассогласования данных
Отделение полезных данных от других
Пять недостоверностей данных
Усердие
Умолчание

43
44
45
47
48
50
51
51
52
53
54
55
56
57
57
58
59

Точка зрения
Предубежденность
Недопонимание
Установление пределов сбора данных

59
61
61
62

Глава 3. Вопросы использования алгоритмов
Понятие роли алгоритмов
Что означает алгоритм
Планирование и ветвление
Состязательные игры
Использование локального поиска и эвристики
Понятие обучения машины
Работа экспертных систем
Введение в машинное обучение
Достижение новых высот

65
66
67
68
71
73
77
78
81
81

Глава 4. Первенство специализированных аппаратных средств
Стандартные аппаратные средства
Понятие стандартных аппаратных средств
Недостатки стандартных аппаратных средств
Использование графических процессоров
Понятие узкого места фон Неймана
Определение GPU
Причины хорошей работоспособности GPU
Создание специализированной среды обработки
Увеличение возможностей аппаратных средств
Добавление специализированных сенсоров
Разработка методов взаимодействия с окружающей средой

83
85
85
86
88
89
90
91
92
93
95
96

Часть 2. Использование искусственного интеллекта в обществе

99

Глава 5. Искусственный интеллект в компьютерных приложениях
Наиболее популярные типы приложений
Использование искусственного интеллекта в типичных приложениях
Области применения искусственного интеллекта
Аргумент китайской комнаты
Как искусственный интеллект делает приложения
более дружественными

101
102
103
104
104

Содержание

106

7

Автоматическое исправление
Виды исправлений
Преимущества автоматических исправлений
Почему автоматические исправления не срабатывают
Создание рекомендаций
Получение рекомендаций на основании предыдущих действий
Получение рекомендаций на основании групп
Получение неправильных рекомендаций
Учет ошибок искусственного интеллекта

107
108
108
109
110
110
110
111
112

Глава 6. Автоматизация наиболее популярных процессов
Решения для скуки
Как сделать задачи интереснее
Как помочь работать эффективнее
Как искусственный интеллект борется со скукой
Как искусственный интеллект не может бороться со скукой
Работа в промышленных условиях
Уровни автоматизации
Больше чем просто роботы
Не автоматизацией единой
Безопасность окружающей обстановки
Роль скуки в происшествиях
Как искусственный интеллект помогает избежать проблем безопасности
Почему искусственный интеллект не может устранить проблемы
безопасности

124

Глава 7. Применение искусственного интеллекта в медицине
Носимый терапевтический монитор
Ношение полезных мониторов
Доверие к критически важным мониторам
Использование носимых мониторов
Расширение возможностей людей
Использование игр для терапии
Использование экзоскелетов
Решение специфических задач
Программно-ориентированные решения
Доверие к аппаратному усилению
Искусственный интеллект эндопротеза

125
127
127
128
128
130
132
133
135
135
136
137

8

Содержание

115
116
117
118
118
119
120
120
121
122
123
123
123

Новые способы анализа
Новые хирургические технологии
Выработка хирургических рекомендаций
Помощь хирургу
Замена хирургии наблюдением
Автоматизация решений
Работа с медицинскими записями
Предсказание будущего
Повышение безопасности процедур
Создание лучших медикаментов
Объединение роботов и медицинских специалистов

138
139
139
140
141
142
142
143
144
144
145

Глава 8. Искусственный интеллект в человеческом общении
Новые способы коммуникации
Создание новых алфавитов
Автоматизация перевода
Включение жестикуляции
Обмен идеями
Установление связи
Улучшение коммуникаций
Определение тенденций
Использование средств массовой информации
Улучшение сенсорного восприятия человека
Смещение спектра данных
Усиление человеческих органов чувств

147
148
149
150
151
153
153
154
154
155
156
156
157

Часть 3. Программно-ориентированные приложения
искусственного интеллекта

159

Глава 9. Анализ данных для искусственного интеллекта
Анализ данных
Почему анализ столь важен
Пересмотр значения данных
Машинное обучение
Как работает машинное обучение
Преимущества машинного обучения
Будешь полезным — станешь обыденным
Пределы машинного обучения
Содержание

161
162
165
166

168
169
171
173
173
9

Обучение на основе данных
Контролируемое обучение
Неконтролируемое обучение
Обучение с подкреплением

175
176
177
177

Глава 10. Машинное обучение в искусственном интеллекте
Способы обучения
Пять основных подходов к обучению искусственного интеллекта
Три наиболее перспективных подхода
к обучению искусственного интеллекта
Ожидание следующего прорыва
Поиск правды в вероятностях
На что способны вероятности
Учет предыдущих знаний
Представление реального мира как графа
Рост деревьев, способных классифицировать
Предсказание результатов при разделении данных
Принятие решений на основании деревьев
Отсечение переросших деревьев

183
184
185
186
188
192
196
196
199
200

Глава II. Усиление искусственного интеллекта глубоким обучением
Формирование нейронных сетей, подобных человеческому мозгу
Знакомство с нейронами
Сначала был чудесный перцептрон
Подражание учащемуся мозгу
Простые нейронные сети
Раскроем секреты коэффициентов
Роль обратного распространения ошибки
Знакомство с глубоким обучением
Различия в глубоком обучении
Поиск еще более умных решений
Выявление краев и форм образов
Распознавание символов
Как работает свертка
Соревнования с использованием образов
Обучение подражанию искусству и жизни
Запоминание важных последовательностей

203
204
204
206
208
208
209
210
211
212
214
217
217
219
221
222
223

10

Содержание

179
180
180

Магия общения искусственного интеллекта
Соревнования между двумя искусственными интеллектами

223
226

Часть 4. Работа с искусственным интеллектом
в аппаратных приложениях

231

Глава 12. Разработка роботов
Роли роботов
Разоблачение научно-фантастических представлений о роботах
Почему так трудно быть гуманоидом
Сотрудничество с роботами
Сборка простого робота
Компоненты
Восприятие мира
Управление роботом

233
234
236
239
242
245
245
247
247

Глава 13. Полеты с дронами
На грани искусства
Беспилотный вылет на задание
Знакомство с квадро коптером
Области применения дронов
Дроны на невоенных ролях
Усиление дронов искусственным интеллектом
Проблемы регулирования

249
250
250
252
254
255
258
261

Глава 14. Автомобиль, управляемый искусственным интеллектом
Краткая история
Будущее мобильности
Восхождение на шестой уровень автономности
Пересмотр мнения о роли автомобилей
Введение в беспилотные автомобили
Объединение всех технологий
Появление на сцене искусственного интеллекта
Не искусственным интеллектом единым
Преодоление неопределенности восприятия
Знакомство с сенсорами автомобиля
Объединение обнаруженного

263
264
265
266
268
272
273
274
275
277
278
280

Содержание

11

Часть 5. Будущее искусственного интеллекта

283

Глава 15. Причины неудач приложений
Использование искусственного интеллекта там, где он не будет работать
Определение границ искусственного интеллекта
Неправильное применение искусственного интеллекта
Мир нереалистичных ожиданий
Влияние зим искусственного интеллекта
Понятие зимы искусственного интеллекта
Причины зим искусственного интеллекта
Пересмотр ожиданий и новые цели
Решения в поиске задачи
Определение примочки
Реклама
Когда люди справляются лучше
Поиск простого решения

285
286
286
290
291
292
292
293
295
297
298
299
299
299

Глава 16. Искусственный интеллект в космосе
Наблюдение за Вселенной
Первый ясный взгляд
Поиск новых мест
Эволюция Вселенной
Новые научные принципы
Добыча ресурсов в космосе
Добыча воды
Добыча редкоземельных и других металлов
Поиск новых элементов
Улучшение коммуникаций
Исследование новых мест
Сначала зонды
Роботизированные миссии
Добавление человеческого элемента
Создание строений в космосе
Ваш первый отпуск в космосе
Проведение научных исследований
Промышленное пространство в космосе
Использование космоса для хранения

301
302
303
304
305
305
307
308
308
311
311
312
313
314
316
317
317
318
318
319

Глава 17. Новые профессии
Жизнь и работа в космосе
Строительство городов в опасной окружающей среде
Строительство городов в океане
Создание космических поселений
Строительство лунных баз
Повышение эффективности людей
Решение проблем в планетарном масштабе
Как устроен мир
Выявление потенциальных источников проблем
Поиск возможных решений
Контроль результатов решений
Повторная попытка

321
322
324
324
325
327
329
331
332
334
335
335
336

Часть б. Великолепные десятки
Глава 18. Десять профессий, недоступных искусственному интеллекту
Общение с людьми
Обучение детей
Медицинский уход
Удовлетворение личных нужд
Решение проблем, связанных с развитием
Создание нового
Изобретения
Искусство
Воображение нереального
Интуитивное принятие решений
Расследование преступлений
Контроль ситуации в режиме реального времени
Распознавание фактов и вымысла

339
341
342
342
343
343
344
345
345
346
347
347
347
348
348

Глава 19. Десять достижений искусственного интеллекта,
наиболее полезных для общества
Учет взаимодействий, специфических для человека
Изобретение активного протеза ноги
Постоянный мониторинг
Прием лекарств

351
352
353
353
354

Содержание

13

Выработка промышленных решений
Искусственный интеллект и трехмерная печать
Передовые роботизированные технологии
Создание новых технологических сред
Разработка новых редких ресурсов
Увидеть невидимое
Сотрудничество с искусственным интеллектом в космосе
Доставка товаров на космические станции
Добыча внепланетных ресурсов
Исследование других планет

354
355
355
357
357
357
358
358
359
359

Глава 20. Десять областей, в которых искусственный интеллект
терпит неудачу
Понимание
Интерпретация, а не анализ
Выход за пределы чистых чисел
Учет последствий
Открытия
Получение новых данных из старых
Видение вне шаблонов
Реализация новых чувств
Сочувствие
Войти в чужое положение
Выработка истинных отношений
Смена точки зрения
Вера в недоказуемое

361
362
363
364
364
365
366
366
367
367
368
368
369
369

Предметный указатель

371

Об авторе
Джон Мюллер — внештатный автор и технический редактор. Умение пи­
сать у него в крови, и на настоящий момент он является автором 108 книг и бо­
лее чем 600 статей. Разнообразие тем распространяется от работы с сетями до
искусственного интеллекта и от управления базами данных до автоматического
программирования. В некоторых его книгах затрагиваются темы науки о дан­
ных, самообучения машин и алгоритмов. Его технические навыки редактирова­
ния помогли более чем 70 авторам усовершенствовать содержимое своих про­
изведений. Джон оказывает услуги технического редактирования различным
журналам, консультирует и пишет сертификационные экзамены. Обратитесь к
блогу Джона по адресу h ttp : //b lo g , johnm uellerbooks. сот/. Джон доступен
в Интернете по адресу John@JohnMuellerBooks. com. У него также есть веб-сайт
по адресу http://www.johnmuellerbooks.com/.
Лука Массарон — аналитик данных и директор по маркетинговым иссле­
дованиям, специализирующийся на многомерном статистическом анализе, об­
учении машин и изучении ожиданий потребителей, с более чем десятилетним
опытом в решении реальных проблем и консультировании заинтересованных
лиц на основании обоснованных доводов, статистики, данных и алгоритмов.
Испытывая страсть ко всему, что касается данных, их анализа и демонстрации
потенциальных возможностей управления данными как экспертам, так и не
специалистам, Лука является соавтором, наряду с Джоном Мюллером, таких
книг, как Python fo r Data Science For Dummies, Machine Learning For Dummies
и Алгоритмы для чайников. Предпочитая простоту ненужной изощренности,
он верит, что математику вполне можно объяснить простыми словами, а прак­
тика помогает в изучении любой дисциплины.

Посвящение Джона
Эта книга посвящается моим друзьям по библиотеке La Valle, доброволь­
ным сотрудником которой я являюсь. Каждую неделю я жду встречи с вами,
поскольку вы делаете мою жизнь полнее.

Посвящение Луки
Эта книга посвящается семье Суда (Suda) из Токио: Ёсики (Yoshiki), Такайо
(Такауо), Макико (Makiko) и Микико (Mikiko).

Благодарности Джона
Благодарю мою жену Ребекку. Хотя ее уже нет, ее дух присутствует в каж­
дой написанной мной книге и в каждом слове на каждой странице. Она верила
в меня, когда не верил никто.
Рус Маллен (Russ Mullen) заслужил благодарность за техническое редакти­
рование этой книги. Он привнес точность и глубину в материал, который вы
видите здесь. Рус всегда подбрасывает мне замечательные URL для новых про­
изведений и идей. Он также осуществляет санитарную проверку моих работ.
Мэтт Вагнер (Matt Wagner), мой агент, заслуживает благодарности за то,
что помог мне получить первый контракт и беспокоился о мелочах, которые
большинство авторов действительно не учитывают. Я всегда ценю его помощь.
Приятно знать, что кто-то хочет тебе помочь.
Многие люди прочитали всю эту книгу или ее часть, чтобы помочь мне усо­
вершенствовать подход, проверить примеры и предоставить мне отзыв о том,
что им не понравилось. Эти добровольные помощники помогли слишком во
многом, чтобы упомянуть здесь все. Я особенно ценю усилия Евы Битти (Eva
Beattie) и Освальдо Тельес Алмиралл (Osvaldo Tellez Almirall), которые предо­
ставили общий отзыв, прочитав всю книгу, и самоотверженно посвятили себя
этому проекту.
И наконец, я хотел бы поблагодарить Кэти Mop (Katie Mohr), Сьюзен Кристоферсен (Susan Christophersen) и остальных членов редакционного и техниче­
ского коллектива.

Благодарности Луки
Моя первая и самая большая благодарность — моей семье, Юкико (Yukiko),
Амелии (Amelia), за их поддержку, жертвы, любовь и терпение на протяжении
долгих дней, ночей, недель и месяцев, пока я работал над этой книгой.
Я благодарю весь редакционный и технический коллектив издательства
Wiley, в частности — Кэти Мор и Сьюзен Кристоферсен, за их высокий про­
фессионализм и поддержку на всех этапах создания этой книги из серии
.. .для чайников.

В отличие от множества книг на эту тему, в данной книге представлена прав­
да о том, где и как искусственный интеллект работать не может. Фактически
он не может участвовать в определенных важных действиях ни сейчас, ни в
далеком будущем. Некоторые люди попытаются уверить вас, что эти действия
вполне возможны для искусственного интеллекта, но мы расскажем, почему он
не сможет работать, а также развеем все мифы об искусственном интеллекте.
Каждый вынесет из этой книги то, что люди всегда будут важны. На самом деле
искусственный интеллект делает людей еще более важными, причем такими
способами, которые вы даже не могли себе вообразить.

О книге
Эта книга поможет вам понять, что такое искусственный интеллект, как он
должен работать и почему он терпел неудачи в прошлом. Вы узнаете о при­
чинах некоторых проблем с искусственным интеллектом, а также о том, что
в некоторых случаях их почти невозможно решить. Кроме того, вы узнаете о
решении некоторых проблем и областях применения учеными искусственного
интеллекта для поиска ответов.
Для выживания технология должна иметь набор солидных приложений,
которые фактически работают. Она также должна обеспечивать инвесторам
окупаемость и перспективу, чтобы они вкладывали в нее капитал. В прошлом
искусственный интеллект не был в состоянии достичь существенного успеха,
поскольку ему недоставало некоторых из этих средств. Искусственный интел­
лект страдал также опережением времени: чтобы фактически преуспеть, он
нуждался в современных аппаратных средствах. Сегодня вы можете найти ис­
кусственный интеллект в различных компьютерных приложениях и автомати­
зированных процессах. Он широко используется в областях медицины и вза­
имодействия между людьми. Искусственный интеллект также тесно связан с
анализом данных, машинным обучением и глубоким обучением. Эти термины
не для всех очевидны, поэтому понимание взаимосвязи данных технологий
может быть одной из причин для прочтения книги.
Сегодня у искусственного интеллекта действительно яркое будущее, по­
скольку он стал весьма важной технологией. В этой книге приведены также
пути, которыми, вероятно, будет следовать искусственный интеллект в буду­
щем. Различные тенденции, обсуждаемые в этой книге, построены на осно­
вании того, что люди фактически пытаются сделать сейчас. Новая технология
еще не добилась успеха, но поскольку над ней сейчас работает множество лю­
дей, ее шансы на успех действительно хороши.

Соглашения, принятые в книге
Здесь используются соглашения, общепринятые в компьютерной литературе.
»

Новые термины в тексте выделяются курсивом. Чтобы обратить вни­
мание читателя на отдельные фрагменты текста, также применяется
курсив.

»

Текст программ, функций, переменных, URL веб-страниц и другой
код представлены моноширинным шрифтом.

»

Все, что придется вводить с клавиатуры, выделено полужирным

моноширинным шрифтом.
»

Знакоместо в описаниях синтаксиса выделено курсивом. Это указы­
вает на необходимость заменить знакоместо фактическим именем
переменной, параметром или другим элементом, который должен
находиться на этом месте: BIN D SIZE= (м а к си м а л ь н а я ширина
ко ло н ки ) * (номер ко ло н ки ).

»

Пункты меню и названия диалоговых окон представлены следую­
щим образом: Menu Option (Пункт меню).

Текст некоторых абзацев выделен специальным стилем. Это примечания,
советы и предостережения, которые помогут обратить внимание на наиболее
важные моменты в изложении материала и избежать ошибок в работе.

-9
СОВЕТ

ВНИМАНИЕ!

W
ТЕХНИЧЕСКИЕ
ПОДРОБНОСТИ

ЗАПОМНИ!

Советы хороши тем, что позволяют сэкономить время и упростить
решение некой задачи. Советы в этой книге описывают экономящие
время методики или содержат указатели на ресурсы, с которыми име­
ет смысл ознакомиться, чтобы получить максимум пользы от изуче­
ния искусственного интеллекта.
Мы не хотим походить на строгих родителей или каких-то маньяков,
но вам не следует делать то, что отмечено данной пиктограммой.
В противном случае вы можете распространить дезинформацию об
искусственном интеллекте, которой сегодня пугают людей.
Увидев эту пиктограмму, знайте, что это дополнительный совет (или
методика). Вы могли бы найти его очень полезным или слишком
скучным, но он может содержать необходимое решение для созда­
ния или использования искусственного интеллекта. Пропускайте
эти разделы, если хотите.
Если вы не вынесли ничего из некой главы или раздела, то запомни­
те хотя бы материал, отмеченный этой пиктограммой. Такой текст
обычно содержит наиболее важную информацию, которую следует
знать для успешного ознакомления с искусственным интеллектом.

Источники дополнительной информации
Эта книга — не конец вашего изучения искусственного интеллекта, а только
начало. Чтобы она стала для вас максимально полезной, мы предоставляем до­
полнительные источники информации. Получая от вас письма по электронной
почте, мы сможем ответить на возникшие у вас вопросы, а также подсказать,
как нововведения в области искусственного интеллекта и связанных с ним тех­
нологий затрагивают содержание книги. Вы также можете использовать следу­
ющие замечательные источники.
»

Шпаргалка. Вы помните, как использовали в школе шпаргалки, что­
бы получить лучшие оценки по контрольной? Да, это разновидность
шпаргалки. В ней содержится ряд заметок о малоизвестных задачах,
решаемых с помощью искусственного интеллекта. Шпаргалка нахо­
дится в конце книги. В ней содержится действительно полезная ин­
формация, включая расшифровку всех аббревиатур и сокращений,
связанных с искусственным интеллектом, машинным обучением и
глубинным обучением.

»

Обновления. Рано или поздно все изменяется. Например, мы могли
не заметить грядущих изменений, когда смотрели в свои хрусталь­
ные шары во время написания этой книги. Когда-то это просто озна­
чало, что книга устарела и стала менее полезной, но теперь вы мо­
жете найти ее обновления по адресу www. dummies. com, если будете
искать по ее заголовку (Artificial Intelligence For Dummies). Кроме этих
обновлений, имеет смысл посетить блог автора по адресу h t t p : / /
b lo g , jo h n m u e lle rb o o k s . с о т /, содержащий ответы на вопросы
читателей и связанные с книгой полезные материалы.

Что дальше
Пришло время приступить к изучению искусственного интеллекта и узнать,
чем он может быть для вас полезен. Если вы ничего о нем не знаете, начните
с главы 1. Вы можете не захотеть читать каждую главу книги, но, начав с гла­
вы 1, вы освоите основы искусственного интеллекта, что необходимо для из­
учения других глав книги.
Если вы читаете эту книгу, чтобы узнать, где сегодня используется искус­
ственный интеллект, начните с главы 5. Часть 2 поможет вам узнать, где искус­
ственный интеллект используется сегодня.

Читатели, которые немного лучше знакомы с искусственным интеллектом,
могут начать с главы 9. В части 3 этой книги содержится самый современный
материал. Если вы не хотите знать, как искусственный интеллект работает на
низком уровне (не как разработчик, а просто как человек, интересующийся
искусственным интеллектом), то вполне можете пропустить эту часть книги.
Хорошо, вы хотите знать фантастические способы использования искус­
ственного интеллекта сегодня и в будущем. Если это так, то начните с главы 12.
В частях 4 и 5 демонстрируются невероятные способы применения искусствен­
ного интеллекта без необходимости иметь дело с грудами лжи. Часть 4 сосре­
доточена на аппаратных средствах, реализующих искусственный интеллект, а в
части 5 уделяется больше внимания футуристическим способам использования
искусственного интеллекта.

Ждем ваших отзывов!
Вы, читатель этой книги, и есть главный ее критик. Мы ценим ваше мнение
и хотим знать, что было сделано нами правильно, что можно было сделать
лучше и что еще вы хотели бы увидеть изданным нами. Нам интересны любые
ваши замечания в наш адрес.
Мы ждем ваших комментариев и надеемся на них. Вы можете прислать нам
бумажное или электронное письмо либо просто посетить наш веб-сайт и оста­
вить свои замечания там. Одним словом, любым удобным для вас способом
дайте нам знать, нравится ли вам эта книга, а также выскажите свое мнение о
том, как сделать наши книги более интересными для вас.
Отправляя письмо или сообщение, не забудьте указать название книги и ее
авторов, а также свой обратный адрес. Мы внимательно ознакомимся с вашим
мнением и обязательно учтем его при отборе и подготовке к изданию новых
книг.
Наши электронные адреса:
E-mail: info@ dialektika.com
WWW: h ttp : / / w w w .dialektika. com

Введение

21

Введение
в и ск усств е н н ы м
и н те л л е к т

В ЭТОЙ ЧАСТИ. . .
» Что искусственный интеллект фактически может сделать
для вас
» Как данные влияют на использование искусственного
интеллекта
» Как искусственный интеллект полагается на алгоритмы
при выполнении полезной работы
» Как специализированные аппаратные средства улучшают
работу искусственного интеллекта

Глава 1

Знакомство
с искусственным
интеллектом
В ЭТОЙ Г Л А В Е ...
» О пределение искусственного интеллекта и его история
» И спользование искусственного интеллекта
для практических целей
» Заблуж дения по поводу искусственного интеллекта
» Объединение искусственного интеллекта
с компью терной технологией

прошлом у искусственного интеллекта (Artificial Intelligence — AI)
было несколько фальстартов, частично из-за того, что люди действитель­
но не понимают, что такое искусственный интеллект и на что он спо­
собен. Главная проблема в том, что кинематограф, телевидение и книги тайно
замыслили давать ложные надежды о способностях искусственного интеллекта.
Кроме того, люди имеют привычку наделять технологии человеческими качес­
твами, а это создает впечатление, что искусственный интеллект способен на
большее, чем есть на самом деле. Таким образом, лучше всего начать эту книгу
с определения, чем искусственный интеллект является фактически, чем он не

В

о
ЗАПОМНИ!

Конечно, ожидания от искусственного интеллекта основаны на ком­
бинации того, как вы его себе представляете исходя из имеющихся
для его реализации технологий, а также задач, которые вы перед ним
ставите. Следовательно, все представляют себе искусственный ин­
теллект по-разному. В этой книге искусственный интеллект рассмат­
ривается с нескольких точек зрения. Книга не впадает в крайности,
поддаваясь ложным обещаниям сторонников или запугиваниям про­
тивников, чтобы вы получили наилучшее возможное представление
об искусственном интеллекте как о технологии. В результате вы мо­
жете найти, что ваши ожидания несколько отличаются от изложенно­
го в этой книге, доходчиво демонстрирующей то, что технология фак­
тически может сделать для вас, и не надеяться на что-то невозможное.

Определение термина
"искусственный интеллект"
Прежде чем использовать термин любым осмысленным способом, необхо­
димо иметь его определение. В конце концов, если не договориться о значении
термина, он останется только набором букв. Определение идиомы (термина,
смысл которого неоднозначно понятен из смысла составляющих его элемен­
тов) особенно важно для технических терминов, получивших более чем широ­
кое освещение в прессе неоднократно и разными способами.

О
ЗАПОМНИ!

Объяснение, что ИИ — это искусственный интеллект, в действитель­
ности не говорит ничего осмысленного, что является причиной мно­
гих разногласий и жарких обсуждений этого термина. Да, вы може­
те утверждать, что он искусственного происхождения, т.е. не имеет
естественного первоисточника. Но в части интеллекта все в лучшем
случае неоднозначно. Хотя вы и не обязаны соглашаться с опреде­
лением искусственного интеллекта, данным в следующем разделе,
в этой книге данный термин используется согласно этому определе­
нию, и его знание облегчает понимание остальной части текста.

Распознавание интеллекта
Люди определяют интеллект по-разному. Но вполне можно сказать, что ин­
теллект подразумевает определенную умственную деятельность, состоящую
из следующих действий.
»

Обучение. Способность получать и обрабатывать новую информацию.

»

Рассуж дение. Способность манипулировать информацией разны­
ми способами.

В процессе обсуждения того, что же фактически представляет собой ин­
теллект, будет полезна категоризация интеллекта. Решая задачи, люди не ис­
пользуют только один тип интеллекта, они скорее полагаются на несколько
типов. Говард Гарднер (Howard Gardner) из Гарварда определил несколько ти­
пов интеллекта (см. подробности на h ttp ://w w w .p z.h arvard .ed u /p rojects/
m u lt ip le - in t e llig e n c e s ) , их знание поможет связать их типы с видами задач,
которые компьютер способен моделировать как интеллект. Модифицированная
версия списка с дополнительным описанием приведена в табл. 1.1.
Таблица 1.1. Понятие видов интеллекта
Тип

Возможность
симуляции

Человеческие
инструменты

Описание

Визуальнопростран­
ственный

Средняя

Модели, графи­
ка, диаграммы,
фотографии,
рисунки,
трехмерные
модели, видео,
телевидение и
средства массо­
вой информа­
ции

Интеллект физической среды,
используется такими людьми, как
моряки и архитекторы (и многими
другими). Чтобы двигаться вооб­
ще, люди нуждаются в понимании
своей физической среды, включая
ее размерности и характеристики.
Эта способность нужна интеллек­
ту каждого робота или ноутбука,
но ее зачастую трудно модели­
ровать (как с самоуправляемыми
автомобилями) или сделать доста­
точно точной (как с пылесосом,
который, обходя препятствия, соз­
дает впечатление осмысленного
движения)

Телеснокинестетический

От средней
до высокой

Специали­
зированное
оборудование
и реальные
объекты

Движения тела, как у хирурга
или балерины, требуют точно­
сти и понимания своего тела.
Роботы обычно используют этот
вид интеллекта для выполнения
повторяющихся задач, зачастую
куда точнее, чем люди, но иногда
с меньшим изяществом. Следует
делать различие между средством
усиления возможностей человека,
таким как хирургическое устрой­
ство, улучшающее физические
способности хирурга, и истинным
независимым движением. Выше­
сказанное — это просто демон­
страция математической возмож­
ности, в которой все зависит от
действий хирурга

Продолжение табл. 1.1

Тип

Возможность
симуляции

Человеческие
инструменты

Описание

Творческий

Нет

Художествен­
ная деятель­
ность, новый
образ мыслей,
изобретения,
новые виды
музыкальных
произведений

Творчество — это действие по
выработке нового образа мыс­
лей, приводящее к уникальному
результату в форме произведе­
ния искусства, музыки или лите­
ратуры. Действительно, новое
произведение — это результат
творчества. Искусственный интел­
лект способен моделировать су­
ществующий образ мыслей и даже
комбинировать несколько, чтобы
создать уникальное представле­
ние того, что уже существует, но в
действительности является только
математически ориентированной
версией существующего образа.
Для творчества искусственный
интеллект должен обладать само­
сознанием, которое требует внутриличностного интеллекта

Телефон, зву­
ковая конфе­
ренц-связь,
видеоконфе­
ренц-связь,
записи,ком­
пьютерная кон­
ференц-связь,
электронная
почта

Взаимодействие с другими про­
исходит на нескольких уровнях.
Задача этой формы интеллек­
та — получать, предоставлять,
обмениваться и манипулировать
информацией на основании опыта
других. Компьютеры способны
отвечать на простые вопросы на
основании ввода ключевых слов,
а не потому, что они понимают
вопрос. Интеллект действует,
получая информацию, находя
подходящие ключевые слова и
предоставляя затем информацию
на основании этих ключевых
слов. Поиск терминов в таблице
с перекрестными ссылками и по­
следующими действиями соглас­
но предоставляемым таблицей
инструкциям демонстрирует ло­
гический интеллект, а не межлич­
ностный

Книги, творчес­
кие материалы,
дневники,уеди­
нение и время

Взгляд внутрь себя, чтобы понять
собственные интересы, и последу­
ющая выработка цели на основа­
нии этих интересов являются

Межличностный

Внутриличностный

От низкой
до средней

Нет

ГЛАВА 1 Знакомство с искусственным интеллектом

29

Продолжение табл. 1.1

Тип

Возможность
симуляции

Человеческие
инструменты

Описание
в настоящее время прерогативой
только человеческого интеллекта.
Как у машин у компьютеров нет
никаких нужд желаний, интере­
сов или творческих способнос­
тей. Искусственный интеллект
обрабатывает введенные числа,
используя набор алгоритмов, и
предоставляет вывод, но он не
знает ни о том, что он делает, ни о
том, зачем он это делает

Лингвистический

Низкая

Игры, средства
массовой ин­
формации, кни­
ги, устройства
звукозаписи и
произносимые
слова

Работа со словами — это немало­
важный инструмент общения, по­
скольку разговор и обмен пись­
менной информацией происходит
намного быстрее, чем в любой
другой форме. Эта форма интел­
лекта подразумевает понимание
речевого и письменного ввода,
его обработку для составления от­
вета и предоставление результата
в качестве понятного ответа. Во
многих случаях компьютеры мо­
гут лишь анализировать ввод по
ключевым словам, но вопрос фак­
тически не могут понять вообще.
Кроме того, предоставляемый от­
вет также может оказаться непо­
нятным. У людей за разговорный
и письменный лингвистический
интеллект отвечают разные об­
ласти м озга (h t t p : / / r e l e a s e s .

jhu.edu/2015/05/05/say-w hathow-the-brain-separates-oura b ilit y - t o - ta lk - a n d - w r it e /) ,
а значит, обладатели высокого
письменного лингвистическо­
го интеллекта могут не иметь
столь же высокого разговорного
лингвистического интеллекта.
Компьютеры в настоящее время
не разделяют письменную и раз­
говорную лингвистические спо­
собности

Окончание табл. 1.1

Логикоматема­
тический

Высокая

Логические
Вычисление результата, осущестигры, исследо- вление сравнений, исследование
вания, тайны и шаблонов и выявление взаимоголоволомки
зависимостей — все это области,
в которых компьютеры сейчас
превосходны. Когда вы видите по­
беду компьютера над человеком
на телевикторине, это практически
единственная общеизвестная фор­
ма интеллекта из семи. Да, вы мог­
ли бы замечать небольшие фраг­
менты других видов интеллекта,
но в фокусе этот. Оценка различий
интеллекта человека и компьютера
на базе только одной области —
это отнюдь не лучшая идея

Выработка четырех способов определения
искусственного интеллекта
Как упоминалось в предыдущем разделе, первая концепция, которую важно
осознать, — это то, что искусственный интеллект действительно не имеет ника­
кого отношения к человеческому интеллеюу. Да, некоторые модели искусствен­
ного интеллекта созданы для симуляции человеческого интеллекта, но это только
симуляция. Размышляя об искусственном интеллекте, обратите внимание на вза­
имосвязь между поиском цели, обработкой данных, используемой для достиже­
ния этой цели, и сбором данных для лучшего понимания цели. Чтобы достичь
результата, искусственный интеллект полагается на алгоритмы, и результат мо­
жет иметь некое отношение к человеческим задачам или методам их решения, а
может и не иметь. С учетом этого искусственный интеллект можно классифици­
ровать четырьмя способами.
»

Действующий по-человечески. Когда компьютер действует, как
человек, он лучше проходит тест Тьюринга, при котором компьютер
по возможности имитирует человека (см. детали на h t t p : //www.
t u r in g . o r g . u k / s c r a p b o o k / t e s t . h tm l). К этой категории отно­
сится все, что средства массовой информации выдают за искус­
ственный интеллект. Такие технологии используются для обра­
ботки текстов на естественном языке, для представления знаний,

автоматизации формулирования логических выводов и машинного
обучения (все четыре способны проходить тест). Первоначальный
тест Тьюринга не подразумевал физического контакта. Более новый,
полный тест Тьюринга действительно подразумевает физический
контакт в форме перцепционной способности взаимодействия, а
значит, для успеха компьютеру требуются машинное зрение и ро­
бототехника. Современные технологии склоняются к идее достиже­
ния цели, а не полного подражания людям. Например, братья Райт
(W right Brothers) добились успеха в создании самолета не точным
копированием полета птиц; птицы, скорее, подсказали идеи, кото­
рые привели к созданию аэродинамики, которая в конечном сче­
те привела к полету человека. Цель в том, чтобы летать. И птицы, и
люди решают одинаковую задачу, но используют разные подходы.
»

Думающий по-человечески. Когда компьютер думает, как человек,
он решает задачи, требующие интеллекта (а не механических про­
цедур), схожего с человеческим, такие как вождение автомобиля.
Чтобы удостовериться, думает ли программа, как человек, необхо­
дим некоторый метод выяснения того, как думают люди, определив
подход когнитивного моделирования. Эта модель полагается на три
методики.
•

Самоанализ. Выявление и документирование методик, исполь­
зуемых для достижения цели при контроле собственных мысли­
тельных процессов.

•

Психологическая проверка. Наблюдение за поведением че­
ловека и внесение результатов в базу данных подобных пове­
дений других людей при подобном стечении обстоятельств,
задаче, ресурсах и условиях окружающей среды (помимо всего
прочего).

•

Нейровизуализация. Контроль мозговой деятельности непо­
средственно, с использованием различных аппаратных средств,
таких как компьютерная томография (Computerized Axial Tomog­
raphy — CAT), позитронно-эмиссионная томография (Positron
Emission Tomography — PET), магнитно-резонансная томография
(Magnetic Resonance Imaging — MRI) и магнитоэнцефалография
(Magnetoencephalography— MEG).

После создания модели можно написать использующую ее програм­
му. С учетом огромного разнообразия человеческих мыслительных
процессов и трудностей их точного представления в программе ре­
зультаты в лучшем случае носят экспериментальный характер. Эта
категория, мышление по-человечески, зачастую используется в пси­
хологии и других областях, в которых моделируется человеческий
мыслительный процесс для создания реалистичных симуляций.

Думающий рационально. Изучение процесса мышления людей с
использованием некого стандарта позволяет выработать правила,
описывающие типичное человеческое поведение. Человека счи­
тают рациональным, когда он следует этим правилам поведения в
пределах определенных уровней отклонения. Компьютер, который
думает рационально, полагается на заранее заданные правила по­
ведения для выработки направлений взаимодействия с окружаю­
щей средой на основании имеющихся данных. Цель этого подхода
заключается в по возможности логическом решении проблем. Как
правило, этот подход подразумевает создание базовой методики
решения проблемы, которая будет затем модифицирована для фак­
тического решения конкретной проблемы. Другими словами, реше­
ние проблемы в принципе зачастую отличается от ее решения на
практике, но отправная точка все же нужна.
»

Действующий рационально. Изучение того, как люди действуют в
неких ситуациях и при определенных условиях позволяет опреде­
лить, какие методики эффективны. Компьютер, действующий раци­
онально, полагается на заранее заданные действия при взаимодей­
ствии с окружающей средой на основании условий, внешних фак­
торов и имеющихся данных. Как и при рациональном мышлении,
рациональные действия зависят от решения в принципе, которое
может и не оказаться полезным практически. Однако рациональ­
ное действие предоставляет базовую линию, относительно которой
компьютер может начать договариваться об успешном завершении
задачи.

Ч ЕЛ О В ЕК П РО ТИ В РА Ц И О Н А Л ЬН Ы Х ПРО Ц ЕССО В
Человеческие процессы отличаются от рациональных процессов. Процесс ра­
ционален, если на основании текущей информации он всегда делает правиль­
ные вещи с идеальной эффективностью. Короче говоря, если рациональные
процессы руководствуются книгой, то они полагают книгу абсолютно правиль­
ной. Человеческие процессы задействуют инстинкт, интуицию и другие пере­
менные, которые не обязательно учтут книгу и могут даже не рассматривать
имеющиеся данные.
Например, рациональный способ управления автомобилем подразумевает не­
укоснительное следование законам. Однако дорожный трафик не рационален.
Если вы будете точно следовать правилам дорожного движения, то закончи­
те влипшим во что-нибудь, поскольку другие водители не следуют правилам
абсолютно точно. Поэтому, чтобы быть успешным, беспилотный автомобиль
должен действовать по-человечески, а не рационально.

33

Категории, используемые при определении искусственного интеллекта, пре­
доставляют способ учета различных способов его применения. Некоторые из си­
стем, используемых обычно для классификации искусственного интеллекта по
типам, не очень точны и по большей части произвольны. Например, некоторые
группы разделяют искусственный интеллект на сильный (обобщенный интел­
лект, способный адаптироваться к множеству ситуаций) и слабый (специфиче­
ский интеллект, разработанный для хорошего выполнения конкретной специ­
фической задачи). Проблема с сильным искусственным интеллектом в том, что
он не справляется с задачами достаточно хорошо, в то время как слабый искус­
ственный интеллект слишком специфичен, чтобы выполнять задачи независимо.
Даже в этом случае, только при двух типах, классификация не решает своей зада­
чи даже в общем смысле. Классификация из четырех типов, предлагаемая Арен­
дом Хинтцем (Arend Hintze) (см. http://theconversation.com /understandingth e -fo u r-ty p e s-o fa i-fr o m -rea ctiv e -ro b o ts-to -self-a w a re-b ein g s-6 7 6 1 6 ),
дает лучшее основание для понимания искусственного интеллекта.
»

Реактивные машины. Примерами реактивных машин являются
компьютеры, выигрывающие у людей в шахматы или участвующие в
телевикторинах. У них нет никакой памяти или опыта, чтобы обосно­
вать решение. Для поиска каждого решения каждый раз они полага­
ются исключительно на вычислительную мощь и интеллектуальные
алгоритмы. Это пример слабого искусственного интеллекта, исполь­
зуемого для специфической цели.

»

Ограниченная память. Беспилотный автомобиль или автономный
робот не может позволить себе тратить время на поиск каждого
решения с самого начала. Эти машины полагаются на небольшой
объем памяти для хранения основанных на опыте знаний для раз­
личных ситуаций. Когда машина встречает ту же самую ситуацию,
она может положиться на свой опыт и, сократив время реакции,
предоставить больше ресурсов для принятия новых решений, кото­
рые еще не были приняты. Это пример нынешнего уровня сильного
искусственного интеллекта.

»

Теория сознания. У машины, способной оценить и свои основные
задачи, и потенциальные задачи других сущностей в том же самом
окружении, есть своего рода понимание происходящего, что вы­
полнимо до некоторой степени уже сегодня, но не в любой коммер­
ческой форме. Однако, чтобы беспилотные автомобили стали дей­
ствительно автономными, этот уровень искусственного интеллекта
следует разработать полностью. Беспилотный автомобиль должен
не только знать, что он должен прибыть из одной точки в другую,
но и предугадывать потенциально противоречащие цели водителей
вокруг себя и реагировать соответственно.

»

Самосознание. Это разновидность искусственного интеллекта, ко­
торый вы встречаете в кинофильмах. Однако он требует техноло­
гий, появление которых пока не предвидится, поскольку у такой ма­
шины должно быть и самоощущение, и самосознание. Кроме того,
вместо простого предугадывания целей других на основании окру­
жающей обстановки и реакции других сущностей этот тип машины
был бы в состоянии предусмотреть намерения других на основании
своего опыта.

История искусственного интеллекта
Предыдущие разделы этой главы помогли вам взглянуть на интеллект с че­
ловеческой точки зрения и увидеть, что современные компьютеры прискорбно
неадекватны для моделирования такого интеллекта, не говоря уже о том, чтобы
самим стать фактически интеллектуальными. Однако желание создать разум­
ную машину (как идола в древние времена) так же старо, как и мир. Желание
не быть одиноким во Вселенной, иметь нечто для общения без конфликтов с
людьми весьма велико. Конечно, в одной книге нельзя рассмотреть всю исто­
рию человечества, поэтому в следующих разделах содержится очень краткий
обзор истории современных попыток создания искусственного интеллекта.

Символическая логика в Дартмуте
Первые компьютеры были не более чем вычислительными устройствами.
Они подражали человеческой способности манипулировать символами, чтобы
выполнять простые математические задачи, такие как сложение. Впоследствии
вполне резонно потребовалось добавить возможность выполнения математи­
ческих рассуждений за счет сравнения (такого, как не больше ли одно значение
другого). Тем не менее, чтобы выполнить вычисление, люди все еще должны
были определить используемый алгоритм, предоставить необходимые данные
в правильной форме, а затем интерпретировать результат. Летом 1956 года на
семинаре в кампусе Дартмутского колледжа группа ученых попробовала сде­
лать нечто большее. Они предположили, что машины, способные рассуждать
так же эффективно, как люди, потребуют максимум появления следующего
поколения. Они ошиблись. Только сейчас мы получили машины, способные
выполнять математические и логические рассуждения так же эффективно, как
и человек (а это значит, что компьютеры должны овладеть по крайней мере
еще шестью типами интеллекта, прежде чем хоть как-то приблизятся к челове­
ческому интеллекту).
Проблема, определенная Дартмутским колледжем и другими исследовате­
лями того времени, была связана с аппаратными средствами, а именно — с их

возможностью выполнять вычисления достаточно быстро, чтобы создать си­
муляцию. Но это еще не вся проблема. Да, аппаратные средства, конечно, тоже
важны, но вы не можете моделировать процессы, которых не понимаете. Впро­
чем, даже в этом случае причиной высокой эффективности искусственного
интеллекта в настоящем является то, что аппаратные средства, наконец, стали
достаточно мощными, чтобы поддерживать необходимые объемы вычислений.

ВНИМАНИЕ!

Самая большая проблема первых попыток (и все еще значительная
проблема нынешних) заключается в том, что мы не понимаем, как
люди думают достаточно хорошо, чтобы создать хоть какую-нибудь
симуляцию, если даже предположить, что такая симуляция вообще
возможна. Вспомните упомянутые ранее проблемы управляемого
полета: братья Райт добились успеха, не моделируя полет птиц, а
скорее, выработав понимание процессов, используемых птицами,
создав, таким образом, науку об аэродинамике1. Следовательно, если
некто говорит вам, что следующее большое усовершенствование ис­
кусственного интеллекта уже прямо за углом, а никаких конкретных
научных диссертаций по задействуемым им процессам у него нет, то
и прямо за углом ничего нет.

Экспертные системы
Экспертные системы появились в 1970-х годах, а в 1980-х с их помощью
попытались снизить вычислительные требования к искусственному интеллекту
за счет использования знаний экспертов. Создавалось множество вариантов
экспертных систем, включая основанные на правилах (они используют операторы
i f . . . then для принятия решения на базе эмпирических правил), основанные на
фреймах (они используют базы данных, организованные во взаимосвязанные
иерархии обобщенной информации — фреймы) и основанные на логике (они
полагаются на теорию множеств для установления отношений). Появление
экспертных систем важно уже потому, что они представляют собой первые
действительно полезные и успешные реализации искусственного интеллекта.

О
СОВЕТ

Экспертные системы используются еще до сих пор (хотя они так
больше и не называются). Например, системы проверки правописа­
ния и поиска грамматических ошибок в вашем приложении — это
разновидности экспертных систем. В частности, система проверки
грамматики является примером экспертной системы на основании
правил. Если оглядеться внимательнее, то можно найти и другие
места, где экспертные системы все еще используются на практике в
привычных приложениях.

1См. h t t p s : / / r u . w ikipedia. o rg /w ik i/Газодинамика. — Примем, ред.

Проблема экспертных систем в том, что их иногда трудно создавать и под­
держивать. Первые их пользователи должны были изучить специализированные
языки программирования, такие как List Processing (LisP) или Prolog. Некото­
рые производители увидели возможность передать экспертные системы в руки
менее опытных или начинающих программистов, используя такие продукты,
как VPExpert (см. https://www.am azon.com /exec/obidos/ASIN/155622057X/
d atacservip 0f-20/), использовавшие подход на основании правил. Но эти про­
дукты предоставляли чрезвычайно ограниченные функциональные возможнос­
ти при использовании небольших баз знаний.
В 1990-х годах термин экспертная система начал исчезать. Сложилось мне­
ние, что экспертные системы были ошибкой, но действительность такова, что
на самом деле экспертные системы были настолько успешны, что прочно уко­
ренились в составе приложений, для поддержки которых они и были разрабо­
таны. Используем для примера текстовый процессор Word. Когда-то вы долж­
ны были покупать отдельное приложение для проверки правописания, такое
как RightWriter (http: / / w w w .right-w riter.com /). Однако теперь Word имеет
встроенную систему проверки грамматики, поскольку она доказала свою по­
лезность (хотя и не абсолютную корректность) (см. подробнее на h ttp s : //www.
w a sh in g to n p o st.co m /a r ch iv e/o p in io n s/1 9 9 0 /0 4 /2 9 /h e llo -m r -c h ip s -p c s Iearn-english/6487ce8a-18df-4bb8-b53f-62840585e49d/).

Преодоление зим искусственного интеллекта
Термин зима искусственного интеллекта (AI winter) описывает период со­
кращения финансирования разработки искусственного интеллекта. Вообще,
искусственный интеллект следовал пути, на котором сторонники преувеличи­
вали его возможности, побуждая людей с деньгами, но абсолютно не знающих
технологию, делать инвестиции. Затем был период критики, когда искусствен­
ный интеллект обманывал ожидания, и как следствие происходило сокращение
финансирования. За прошлые годы произошло несколько таких циклов, и все
они были губительными для истинного прогресса.
В настоящее время искусственный интеллект вновь находится в раздутой
фазе благодаря технологии машинного обучения (machine learning), позволя­
ющей компьютерам обучаться на основе данных. Обучение компьютера на
основе данных означает независимость от задающего действия (устанавлива­
ющего задачи) человеческого программиста, он получает их непосредственно
из примеров, демонстрирующих компьютеру необходимое поведение. Это по­
хоже на обучение ребенка, когда ему на примерах показывают, как себя вести.
У машинного обучения есть проблемы, поскольку при небрежном обучении
компьютер может научиться делать нечто неправильно.
Над алгоритмами машинного обучения работают пять научных школ, каждая
со своей точкой зрения (см. подробности в разделе “Не обмануться в ожиданиях

37

от искусственного интеллекта” далее в этой главе). Наиболее успешное реше­
ние на настоящий момент — это глубокое обучение (deep learning), технология,
стремящаяся подражать человеческому мозгу. Глубокое обучение стало возмож­
ным благодаря доступности мощных компьютеров, более умных алгоритмов,
больших наборов данных, созданных в результате оцифровки нашего сообщес­
тва, и огромных инвестиций от таких фирм, как Google, Facebook, Amazon и
других, использующих этот ренессанс искусственного интеллекта в интересах
своих корпораций.
Все говорят, что благодаря глубокому обучению зима искусственного интел­
лекта закончена, и это пока правда. Однако, оглядываясь на нынешние пред­
ставления людей об искусственном интеллекте, вполне можно предугадать
следующую фазу критики, которая неизбежно начнется, если сторонники не
снизят градус риторики. Искусственный интеллект способен на удивительные
вещи, но это вполне приземленный вид удивительного, как описано в следую­
щем разделе.

Области применения
искусственного интеллекта
Сегодня искусственный интеллект используется в очень многих приложени­
ях. Единственная проблема в том, что технология работает настолько хорошо,
что вы даже не подозреваете о ее существовании. Фактически вы можете быть
крайне удивлены, обнаружив, как много устройств в вашем доме уже исполь­
зует искусственный интеллект. Например, некоторые интеллектуальные тер­
мостаты самостоятельно создают расписания на основании того, как вы регу­
лируете температуру вручную. Аналогично голосовой ввод, используемый для
управления некоторыми устройствами, способен обучаться вашей речи, чтобы
лучше понимать вас. Искусственный интеллект, определенно, присутствует в
вашем автомобиле и почти наверняка — на рабочем месте. Фактически он ис­
пользуется миллионами экземпляров и вполне безопасен, раз он не виден, хотя
и весьма драматичен по природе.
Вот лишь несколько сфер, в которых вы могли бы увидеть использование
искусственного интеллекта.
»

Обнаружение мош енничества. Вы получаете из банка запрос, пла­
тили ли вы своей кредитной карточкой за определенную покупку.
Банк не любопытен; он просто обеспокоен тем фактом, что некто
мог сделать покупку, используя вашу карточку. Искусственный ин­
теллект банка обнаружил незнакомый шаблон расходов и предуп­
редил кого следует.

»

Планирование ресурсов. Многим организациям необходимо эф­
фективное планирование использования ресурсов. Например,
больнице, вероятно, придется решать, куда поместить пациента, ис­
ходя из его потребностей, доступности квалифицированного персо­
нала и ожидаемого периода пребывания пациента в больнице.

»

Комплексный анализ. Люди нередко нуждаются в комплексном
анализе, когда приходится учитывать слишком много факторов. На­
пример, один и тот же набор симптомов может свидетельствовать
о нескольких проблемах. Чтобы спасти пациенту жизнь, врачу или
другому специалисту может понадобиться помощь в своевремен­
ной постановке диагноза.

»

Автоматизация. Любая форма автоматизации может извлечь поль­
зу из применения искусственного интеллекта для реакции на не­
предусмотренные изменения или события. Проблема некоторых
типов автоматизации сегодня заключается в том, что непредусмо­
тренное событие, такое как нахождение объекта в неположенном
месте, фактически может привести к ее отказу. Добавление искус­
ственного интеллекта к автоматизации может позволить справиться
с непредвиденным событием и продолжить работу, как будто ниче­
го не случилось.

»

Клиентская служба. На другом конце линии клиентской службы,
в которую вы сегодня звонили, вполне могло и не быть человека.
Автоматизация сегодня достаточно хороша, чтобы, используя раз­
личные сценарии и ресурсы, справиться с подавляющим большин­
ством вопросов. При корректных интонациях голоса (также пре­
доставляемых искусственным интеллектом) вы не сможете даже с
уверенностью сказать, что говорили с компьютером.

»

Системы безопасности. Большинство систем безопасности совре­
менных машин различных видов полагается на искусственный ин­
теллект, чтобы перехватить управление транспортным средством в
критической ситуации. Например, многие автоматические тормоз­
ные системы полагаются на искусственный интеллект, чтобы оста­
новить автомобиль исходя из всех исходных данных, которые мо­
жет предоставить транспортное средство, например направления
заноса.

»

Эффективность машин. Искусственный интеллект может помочь
контролировать машину так, чтобы добиться максимальной эффек­
тивности. Искусственный интеллект контролирует использование
ресурсов, чтобы система не превышала скорости и для других за­
дач. Каждая унция (28,3495 г) мощности будет использована точно
так, как необходимо, чтобы оказать желаемую услугу.

39

Не обмануться в ожиданиях
от искусственного интеллекта
В этой главе сообщается, что слухи об искусственном интеллекте более чем
раздуты. К сожалению, здесь даже поверхностно не затрагивается вся сущес­
твующая ложь. Если вы смотрели такие фильмы, как Она (Her) (h ttp s: //www.
amazon.com/exec/obidos/ASIN/B00H9HZGQ0/datacservip0f-20/) и Из маши­
ны (Ex M achina) (https://www.amazon.com/exec/obidos/ASIN/B00XI057M 0/
d ata cserv ip 0 f-2 0 /), то у вас могло создаться впечатление, что искусственный
интеллект способен на очень многое. Проблема в том, что искусственный ин­
теллект фактически находится в младенчестве, и любой вид его применения,
такого как показано в фильмах, является плодом хорошего воображения.
Возможно, вы слышали нечто о сингулярности, послужившей причиной
громких заявлений в средствах массовой информации и кинофильмах. Техно­
логическая сингулярность (singularity) — это, по существу, верховный алгоритм
(master algorithm), охватывающий все пять научных школ в области машинно­
го обучения. Но чтобы достичь того, о чем вещают все эти источники, машина
должна быть способна учиться, как человек, а это требует наличия всех семи
видов интеллекта, обсуждавшихся ранее, в разделе “Распознавание интеллекта”.
Вот эти пять школ.
»

Символисты. Исходной точкой являются логика и философия. При
решении проблемы эта группа полагается на обратную дедукцию.

»

Коннекционисты. Исходной точкой является неврология. При ре­
шении проблемы эта группа полагается на обратное распростране­
ние ошибки.

»

Эволюционисты. Исходной точкой является эволюционная биоло­
гия. При решении проблемы эта группа полагается на генетическое
программирование.

»

Байесианцы. Исходной точкой является статистика. При решении
проблемы эта группа полагается на статистический вывод.

»

Аналогисты. Исходной точкой является психология. При решении
проблемы эта группа полагается на многоядерные машины.

Главная задача машинного обучения заключается в объединении технологий
и стратегий, представляемых пятью школами для создания единого алгоритма
(iверховного алгоритма — master algorithm), который позволяет что-нибудь изу­
чать. Конечно, до достижения этой цели еще далеко. Но несмотря на это, такие
ученые, как Педро Домингос (Pedro Domingos) (http://homes.cs.Washington.
edu/-pedrod/), работают над этой задачей уже сейчас.

Для ясности: эти пять школ не могут предоставить достаточно информации,
чтобы фактически решить проблему человеческого интеллекта, поэтому созда­
ние верховного алгоритма для всех пяти школ все еще никак не может привес­
ти к сингулярности. На настоящий момент вас должно поражать только то, на­
сколько люди ничего не знают о том, как они думают или почему они думают
определенным образом. Все слухи об искусственном интеллекте, распространя­
ющиеся по миру, являются либо надеждами людей, либо просто ложью.

Объединение искусственного
интеллекта с базовым компьютером
Чтобы увидеть искусственный интеллект в действии, необходимо иметь
своего рода вычислительную систему, содержащую необходимое программ­
ное обеспечение, и базу знаний. Вычислительной системой может быть нечто
с микросхемой внутри; фактически смартфон делает то же самое, что и на­
стольный компьютер, до некоторой степени. Конечно, если речь идет о такой
компании, как Amazon, предоставляющей рекомендации о покупке различным
людям, то смартфона окажется маловато; для такого приложения понадобится
действительно большая вычислительная система. Размер вычислительной си­
стемы прямо пропорционален ожидаемому о&ьему работ, выполняемому ис­
кусственным интеллектом.
Приложения могут также отличаться по размеру, сложности и даже располо­
жению. Например, занимаясь бизнесом и желая проанализировать клиентские
данные, чтобы решить, как лучше поднять продажи, вы могли бы положиться
на серверное приложение. С другой стороны, если вы клиент и хотите искать
на Amazon товары для покупки, приложение может даже не располагаться на
вашем компьютере; вы обращаетесь к нему через веб-ориентированное прило­
жение, размещенное на серверах компании Amazon.
Базы знаний также различаются по расположению и размеру. Чем сложнее
данные, тем больше вы можете из них получить, но и манипулировать ими так­
же понадобится больше. Когда дело доходит до управления знаниями, бесплат­
ного обеда вы не получите. Взаимосвязь между расположением и временем
также важна. Сетевое соединение позволяет обращаться к большему объему
знаний, но требует больше времени из-за необходимости передачи данных по
сетевым соединениям. Однако, хотя локальные базы данных работают бы­
стрее, им, как правило, недостает детальности.

Глава 2

Определение
роли данных
В ЭТОЙ ГЛАВЕ...
» Данные как универсальны й ресурс
» Получение и обработка данны х
» Поиск недостоверностей в данны х
» О пределение пределов сбора данны х

данных нет ничего нового. Они связаны с каждым серьезным приложе­
нием, когда-либо написанным для компьютера. Данные существуют во
многих формах — некоторые организованы, некоторые нет. Меняется
только их объем. У нас теперь есть доступ к таким большим объемам данных,
что охвачен почти каждый аспект жизни большинства людей, причем иногда
на таком уровне подробностей, который люди не могут себе даже представить.
Некоторые находят это почти ужасающим. Кроме того, использование передо­
вых аппаратных средств и усовершенствованных алгоритмов делает данные
универсальным ресурсом для искусственного интеллекта.
Для работы с данными их нужно сначала получить. Сегодня приложения
собирают данные вручную, как в прошлом, а также автоматически, используя
новые методы. Но это не вопрос только одной или двух методик сбора данных;
спектр этих методов распространяется от полностью ручного до полностью
автоматического.

В

Необработанные данные обычно малопригодны для анализа. Эта глава по­
может вам осознать необходимость в манипулировании данными и форми­
ровании данных в соответствии с определенными требованиями. Вы также
убедитесь в необходимости определения истинного значения данных, чтобы
гарантировать соответствие результатов анализа набору задач приложения.
Как ни странно, существуют пределы для сбора обрабатываемых данных.
В настоящее время не существует технологий для чтения чьих-либо мыслей
телепатическим способом. Конечно, есть и другие пределы, о большинстве из
которых вам, вероятно, уже известно, но не все из них очевидны.

Поиск данных, вездесущих на данном этапе
Большая революция данных — это намного больше, чем просто громкие
слова производителей, предлагающих новые способы хранения и анализа дан­
ных; это уже повседневная действительность и движущая сила нашего време­
ни. Возможно, вы уже слышали о больших объемах данных, упоминаемых во
многих специализированных научных и деловых публикациях, и даже задава­
лись вопросом, что именно означает этот термин. С технической точки зрения
термин большие данные (big data) относится к большим и сложным объемам
компьютерных данных, столь больших и запутанных, что приложения не могут
с ними справиться за счет применения дополнительного хранилища или увели­
чения мощности компьютера.
Большие данные подразумевают революцию в хранении данных и манипули­
ровании ими. Она затрагивает также то, чего можно достичь, используя данные
уже в качественных терминах (т.е. можно не только выполнять большие задачи,
но и выполнять их лучше). Компьютеры хранят большие данные в различных
форматах, с человеческой точки зрения, но компьютер видит данные как поток
единиц и нулей (базовый язык компьютеров). Вы можете просматривать данные
тем или иным способом в зависимости от того, как вы их получаете и исполь­
зуете. Структура одних данных проста (вы знаете точно, что они содержат и где
искать каждую их часть), тогда как другие данные структуры не имеют (у вас
есть представление о том, что они содержат, но вы не знаете точно, как их упо­
рядочить).
Типичные примеры структурированных данных — это таблицы баз данных,
в которых информация упорядочена в столбцы, и каждый столбец содержит
определенный тип информации. Как правило, данные структурируются в соот­
ветствии с проектом. Вы собираете их выборочно и записываете в соответству­
ющем месте. Например, вы могли бы расположить данные о количестве лю­
дей, покупающих определенный товар в определенном столбце определенной

таблицы в определенной базе данных. Как и в библиотеке, если вы знаете, ка­
кие данные необходимы, вы можете найти их немедленно.
Неструктурированные данные состоят из изображений, видео и звуковых
записей. Неструктурированную форму можно использовать и для текста, что­
бы можно было отметить его такими характеристиками, как размер, дата или
тип содержимого. Обычно вы не знаете точно, где находятся данные в неструк­
турированном наборе, поскольку данные представляются как последователь­
ности единиц и нулей, которые приложение должно интерпретировать или ви­
зуализировать.

ЭАПОМНИ1

Преобразование неструктурированных данных в структурирован­
ную форму может потребовать много времени и сил, а также задей­
ствовать многих людей. Большинство данных большой революции
данных не структурировано и хранится как есть, пока некто не визу­
ализирует их и не структурирует.

Хранилища этих огромных и сложных данных не возникли вдруг в одно­
часье. На разработку технологий хранения таких объемов данных потребова­
лось время. Кроме того, ушло время на распространение технологий создания
и доставки данных, а именно — компьютеров, датчиков, интеллектуальных мо­
бильных телефонов, Интернета и его служб Всемирной паутины. Следующие
разделы помогут понять то, что делает данные универсальным ресурсом.

Понятие значений Мура
В 1965 году Гордон Мур (Gordon Moore), соучредитель компаний Intel и
Fairchild Semiconductor, написал в статье “Cramming More Components Onto
Integrated Circuits” (h ttp ://ie eex p lo re .ie ee.o rg /d o cu m en t/4 7 8 5 8 6 0 /), что на
протяжении следующего десятилетия количество компонентов в интегральных
схемах будет удваиваться каждый год. Тогда в электронике доминировали тран­
зисторы. Способность встроить больше транзисторов в интегральную схему
(Integrated Circuit — 1C) означала, что электронные устройства могут стать по­
лезнее, получив больше возможностей. Этот процесс, интеграция, подразуме­
вает миниатюризацию электроники (та же микросхема способна на большее).
Современные компьютеры не намного меньше, чем компьютеры десятилетие
назад, но все они решительно более мощные. То же самое относится к мобиль­
ным телефонам. Хотя их размер практически тот же, что и у предшественников,
они способны выполнять куда больше задач.
Объявленное Муром в этой статье фактически было истиной на протя­
жении многих лет. В полупроводниковой индустрии это известно как закон
Гордона Мура (см. подробности на http://w w w .m ooreslaw .org/). Удваивание

действительно происходило на протяжении первых десяти лет, как и было
предсказано. В 1975 году Мур подправил свое утверждение, предсказав удво­
ение каждые два года. На рис. 2.1 демонстрируется эффект этого удвоения.
Такая скорость удвоения все еще имеет место, хотя теперь все едины во мне­
нии, что она не продержится дольше, чем до конца текущего десятилетия (при­
мерно до 2020 года). Начиная с 2012 года начало наблюдаться несоответствие
между ожидаемым увеличением скорости и тем, чего полупроводниковым
компаниям удается достичь в области миниатюризации.

Рис. 2.1. Процессоры содержат все больше и больше транзисторов

Существуют физические препятствия интеграции большего количества
элементов в микросхему при использовании существующих кремниевых тех­
нологий, поскольку размер компонентов уже практически предельно мал. Од­
нако нововведения продолжаются, как описано в статье h ttp : / / www.nature.
co m /n ew s/th ech ip s-a re-d o w n -fo r-m o o res-la w -1 .19338. В будущем закон
Гордона Мура может быть неприменим, поскольку промышленность пере­
йдет на новые технологии (компоненты, например, могут создаваться на базе
оптических лазеров, а не транзисторов; см. статью http: / /www. extrem etech.
com /extrem e/187746-b y-2020-you-could-havean-exascale-speed-of-lightoptical-com puteron-your-desk об оптическом компьютере). Тем не менее с
1965 года удвоение количества компонентов каждые два года возвестило боль­
шой скачок в развитии цифровой электроники, имевший далеко идущие по­
следствия в сборе, хранении, манипулировании и управлении данными.

Закон Гордона Мура оказывает прямое влияние на данные. Начнем с более
умных устройств. Чем умнее устройства, тем шире они распространены (как
доказано электроникой, ставшей повсеместной). Чем шире становится распро­
страненность, тем ниже становится цена — это бесконечный цикл, ведущий
к повсеместному использованию мощных компьютеров и маленьких датчи­
ков. Следствием доступности больших объемов машинной памяти и больших
дисковых хранилищ для данных стало существенное увеличение доступности
данных, включая веб-сайты, транзакционные записи, измерения, цифровые
изображения и другие виды данных.

Данные используются повсюду
Для научных экспериментов ученые нуждаются в более мощных компьюте­
рах, чем средний человек. Они имели дело с внушительными объемами данных
за много лет до того, как некто выдумал термин “большие данные”. Тогда Ин­
тернет не предоставлял столь обширные объемы данных, как сегодня. Помните,
что большие данные — не причуда, выдуманная производителями оборудова­
ния и программного обеспечения; они имеют основание во многих областях
науки, таких как астрономия (космические миссии), спутники (наблюдение и
контроль), метеорология, физика (ускорители частиц) и генетика (последова­
тельности ДНК).
Хотя приложения искусственного интеллекта могут специализироваться в
научной области (например, Watson от IBM имеет внушительные возможнос­
ти в медицинской диагностике, поскольку способен изучать информацию из
миллионов научных трудов о болезнях и медицине), у фактического утили­
тарного приложения искусственного интеллекта зачастую превалируют более
мирские аспекты. Реальные приложения искусственного интеллекта ценят по
большей части за то, что они способны распознавать объекты, находить пути
или понимать то, что им говорят люди. Вклад данных в текущий ренессанс
искусственного интеллекта поступил отнюдь не из классических источников
научных данных.
Сегодня Интернет создает и распространяет новые данные в огромных ко­
личествах. На данный момент ежедневно создается приблизительно 2,5 квин­
тильона (число с 18-тью нулями) байтов данных, львиной долей которых явля­
ются такие неструктурированные данные, как видео и аудио. Все эти данные
связаны с обычной человеческой деятельностью, чувствами, событиями и от­
ношениями. Странствуя по этим данным, искусственный интеллект может лег­
ко учиться тому, как рассуждает и действует человек в различных ситуациях.
Вот несколько примеров более интересных данных, которые можно найти.

»

Большое хранилище лиц и их выражений, полученных из фотогра­
фий и видео, опубликованных на социальных веб-сайтах, таких как
Facebook, YouTube и Google. Предоставляет информацию о поле,
возрасте, чувствах и, возможно, сексуальных предпочтениях, по­
литической ориентации и показателе интеллекта (см. h t t p s : / /

w w w .th eg u a rd ia n .co m /tech n o lo g y /2 0 1 7 /sep /1 2 /a rtificia lin te llig e n c e -fa c e -r e c o g n itio n -m ic h a l-k o s in s k i).
»

Частная медицинская информация и биопараметрические данные
от смарт-часов, которые измеряют такие показатели, как температу­
ра и пульс, как во время болезни, так и в здоровом состоянии.

»

Наборы данных о взаимоотношениях между людьми и интересу­
ющих их вещах, полученные из таких источников, как социальные
сети и поисковые механизмы. Например, исследование психоме­
трического центра Кембриджского университета показало, что
Facebook содержит множество данных о близких отношениях людей
(см. h t t p s : //w w w .theguardian.com /technology/2015/jan/13/

your-com puter-knows-you-researchers-cam bridge-stanfordu n iversity).
»

Информация о том, как мы говорим, записывается мобильными
телефонами. Например, функция OK Google на мобильных теле­
фонах Android обычно записывает вопросы, а иногда и не только:

h t t p s : / / q z . co m /5 2 6 5 4 5 /g o o g les-b een -q u ietly -r eco rd in g y o u r v o ic e -h e r e s -h o w -to -lis te n -to -a n d -d e le te -th e a rc h iv e /.

Каждый день пользователи подключают к Интернету все больше устройств,
начинающих хранить новые личные данные. Теперь есть личные домашние по­
мощники, такие как Amazon Echo и другие интегрированные интеллектуальные
домашние устройства, позволяющие улучшать и регулировать домашнюю об­
становку. Это только вершина айсберга, поскольку множество других бытовых
приборов (от холодильников до зубных щеток) становятся взаимосвязанными и
способными обрабатывать, записывать и передавать данные. Интернет вещей
(Internet of Things — IoT) становится реальностью. Эксперты полагают, что к
2020 году подключенных вещей будет в шесть раз больше, чем людей, но ис­
следовательские группы и исследовательские центры уже пересматривают эту
картину (http://www.gartner.com/newsroom/id/3165317).

Приведение алгоритмов в действие
Человеческий род сейчас находится на невероятном перекрестке беспреце­
дентных объемов данных, создаваемых меньшими и все более мощными аппа­
ратными средствами. Данные все так же обрабатываются и анализируются теми

же самыми компьютерами, что расширяет и углубляет процесс. Это утверждение
может показаться очевидным, но данные стали настолько вездесущими, что их
ценность больше не распространяется только на значение той информации, кото­
рую они содержат (как в случае данных, хранимых в базе компании, выполняю­
щей свою повседневную работу); ценность, скорее всего, в ее использовании как
средства создания новой информации; такие данные упоминаются как “новая
нефть” (new oil). Это новое значение по большей части заключается в том, как
приложения делают данным маникюр, хранят и возвращают их, а также в том,
как вы фактически используете их с помощью интеллектуальных алгоритмов.
Алгоритмы и искусственный интеллект изменили игру с данными. Как упо­
миналось в предыдущей главе, для алгоритмов искусственного интеллекта
опробовали различные подходы, от простых алгоритмов до символьного рас­
суждения на основании логики, а затем перешли к экспертным системам. В по­
следние годы стали увлекаться нейронными сетями, а впоследствии перешли
к их более зрелой форме, глубокому обучению. Когда этот методологический
пассаж произошел, данные превратились из информации, обрабатываемой пре­
допределенными алгоритмами, в то, что формирует алгоритм, выполняющий
нечто полезное для задачи. Данные превратились из просто сырья для принятия
решения в самого автора решения, как показано на рис. 2.2.

Рис. 2.2. При существующих решениях для искусственного
интеллекта больше данных означает больше интеллекта

Таким образом, фотография ваших котят становится куда как более полезной,
и не просто из-за ее эмоционального значения (изображение ваших симпатич­
ных котят), а потому, что может стать частью процесса обучения искусственно­
го интеллекта, обнаруживая такие более общие концепции, как характеристики,
определяющие кота, или помогая понять смысл определения “симпатичный”.

В значительно большем масштабе такие компании, как Google, кормят свои
алгоритмы из источников общедоступных данных, таких как содержимое
веб-сайтов или публично доступных текстов и книг. Программный паук Google
ползает по Всемирной паутине, перепрыгивая с веб-сайта на веб-сайт, полу­
чая веб-страницы с содержащимся на них текстом и изображениями. Даже если
Google возвращает часть этих данных пользователям в качестве результатов по­
иска, она извлекает из данных и другие виды информации, используя свои алго­
ритмы искусственного интеллекта, которые изучают ее для достижения других
целей.
Алгоритмы обработки слов могут помочь системам искусственного интел­
лекта Google понять и предупредить ваши потребности, даже когда вы не выра­
жаете их в наборе ключевых слов, а выражаетесь простым, невразумительным
человеческим языком, на котором вы говорите каждый день (да, разговорный
язык зачастую невразумителен). Если вы сейчас попробуете изложить вопрос, а
не просто цепочку ключевых слов поисковому механизму Google, то заметите,
что он склонен отвечать правильно. После 2012 года, с введением обновления
Hummingbird (http: //searchengineland.com /google-huiraningbird-172816),
система Google стала более приспособленной к пониманию синонимов и кон­
цепций, т.е. того, что обходит первоначально полученные данные, и это ре­
зультат работы искусственного интеллекта. У Google есть и более передовые
алгоритмы, например RankBrain, который непосредственно учится на многих
миллионах запросов, поступающих каждый день, и может отвечать на неод­
нозначные или неясные поисковые запросы, даже выраженные на сленге
или в разговорных терминах или просто написанных с ошибками. Алгоритм
RankBrain обслуживает не все запросы, но обучается на основе данных тому,
как лучше отвечать на запросы. Он уже обрабатывает 15 процентов запросов, а
в будущем этот процент может достичь 100.

Успешное использование данных
Доступа к огромным объемам данных недостаточно для создания успешного
искусственного интеллекта. Кроме того, алгоритм искусственного интеллекта
не может извлечь информацию непосредственно из необработанных данных.
Большинство алгоритмов полагается на внешнюю коллекцию и предваритель­
ную обработку перед анализом. Когда алгоритм собирает полезную информа­
цию, он может и не представить то, что нужно. Следующие разделы помогут в
общих чертах понять, как собрать и обработать данные, а также автоматизиро­
вать их сбор.

Источники данных
Используемые вами данные поступают из многих источников. Наиболее
распространенный источник данных — это информация, введенная когда-то
людьми. Даже когда система собирает данные сайта интернет-магазина авто­
матически, первоначально его информацию вводят люди. Человек щелкает на
разных товарах, добавляет их в корзину покупателя, задает характеристики
(например, размер) и количество, а затем просматривает. Затем, уже после по­
купки, человек дает оценку впечатлению от покупки, от товара и способа до­
ставки, указывая их рейтинг, а также вводит комментарии. Короче говоря, ка­
ждое впечатление от покупки также становится источником для сбора данных.
Сегодня многие источники данных полагаются на сведения, собранные
людьми. Люди также обеспечивают и их ввод вручную. Вы звоните или идете
в некий офис, чтобы договориться о встрече со специалистом. Секретарь опра­
шивает вас, собирая информацию, необходимую для встречи. Эти вручную
собранные данные в конечном счете лягут в основу набора данных, анализиру­
емых где-нибудь в неких целях.
Данные собирают также сенсоры, и эти сенсоры могут быть почти любы­
ми. Например, множество организаций специализируется на физическом сборе
данных, таких как количество людей, смотревших на объект в витрине, или на
обнаружении сотовых телефонов. Программное обеспечение распознавания
лиц потенциально способно обнаруживать постоянных клиентов.
Сенсоры способны создавать наборы данных почти из чего угодно. Служба
погоды полагается на наборы данных, созданные сенсорами, контролирующи­
ми погодные условия окружающей среды, такие как дождь, температура, влаж­
ность, облачный покров и т.д. Роботизированная система контроля позволяет
исправить небольшие недостатки в работе робота за счет постоянного анализа
собираемыхсенсорами данных. Сенсор, объединенный с небольшим приложе­
нием искусственного интеллекта, мог бы подсказать вам, когда ваш обед будет
совершено готов сегодня вечером. Данные собирает сенсор, а приложение ис­
кусственного интеллекта использует соответствующие правила, чтобы точно
определить, когда ваша еда будет готова.

Получение надежных данных
Определение термина надежный (reliable) кажется настолько же простым,
насколько и трудным в реализации. Нечто считается надежным, если произво­
димые им результаты ожидаемы и единообразны. Надежный источник данных
предоставляет обыденные новости без неожиданностей, не потрясая никого
сенсациями. В зависимости от вашей точки зрения это может быть и хорошо,
когда люди сморят новости не зевая, а потом не могут заснуть. Неожиданности
ГЛАВА 2 Определение роли данных

5*

делают данные ценными для анализа и изучения. Следовательно, у данных
есть аспект двойственности. Мы хотим надежных, обыденных, совершенно
предсказуемых данных, которые просто подтверждают то, что мы уже знаем,
но именно неожиданности делают сбор данных полезным.
Однако вам вовсе не понравятся совсем необычные данные, на первый
взгляд пугающие. При получении данных необходим баланс. Данные должны
находиться в определенных рамках (как упоминается далее, в разделе “Ма­
никюр данных”). Они должны также соответствовать определенным критериям
и по истинности значения (как описано далее, в разделе “Пять недостовернос­
тей данных”). Данные должны также поступать в ожидаемые интервалы време­
ни, и все поля поступающих записей должны быть заполнены.

ЗАПОМНИ1

Защита данных также в некоторой степени влияет на их надежность.
Целостность данных имеет несколько форм. Когда данные поступа­
ют, вы можете удостовериться в их принадлежности к ожидаемым
диапазонам и соответствии конкретной форме. Но и после сохране­
ния надежность данных может снизиться, если вы не гарантируете
их хранение в надлежащей форме. Некто, поиграв с данными, спосо­
бен повлиять на их надежность, сделав их подозрительными и даже
потенциально непригодными для последующего анализа. Обеспече­
ние надежности данных означает, что после поступления никто в них
не вмешается и не приведет в соответствие с ожидаемыми пределами
(сделав их в результате обыденными).

Повышение надежности ввода данных человеком
Люди делают ошибки — это свойство их натуры. Фактически неблагора­
зумно ожидать, что люди не будут делать ошибок. Все же проекты многих при­
ложений предполагают, что люди так или иначе не будут делать никаких оши­
бок. Просто проект ожидает, что все будут следовать правилам. К сожалению,
подавляющее большинство пользователей гарантированно не читает правил,
поскольку они ленивы или им недостает времени, когда дело доходит до ве­
щей, которые не кажутся им действительно необходимыми.
Рассмотрим графу о штате в форме. Если вы предоставите просто текстовое
поле, то некоторые пользователи введут название штата как, скажем, “Kansas”
(Канзас). Конечно, некоторые пользователи сделают опечатку или ошибку в
регистре букв, и получится “Kansus” или “kANSAS”. Кроме этих ошибок, у
людей и организаций могут быть разные подходы к решению одних и тех же
задач. Некто из издательской отрасли мог бы, руководствуясь стилем Ассошиэйтед Пресс (Associated Press — АР), ввести “Кап”. Кто-то постарше, ру­
ководствуясь правилами Правительственной типографии США (Government

Printing Office — GPO), введет вместо этого “Kans.” Используются и другие
сокращения. Почтовая служба США (U.S. Post Office — USPS) использует со­
кращение “KS”, а Береговая охрана США (U.S. Coast Guard) — “КА”. Тем вре­
менем Международная организация по стандартизации (International Standards
Organization — ISO) ввела такую форму, как US-KS. Представьте, это только
графа о штате, довольно простая, как можно было подумать до чтения этого раз­
дела. Понятно, поскольку штаты не собираются менять свои названия часто, в
форме вы можете просто предоставить раскрывающийся список, чтобы можно
было выбрать штат в необходимом формате и устранить разночтения в исполь­
зовании сокращений, избежать опечаток и ошибок регистра букв одним махом.

О

ЭАПОМНИ1

Раскрывающиеся списки удивительно хорошо подходят для ввода са­
мых разнообразных данных. Они гарантируют, что ввод данных чело­
веком в эти поля будет чрезвычайно надежным, поскольку у человека
нет другого выбора, кроме как использовать одно из стандартных зна­
чений. Конечно, человек вполне может выбрать неправильное значе­
ние. Вот здесь и играют свою роль перепроверки. Некоторые совре­
менные приложения сравнивают введенный почтовый индекс города
и указанный штат, чтобы удостовериться в их соответствии. Если
соответствия нет, пользователя просят повторить ввод. Эти перепро­
верки крайне раздражают, но пользователь вряд ли будут встречать­
ся с ними часто, поэтому большой проблемой это стать не должно.

Даже при двойной проверке и статически заданных возможных значениях
записи у людей все еще достаточно места для ошибок. Например, проблемой
может стать ввод чисел. Когда пользователь должен ввести “2.00”, он может
ввести “2” или “2.0”, или “2.”, или любой другой вариант. К счастью, анализ
записи и ее переформатирование устранят проблему, и вы сможете решить эту
задачу автоматически, без помощи пользователя.
К сожалению, переформатирование не исправит ошибочный числовой ввод.
Частично вероятность таких ошибок можно снизить, применив контроль диа­
пазона. Клиент не может купить -5 кусков мыла. Правильный способ позволить
клиенту вернуть куски мыла — оформить это как возврат, а не как продажу.
Однако пользователь может просто сделать ошибку, а вы можете предоставить
сообщение, подсказывающее диапазон корректных вводимых значений.

Автоматизированный сбор данных
Некоторые полагают, что автоматизированный сбор данных решит все
проблемы ввода данных человеком. Фактически автоматизированный сбор
данных действительно имеет множество преимуществ.

»

Лучшая целостность

»

Повышенная надежность

»

Пониженная вероятность пропуска данных

»

Улучшенная точность

»

Пониженный разброс при периодическом получении исходных
данных

К сожалению, нельзя сказать, что автоматизированный сбор данных решает
все проблемы. Он все еще полагается на сенсоры, приложения и компьютерные
аппаратные средства, разработанные людьми и предоставляющие доступ толь­
ко к тем данным, которые выберут люди. В связи с ограничениями, налагаемы­
ми людьми на характеристики автоматизированного сбора данных, его резуль­
тат зачастую куда менее полезен, чем надеялись разработчики. Таким образом,
автоматизированный сбор данных находится в постоянном процессе исканий,
поскольку разработчики до сих пор пытаются решить все новые проблемы.
Автоматизированный сбор данных страдает также от недостатков оборудо­
вания и программного обеспечения, присущих любой вычислительной системе,
но с более высокой вероятностью мелких проблем (soft issues), возникающих,
когда система, безусловно, работает, но желательного результата не дает, чем
проблем иного рода. Когда система работает, надежность ввода существенно
превышает человеческие возможности. Но когда одолевают не острые пробле­
мы, зачастую даже невозможно догадаться, что проблема в системе вообще су­
ществует, поскольку человек допустил бы больше ошибок. В результате набор
данных окажется содержащим больше некачественных или даже неправильных
данных, чем мог бы.

Маникюр данных
Когда люди говорят о данных, некоторые используют термин манипуляция
(manipulation), создавая впечатление, что данные изменяются неким хитрым
способом или шулерски подтасовываются. Возможно, лучшим окажется тер­
мин маникюр (manicuring), в результате которого данные получают хорошую
форму и прелестный вид. Независимо от используемого термина, необрабо­
танные данные редко отвечают требованиям для анализа и обработки. Чтобы
нечто извлечь из данных, им нужно сделать маникюр и привести в соответ­
ствие определенным требованиям. Следующие разделы посвящены задачам
маникюра данных.

Как справиться с отсутствием данных
Чтобы ответить на заданный вопрос правильно, нужно иметь все факты. Вы
можете предположить ответ на вопрос и без всех фактов, но этот ответ будет та­
ким же вероятно правильным, как и неправильным. Зачастую некто принимает
решение, по существу отвечает на вопрос, не имея всех фактов, а затем говорит,
что пришел к такому заключению. Из-за недостающих данных в ходе анализа
вы, вероятно, придете к большему количеству заключений, чем думаете. Запись
данных (data record) — это один из элементов набора данных (dataset) (т.е. всех
данных), состоящего из полей (field), которые содержат факты, используемые
для ответа на вопрос. Каждое поле содержит один тип данных, соответству­
ющий одному факту. Если это поле пусто, у вас нет необходимых данных для
ответа на вопрос с использованием данной конкретной записи.

зАпомни!

Прежде чем начать решать проблему отсутствия данных, необходимо
о ней узнать. Выяснение, что в вашем наборе данных отсутствует информация, может на практике оказаться весьма трудным, поскольку
требует просмотра данных на низком уровне. Большинство людей не
способны на это, но даже если у вас действительно есть необходи­
мые навыки, то знайте, что эта работа весьма трудоемка. Зачастую
первым признаком отсутствия данных являются нелепые ответы на
ваши вопросы, выдаваемые алгоритмом и связанным с ним набором
данных. Если используемый алгоритм правильный, значит, ошибка в
наборе данных.

Если процесс сбора данных включает в набор не все данные, необходимые
для ответа на некий вопрос, возможны проблемы. Фактически иногда выгод­
нее отбросить факт, чем использовать существенно искаженный факт. Если вы
находите, что в неком поле набора данных отсутствует 90 или более процентов
его данных, то это поле, вероятно, бесполезно, и его необходимо удалить из
набора данных (или найти способ получения всех недостающих данных).
У менее поврежденных полей данные могут отсутствовать по двум причи­
нам. Случайно отсутствующие данные — это, как правило, результат ошибки
сенсора или человека. Когда такое случается, в записях по всему набору дан­
ных есть отсутствующие элементы. Иногда причиной повреждений становится
простой аппаратный сбой. Систематическое отсутствие данных происходит во
время общего отказа некоторого типа. Пропадает весь сегмент записей в набо­
ре данных, а значит, полученный результат анализа может быть существенно
искажен.
Проще всего исправить случайное отсутствие данных. Как замену можно
просто использовать среднее значение. Да, набор данных не будет абсолютно

точным, но работать он будет, вероятно, достаточно хорошо, чтобы получать
вразумительные ответы. В некоторых случаях аналитики данных используют
для вычисления недостающих значений специальный алгоритм, который по­
зволяет сделать набор данных более точным.
Справиться с систематически отсутствующими данными значительно труд­
нее, если вообще возможно, поскольку нет никаких окружающих данных, на
основании которых можно было бы делать какие-либо предположения. Если
вы можете найти причину отсутствия данных, то их иногда можно восстано­
вить. Но если восстановление невозможно, такие поля лучше игнорировать.
К сожалению, для некоторых ответов потребуются именно эти поля, а значит,
проигнорировать, возможно, придется всю поврежденную последовательность
записей данных, потенциально способную привести к неправильным выводам.

Учет рассогласования данных
Данные могут присутствовать в каждой записи набора данных, но они могут
не согласоваться с данными в других имеющихся наборах. Например, число­
вые данные в поле одного набора данных могут иметь тип с плавающей точкой
(с десятичной точкой), а в другом наборе данных — целочисленный тип. Преж­
де чем вы сможете объединить эти два набора данных, поля придется привести
к одинаковому типу данных.
Возможны и другие виды рассогласований. Например, поля даты довольно
часто имеют разные форматы. Для сравнения форматы дат следует сделать еди­
нообразными. Однако даты коварны своей склонностью выглядеть одинаково,
но не быть таковыми. Например, даты в одном наборе данных могли бы ис­
пользовать среднее время по Гринвичу (Greenwich Mean Time — GMT), а даты
в другом — некий другой часовой пояс. Прежде чем вы сможете сравнивать
время, его придется привести к единому часовому поясу. Все может стать куда
интереснее, если даты в один набор данных поступают из мест, использующих
летнее время, а в другой — из мест, его не использующих.
Даже если типы данных и формат совпадают, возможны и другие разновид­
ности рассогласования. Например, поля в одном наборе данных могут не соот­
ветствовать полям в другом наборе данных. В некоторых случаях исправить эти
различия довольно просто. В одном наборе данных первое и второе имена мо­
гут быть одним полем, а в другом — двумя отдельными полями (для первого и
второго имен). Один из наборов данных придется изменить так, чтобы исполь­
зовалось одно поле для обоих имен или два поля для первого и второго имен.
К сожалению, распознать многие типы рассогласований в содержимом данных
куда труднее. На практике зачастую оказывается совершенно невозможно по­
нять, есть ли рассогласование вообще. Однако, прежде чем сдаваться, имеет
смысл рассмотреть следующие потенциальные решения проблемы.

»

Вычислите отсутствующие данные из других доступных данных.

»

Найдите отсутствующие данные в другом наборе данных.

»

Объедините наборы данных так, чтобы получить один набор, содер­
жащий единообразные поля.

»

Соберите дополнительные данные из разных источников, чтобы
возместить отсутствующие.

»

Переопределите свой вопрос так, чтобы в отсутствующих данных не
было больше нужды.

Отделение полезных данных от других
В некоторых организациях считается, что данных много не бывает, но избы­
ток данных является такой же проблемой, как и их недостаток. Чтобы решать
проблемы эффективно, искусственному интеллекту требуется только доста­
точное количество данных. При определении вопроса, на который вы хотите
получить краткий полезный ответ, позаботьтесь об использовании правильно­
го алгоритма (или набора алгоритмов). Конечно, главной проблемой наличия
слишком больших объемов данных является то, что поиск решения (после пе­
ребора всей горы избыточных данных) отнимает слишком много времени, и
иногда вы получаете невразумительные результаты, поскольку не можете ви­
деть лес за деревьями.

ВНИМАНИЕ!

Создавая необходимый набор данных для анализа, делайте копию пер­
воначальных данных, а не модифицируйте их сами. Всегда храните
первоначальные необработанные данные неизменными, чтобы впо­
следствии их можно было использовать для другого анализа. Кроме
того, для создания хорошего набора данных для анализа может потре­
боваться несколько попыток, поскольку может оказаться, что получен­
ный результат не соответствует вашим ожиданиям. Главное, создать
такой набор данных, который содержит только необходимое для ана­
лиза. Однако имейте в виду, что для получения желаемого результата
могут понадобиться специфические виды усечения данных (выборка).

Пять недостоверностей данных
Люди привыкли оценивать данные, выясняя, что они собой представляют,
и вырабатывая мнение о них. Фактически люди иногда искажают данные до
такой степени, что они становятся бесполезными, недостоверными (mistruth).
Компьютер не способен различать правдивые и неправдивые данные; все, что
он видит, — это данные. Одна из проблем, существенно затрудняющих, если
ГЛАВА 2 Определение роли данных

57

не делающих совсем невозможным, создание искусственного интеллекта, фак­
тически думающего, как человек, заключается в том, что люди могут работать
с недостоверными данными, а компьютеры — нет. Лучшее, чего можно на­
деяться достичь, — это выявить ошибочные данные по выбросам (outliers), а
затем отфильтровать их, но данная методика не всегда решает проблему, по­
скольку использовать данные будет все еще человек и он будет пытаться уста­
новить факты на основании недостоверных данных.

ВНИМАНИЕ!

Общепринято мнение, что для создания менее замусоренных набо­
ров данных не стоит позволять вводить данные людям, а по возмож­
ности полагаться на сбор данных сенсорами или другими средства­
ми. К сожалению, сенсоры и другие механические технологи ввода
отражают задачи разработавших их людей, и есть пределы того,
что данная конкретная технология в состоянии обнаружить. Следо­
вательно, даже данные, созданные машиной или сенсором, также
склонны к недостоверностям, которые столь трудно обнаружить и
преодолеть искусственному интеллекту.

В следующих разделах дорожно-транспортное происшествие используется
в качестве базового примера для иллюстрации пяти типов недостоверностей,
которые могут присутствовать в данных. Концепции для успешной попытки
избежать происшествия (accident) не всегда могут присутствовать в данных, но
могут и присутствовать, но не так, как нужно. Однако факт остается фактом:
вам придется иметь дело с этим при просмотре данных.

Усердие
Недостоверность усердия (mistruth o f commission) является результатом
прямой попытки заменить правдоподобной информацией неправдоподобную.
Например, при заполнении отчета о происшествии некто может заявить, что
его на мгновение ослепило солнце, поэтому он не мог заметить пострадав­
шего. В действительности человека, возможно, отвлекло что-то другое либо
он вообще думал вовсе не о дорожной обстановке (возможно, после хорошего
обеда). Если никто не опровергнет эту теорию, человек может отделаться куда
меньшим обвинением. Таким образом, данные могли бы быть искажены. В ре­
зультате страховая компания будет принимать решение о выплате на основа­
нии ошибочных данных.

©

Хотя может показаться, что недостоверности усердия легко преодо­
лимы, зачастую это не так. Человек говорит “мелкую безобидную
ложь”, чтобы не затруднять других или справиться с проблемой наименьшими личными усилиями. Иногда причиной недостоверности

усердия является плохой почерк или слух. Фактически источников
ошибок усердия (error of commission) так много, что действительно
трудно придумать сценарий, в котором некто мог бы избежать их
полностью. В результате недостоверностей этого типа иногда удает­
ся избежать, но, как правило, — нет.

Умолчание
Недостоверность умолчания (mistruth of omission) возникает, когда люди
говорят правду по каждому запрошенному факту, но умалчивают важный факт,
способный изменить восприятие происходящего в целом. Вернемся к отчету
о происшествии. Скажем, некто сбивает оленя и наносит существенный урон
своему автомобилю. Он правдиво свидетельствует, что дорога была мокрой,
что приближались сумерки, что света было маловато, что он с опозданием на­
жал на тормоз, а олень просто выскочил из чащи прямо под колеса. Заключе­
ние: инцидент — это просто несчастный случай.
Однако этот человек умолчал об одном важном факте. В это время он пи­
сал SMS-сообщение. Если бы правоохранительные органы знали об SMS-coобщении, то это изменило бы причину происшествия на невнимательность при
вождении. Водитель мог бы быть оштрафован, а страховая компания исполь­
зовала бы другую причину при вводе инцидента в свою базу данных. Как и
при недостоверности усердия, страховая компания, если не исправить ошибку в
данных, будет принимать решение о выплате на основании ошибочных данных.

О
ЗАПОМНИ!

Избежать недостоверностей умолчания почти невозможно. Да, ктото может преднамеренно умолчать о факте в отчете, но не менее ве­
роятно, что некто просто забыл включить в отчет все факты. В конце
концов, большинство людей после происшествия сильно испуганы,
в таком состоянии очень просто растеряться и сообщить только те
факты, которые оставили наиболее значительное впечатление. Впо­
следствии человек может вспомнить дополнительные детали и со­
общить их, но база данных все равно вряд ли будет содержать абсо­
лютно полный набор фактов.

Точка зрения
Недостоверность точки зрения (mistruth of perspective) возникает, когда не­
сколько сторон описывают происходящее с разных точек зрения. Рассмотрим
пример дорожно-транспортного происшествия, когда был сбит пешеход. У че­
ловека, управлявшего автомобилем и совершившего наезд, и у свидетеля будут
разные точки зрения на произошедшее. Офицер, берущий показания у каждо­
го, понятное дело, получит от них разные факты, даже с учетом того, что все

59

говорят правду, известную именно ему. Фактически опыт доказывает, что запи­
санное офицером в отчет почти всегда является средним из показаний обоих, с
тенденциозным смещением согласно личному опыту. Другими словами, отчет
будет близок к правде, но недостаточно близок для искусственного интеллекта.
Когда имеешь дело с точкой зрения, важно учитывать позицию наблюдате­
ля. Водитель автомобиля мог видеть панель приборов и знать состояние авто­
мобиля во время происшествия. Эта информация отсутствует у других сторон.
Аналогично у человека, сбитого автомобилем, наилучшая позиция наблюде­
ния, чтобы увидеть выражение лица водителя (его намерение). Свидетель мог
бы находиться в наилучшей позиции, чтобы увидеть, пытался ли водитель за­
тормозить или уклониться от столкновения и была ли у него такая возмож­
ность. Каждая сторона дает показания на основании замеченных данных, если
не извлекает пользы из сокрытия фактов.

ВНИМАНИЕ1

Точка зрения является, вероятно, самой опасной из недостовернос­
тей, поскольку любой попытавшийся выяснить правду в этом сцена­
рии закончит в лучшем случае средним из всех показаний, которые
никогда не будут полной правдой. Человек, просматривающий такую
информацию, может полагаться на интуицию и инстинкт, чтобы както приблизиться к правде, но искусственный интеллект всегда будет
использовать только среднее, а значит, всегда будет далек от истины.
К сожалению, избежать недостоверности точки зрения невозможно,
поскольку независимо от количества свидетелей события лучшее, на
что можно рассчитывать, — это приближение к правде, а не абсолют­
ная истина.

Есть и другая разновидность недостоверности точки зрения. Рассмотрим
такой случай: вы — глухой человек в 1927 году. Каждую неделю вы идете в
кинотеатр, чтобы посмотреть “немой фильм” и в течение часа или дольше чув­
ствовать себя таким, как все. Вы воспринимаете фильм точно так же, как и все
остальные, ничем от них не отличаясь. В октябре того же года вы видите объ­
явление о модернизации кинотеатра звуковой системой, чтобы можно было
показывать звуковые фильмы — фильмы со звуковой дорожкой. В объявлении
сказано, что это прекрасная вещь, и почти все, казалось бы, с этим соглашаются,
кроме вас. Теперь глухой человек будет чувствовать себя второсортным гражда­
нином, не таким, как все, и даже отлученным от кинематографа. В глазах глухого
данное объявление является недостоверностью; добавление звука — это самое
худшее, что могло произойти, а не самое лучшее. Дело в том, что очевидная ис­
тина не является истиной для всех. Идея всеобщей правды, т.е. истины для всех,
является мифом. Ее не существует.

Предубежденность
Недостоверность предубежденности (mistruth of bias) происходит тогда,
когда некто был в состоянии заметить факт, но упустил его из-за личных фак­
торов или уверенности. В примере с ДТП водитель мог сосредоточить свое
внимание на середине дороги, и олень на обочине стал невидимым. Следова­
тельно, у водителя не было времени реагировать, когда олень внезапно выбе­
жал на середину дороги.
Проблема с предубежденностью в том, что ее невероятно трудно классифи­
цировать. Например, у водителя, не заметившего оленя, мог быть настоящий
несчастный случай, олень мог быть скрыт за кустарником. Но водитель мог бы
быть виновен и в невнимательном вождении. Водитель мог также отвлечься на
мгновение. Короче говоря, тот факт, что водитель не видел оленя, не является
вопросом; вопрос в том, почему он его не видел. Во многих случаях подтверж­
дение предубежденности источника становится важным фактором при созда­
нии алгоритма, призванного избежать предубежденности источника.

О
ЗАПОМНИ!

Теоретически избежать недостоверности предубежденности мож­
но всегда. Но в действительности у всех людей есть предубеждения
разных типов, и эти предубеждения всегда будут приводить к недо­
стоверностям, искажающим наборы данных. Получить нечто, выгля­
дящее, как факт, и фактом являющееся (т.е. сделать так, чтобы это
запечатлелось в мозге человека), — довольно трудная задача. Люди
фильтруют информацию, чтобы избежать информационной пере­
грузки, и эти фильтры — также источник предубеждения, поскольку
они не позволяют людям видеть вещи реально.

Недопонимание
Система взглядов должна формироваться на основании только понимания,
а не быть результатом ошибок из-за этих пяти недостоверностей. Недосто­
верность недопонимания (frame-of-reference mistruth) происходит, когда одна
сторона описывает некое событие, а у второй стороны нет об этом никакого
понимания. В результате подробности становятся запутанными или полностью
непонятными. Многие комедии полагаются на ошибки недопонимания. Обще­
известный пример — эпизод Кто на первой базе? (Who’s On First?) комедий­
ной группы “Эбботт и Костелло”, доступный по адресу h ttp s : //www. youtube.
com/watch?v=kTcRRaXV-fg. Чтобы один человек понял то, что говорит другой,
у первого человека должны быть опыт и знания по теме — система взглядов.
Другой пример недостоверности недопонимания — когда одна сторона не
может понять другую. Например, у моряка есть опыт хождения в штормовом

море. Возможно, это просто муссон, но предположим на мгновение, что это
серьезный шторм, возможно, опасный для жизни. Даже с помощью видео, ин­
тервью и симуляторов моряк не может передать опыт выживания в опасный
для жизни шторм на море никому, кто не испытал такой шторм на себе; такой
человек просто ничего не поймет.
Наилучший способ избежать недостоверности недопонимания —
обеспечить выработку всеми участвующими сторонами подобных
систем взглядов. Для решения этой задачи, гарантированно точной
передачи данных от одного человека к другому, все стороны должны
иметь подобные опыт и знание. Ошибки недопонимания при работе
с набором данных вполне возможны, когда у вероятного контролера
нет необходимых опыта и знаний.
У искусственного интеллекта всегда будут проблемы с системой взглядов,
поскольку у него отсутствует способность накопления опыта. Банк приобре­
тенных знаний — это вовсе не то же самое, что и опыт. Банк данных содержал
бы факты, но опыт на их основании — это не только факты, но и заключения,
чего современные технологии повторить не могут.

Установление пределов сбора данных
Может показаться, что все собирают ваши данные безо всякой на то при­
чины или задней мысли. И вы правы, так оно и есть. Фактически организации
собирают, классифицируют и хранят всеобщие данные безо всякой видимой
цели или намерения. Согласно сайту Data Never Sleeps (https://ww w .dom o.
c o m /b lo g /d a ta -n e v e r -s le e p s -5 /), мир собирает данные со скоростью 2,5
квинтильона байтов в день. Эти ежедневные данные имеют разнообразные
типы и формы, что подтверждают следующие примеры.
»

Google осуществляет 3 607 080 поисков.

»

Пользователи Twitter публикуют 456 000 сообщений.

»

Пользователи YouTube просматривают 4146 600 видеофильмов.

»

Google Inbox получает 103 447 529 сообщений спама по электрон­
ной почте.

»

Weather Channel получает 18 055 555,56 запроса о погоде.

»

Giphy осуществляет 694 444 обмена файлами GIF.

Сбор данных стал наркотиком для организаций во всем мире, и некоторые
думают, что организация, собравшая их больше всех, так или иначе получит

приз. Однако сбор данных сам по себе ничего не даст. Эта проблема во всей
красе демонстрируется в книге Дугласа Адамса (Douglas Adams) Автостопом
по галактике (The Hitchhiker's Guide to the Galaxy) (h ttp s : / / www.amazon.com/
exec/obidos/A SIN /14000529 20/d atacservip 0f-20/). В книге раса суперсозданий строит огромный компьютер, чтобы вычислить “Основной Ответ на Ос­
новной Вопрос”. Ответ 42 ничего не дает, поэтому создания жалуются, что
сбор, классификация и анализ всех данных, использованных для ответа, не
привел к пригодному для использования результату. Компьютер, без сомнений,
разумный, и он дает людям действительно правильный ответ, но они должны
знать, что сам вопрос для ответа имеет смысл. Сбор данных может происхо­
дить в неограниченных объемах, но сформулировать правильный вопрос, что­
бы задать его, достаточно сложно, если вообще возможно.

©
за п о м н и 1

Основная проблема, которую должна решить любая организация по
сбору данных, — какие вопросы задать и почему они важны. Орга­
низуя сбор данных для ответа на вопрос, следует позаботиться о том,
ч т о б ы
ответ имел смысл. Например, если вы открываете магазин в
городе, то, возможно, нуждаетесь в ответах на следующие вопросы.
»

Сколько людей проходит перед магазином каждый день?

»

Сколько людей останавливается и заглядывает в витрину?

»

Как долго они смотрят?

»

В какое время дня они смотрят?

»

Приводит ли смена содержимого в витрине к лучшим результатам?

»

Что из выставленного фактически заставляет людей заходить в ма­
газин?

Список можно продолжить, но идея в том, что необходимо составить список
вопросов, решающих конкретные задачи. После того как вы составили список,
необходимо удостовериться, что каждый из вопросов фактически важен (т.е.
решает конкретную задачу), а затем установить вид информации, необходимой
для получения ответа на вопрос.

ВНИМАНИЕ!

Конечно, попытка собрать все эти данные вручную была бы невоз­
можна. Вот где играет свою роль автоматизация. Казалось бы, она
обеспечивает надежный, воспроизводимый и единообразный ввод
данных. Однако многие факторы автоматического сбора данных
могут привести к сбору не особо полезных данных. Рассмотрим, к
примеру, следующие проблемы.
»

Сенсоры могут собрать только те данные, для которых они разра­
ботаны, поэтому они могут пропустить данные, для которых они не
предназначены.
ГЛАВА 2 Определение роли данных

63

»

Люди допускают ошибки в данных разными способами (см. раздел
"Пять недостоверностей данных"), а значит, полученные данные мо­
гут быть ложными.

»

Данные могут быть искажены, когда условия для их сбора созданы
неправильно.

»

Неправильная интерпретация данных также приводит к неправиль­
ным результатам.

»

Преобразование реального вопроса в понятный компьютеру алго­
ритм также является процессом, подверженным ошибкам.

Учесть необходимо и множество других проблем (хватит на целую книгу).
Объединяя плохо собранные и плохо сформированные данные с алгоритмами,
которые фактически не отвечают на ваши вопросы, вы получаете результаты,
способные повести ваш бизнес в неправильном направлении, а затем искус­
ственный интеллект обвинят в противоречивых или ненадежных ответах. Задай­
те правильный вопрос, предоставьте правильные данные, правильно их обрабо­
тайте и проанализируйте — вот и все, что нужно сделать, чтобы сбор данных
стал инструментом, на который можно полагаться.

Глава 3

Вопросы
использования
алгоритмов
В ЭТОЙ ГЛАВЕ...
» Роль алгоритмов в искусственном интеллекте
» Победа в играх с поиском в пространстве состояний
и мини-максом
» Анализ работы экспертных систем
» Машинное обучение и глубокое обучение как часть
искусственного интеллекта

анные — это решающий фактор искусственного интеллекта. Недав­
ние авансы по поводу искусственного интеллекта намекают, что для
решения некоторых проблем правильный объем данных важнее пра­
вильного алгоритма. Например, в 2001 году два исследователя из Microsoft,
Мишель Банко (Banko) и Эрик Брил (Brill), опубликовали незабываемую ста­
тью “Scaling to Very Very Large Corpora for Natural Language Disambiguation”
(h ttp ://w w w .aclw eb .o rg /a n th o lo g y /P 0 1 -1 0 0 5 ), в которой утверждали, что
если вы хотите, чтобы компьютер создал модель языка, то вам не нужен самый
умный алгоритм в городе. После ввода более чем одного миллиарда слов в
пределах контекста любые алгоритмы начнут работать невероятно хорошо. Эта

Д

глава поможет вам понять отношения между алгоритмами и данными, а также
как они заставляют их выполнять полезную работу.
Однако, независимо от количества имеющихся данных, чтобы сделать их
полезными, необходим алгоритм. Кроме того, чтобы данные правильно рабо­
тали с выбранными алгоритмами, следует выполнить анализ данных (набор
определенных этапов). Ничего пропускать здесь нельзя. Даже при том, что ис­
кусственный интеллект — это интеллектуальная автоматизация, иногда авто­
матизация должна держаться в тени анализа. Обучаемые машины находятся в
далеком будущем. Сейчас вы не найдете машин, обладающих самодостаточно­
стью и способных полностью избежать человеческого вмешательства. Вторая
половина этой главы поможет понять роль экспертных систем, машинного об­
учения, глубокого обучения и таких приложений, как AlphaGo, для приближе­
ния будущих возможностей к современной действительности.

Понятие роли алгоритмов
Люди обычно распознают искусственный интеллект, когда инструмент
представляет новый подход и взаимодействует с пользователем способом, по­
добным человеческому. Примерами являются такие цифровые помощники, как
Сири (Siri), Алекса (Alexa) и Кортана (Cortana). Но некоторые другие обще­
принятые инструментальные средства, например навигатор GPS и специали­
зированные планировщики (такие, как позволяющие избежать столкновений
автомобилей, автопилоты в самолетах и составители рабочих планов), даже не
выглядят, как искусственный интеллект, поскольку слишком распространены
и считаются само собой разумеющимися, ведь они действуют на заднем плане
приложений.
Это, безусловно, эффект искусственного интеллекта (AI effect), описан­
ный Памелой Мак-Кордак (Pamela McCorduck), американской писательницей,
автором известной истории искусственного интеллекта, в 1979 году. Эффект
искусственного интеллекта заключается в том, что успешные интеллектуаль­
ные компьютерные программы быстро теряют благодарность людей и стано­
вятся тихими исполнителями, в то время как внимание смещается к тем про­
блемам искусственного интеллекта, которые все еще требуют решения. Люди
перестают осознавать важность классических алгоритмов для искусственного
интеллекта и начинают фантазировать об интеллекте, созданном по тайной
технологии, или сравнивать его с последними футуристическими анонсами,
таким как машинное и глубокое обучение.
Алгоритм (algorithm) — это процедура, представляющая собой последова­
тельность операций (обычно выполняемых компьютером) и гарантирующая

нахождение правильного решения задачи за конечный промежуток времени
или уведомляющая об отсутствии решения. Даже при том, что люди исполь­
зовали алгоритмы вручную на протяжении буквально тысяч лет, в зависимо­
сти от сложности решаемой задачи они могут потребовать огромных периодов
времени и множества числовых вычислений. Чем быстрее и проще алгоритмы
находят решение, тем лучше. Алгоритмы являются продуктом интеллекта соз­
давших их людей, поэтому любая работающая на алгоритмах машина не мо­
жет не отражать человеческий интеллект, встроенный в такие алгоритмичес­
кие процедуры.

Что означает алгоритм
Алгоритм всегда представляет последовательность этапов, но для решения
проблемы не обязательно выполнять все этапы. Возможности алгоритмов не­
вероятно велики. Операции могут задействовать хранение данных, их иссле­
дование и упорядочение в структуры данных. Вы можете найти алгоритмы,
решающие задачи в науке, медицине, финансах, промышленном производстве
и телекоммуникациях.
Все алгоритмы — это последовательности операций по нахождению пра­
вильного решения задачи за разумное время (или оповещению об отсутствии
решения, если его нет). Алгоритмы искусственного интеллекта отличаются от
обобщенных алгоритмов решения задач, являющихся обычно (или даже ис­
ключительно) результатом действия человеческого интеллекта. Алгоритмы
искусственного интеллекта обычно имеют дело со сложными проблемами, за­
частую являющимися частью NP-полной задачи (где NP — это недетермини­
рованное полиномиальное время), а люди обычно имеют дело с комбинацией
рационального подхода и интуиции. Вот лишь несколько примеров.

О
СОВЕТ

»

Планирование и распределение при недостатке ресурсов.

»

Поиск маршрутов в сложных физических или фигуративных про­
странствах.

»

Распознавание шаблонов в видимом изображении (не путать с вос­
становлением или обработкой изображения) или слышимом звуке.

»

Обработка языка (понимание текста и перевод на другой язык).

»

Игра (и победа) в соревновательных играх.

NP-полные задачи отличаются от других алгоритмических задач,
поскольку поиск их решения за разумный период времени все еще
невозможен. NP-полные задачи — это не те задачи, которые можно
решить перебором всех возможностей и их комбинаций. Даже если
бы были компьютеры, куда более мощные, чем современные, поиск

решения затянулся бы почти навсегда. Подобной проблемой в об­
ласти искусственного интеллекта является полный искусственный
интеллект (AI-complete).

Планирование и ветвление
Планирование помогает определить последовательность действий для до­
стижения определенной цели. Это классическая задача искусственного ин­
теллекта, ее примеры можно найти при планировании в промышленном про­
изводстве, распределении ресурсов и перемещениях робота в помещении.
Искусственный интеллект определяет все возможные действия начиная с теку­
щего состояния. Технически он развивает (expand) текущее состояние во мно­
гие будущие состояния. Затем он развивает все будущие состояния уже в их
собственные будущие состояния и т.д. Когда дальнейшее развитие становится
невозможным, искусственный интеллект останавливает процесс, создав про­
странство состояний (state space), состоящее из того, что могло бы случиться
в будущем. Искусственный интеллект может использовать пространство со­
стояний совсем не так, как возможный прогноз (фактически он прогнозиру­
ет все, хотя одни будущие состояния более вероятны, чем другие). Он может
использовать пространство состояний для исследования решений, которые он
может принять, чтобы достигнуть своей цели наилучшим способом. Это поиск
в пространстве состояний (state-space search).
Работа с пространством состояний требует использования и специфических
структур данных и алгоритмов. Общепринятыми структурами для базовых
данных являются деревья и графы. Для эффективного исследования графов
применяются такие популярные алгоритмы, как поиск в ширину (breadth-first
search) и поиск в глубину (deep-first search).
Дерево данных очень похоже на настоящее дерево. Каждый добавляемый
элемент является узлом (node). Узлы соединяются между собой связями. Комби­
нация узлов и связей формирует структуру, выглядящую, как дерево (рис. 3.1).

о
ЭАПОМНИ1

Деревья имеют один корневой узел, точно так же, как и физическое
дерево. Корневой узел (root node) — это отправная точка для выпол­
няемой обработки. С корнем соединены ветви или листья. Узел листа
(leaf node) — это конечная точка дерева. Узлы ветвей (branch node)
поддерживают другие ветви или листья. Дерево на рис. 3.1 является
бинарным, поскольку у каждого узла есть по меньшей мере два со­
единения (но у деревьев, представляющих пространства состояний,
может быть какое угодно количество ветвей).

Рис 3.1. Дерево может выглядеть как его физический прототип,
а может располагаться корнем вверх

Если рассмотреть дерево, то ветвь В является потомком (child) корневого
узла. Поэтому корневой узел является первым в списке. Листья Е и F оба яв­
ляются потомками ветви В, что делает ветвь В предком (parent) листьев Е и F.
Отношения между узлами важны, поскольку обсуждения деревьев нередко рас­
сматривают родительски/дочерние отношения между узлами. Без этих терминов
обсуждение деревьев может стать весьма невразумительным.
Граф (graph) — это своего рода модификация дерева. Подобно деревьям,
здесь есть соединенные между собой узлы, формирующие отношения. Однако
в отличие от бинарных деревьев, у узла графа может быть больше одной или
двух связей. Фактически у узлов графа обычно есть множество соединений,
а самые важные узлы могут иметь связи в любом направлении, а не только от
предка к потомку. В простейшем виде граф выглядит как на рис. 3.2.
Графы — это структуры, представляющие множество узлов (или вершин
(vertex)), соединенных множеством ребер (edge) или дуг (arc) в зависимости от
представления. Граф можно считать структурой, подобной карте, на которой
каждое место является узлом, а улицы — ребрами. Это отличается от дерева, на
котором каждый путь завершается листом. Граф представлен на рис. 3.2. Гра­
фы особенно полезны при изучении состояний, представляющих своего рода
физическое пространство. Например, системы GPS используют граф для пред­
ставления мест и улиц.
Графы имеют также несколько новых подвохов, которые вы, возмож­
но, не заметили. Например, граф может иметь концепцию направленности

(directionality). В отличие от дерева, у которого есть родительские/дочерние
отношения, узел графа может соединяться с любым другим узлом в определен­
ном направлении. Считайте их улицами в городе. Большинство улиц — с двух­
сторонним движением, но некоторые — с односторонним, по которым можно
двигаться только в одном направлении.

Рис. 3.2. Узлы графа могут соединятьсямежду собой по-разному

Представление соединений графа может и не отражать реалии графа. Граф
может определять коэффициенты для соединений. Коэффициент может опре­
делять дистанцию между двумя пунктами, время для прохождения маршрута
или другие виды информации.

СОВЕТ

Дерево — это не более чем граф, в котором любые две вершины со­
единяются только одной связью, и это не допускает циклов (чтобы
можно было вернуться к предку от любого потомка). Многие алго­
ритмы графов применимы только к деревьям.

Пересечение графа означает поиск (посещение) каждой вершины (узла) в
определенном порядке. Процесс посещения вершины может включать его чте­
ние и модификацию. По мере пересечения графа вы обнаруживаете вершины,

которые еще не были посещены. Вершина становится обнаруженной (посколь­
ку вы ее только что посетили) или обработанной (поскольку алгоритм опро­
бовал все следующие из нее ребра) после поиска. Порядок поиска определяет
его вид: неосведомленный (поиск вслепую) и осведомленный (эвристика). При
неосведомленной (uninformed) стратегии искусственный интеллект исследует
пространство состояний без дополнительной информации, кроме структуры
графа, которую он выясняет по мере его пересечения. В следующих разделах
рассматриваются два популярных алгоритма поиска вслепую: поиск в ширину
и поиск в глубину.
Поиск в ширину (Breadth-First Search — BFS) начинается с корня графа и
исследует каждый присоединенный к нему узел. Затем поиск переходит на сле­
дующий уровень и далее по очереди, пока не будет достигнут конец. Следова­
тельно, в примере графа поиск распространится от вершины А к В и С прежде,
чем дойдет до вершины D. Поиск в ширину исследует граф систематически,
просматривая вершины вокруг начальной вершины. Он начинается с посеще­
ния всех вершин от стартовой вершины, а затем переходит к следующей и т.д.
Поиск в глубину (Depth-First Search — DFS) начинается с корня графа, а за­
тем переходит к каждому следующему узлу от корня вниз и до конца. Затем он
следует в обратном порядке и начинает исследовать путь, отличный от преды­
дущего, пока снова не достигнет корня. В этот момент, если доступны другие
пути от корня, алгоритм выбирает следующий и начинает тот же самый поиск
снова. Идея в том, чтобы исследовать каждый путь полностью прежде, чем
исследовать любой другой путь.

Состязательные игры
Самое интересное в поиске в пространстве состояний — это то, что он де­
монстрирует и нынешние и будущие возможности искусственного интеллекта.
Так происходит в случае состязательных игр (игр, в которых один побеждает,
а остальные проигрывают) или любой подобной ситуации, в которой участ­
ники преследуют цель, находящуюся в противоречии с целями других. Про­
стая игра в крестики-нолики представляет собой совершенный пример игры
поиска в пространстве, в которую вы, возможно, уже играли с искусственным
интеллектом. В фильме Военные игры (WarGames), вышедшем в 1983 году,
суперкомпьютер WOPR (War Operation Plan Response) играет против себя с
потрясающей скоростью, но все же не может победить, поскольку игра дей­
ствительно проста, и если использовать поиск в пространстве состояний, то
проиграть невозможно.
В игре девять клеток, в которые каждый игрок записывает крестик или но­
лик. Первый, кто соберет метки в ряд (горизонтальный, вертикальный или ди­
агональный), победил. При создании дерева пространства состояний каждый
ГЛАВА 3

Вопросы использования алгоритмов

71

уровень дерева представляет ход в игре. Конечные узлы представляют фи­
нальные состояния доски и определяют победу, ничью или поражение искус­
ственного интеллекта. У каждого листа есть бал, у победного — высокий, у
ничейного — средний, а у проигрышного — низкий или даже отрицательный.
Используя суммирование, искусственный интеллект просчитывает балы к
верхним узлам и ветвям до достижения стартового узла. Стартовый узел пред­
ставляет текущую ситуацию. Для пересечения дерева используется простая
стратегия: когда ход искусственного интеллекта и вы должны рассмотреть
значения многих узлов, вы суммируете максимальное значение (очевидно, по­
тому, что искусственный интеллект должен добиться максимального счета в
игре); когда наступает очередь противника, вы суммируете вместо этого ми­
нимальное значение. В результате вы получаете дерево, ветви которого ква­
лифицируются балами. Когда наступает очередь искусственного интеллекта,
он выбирает свой переход на основании ветви с самым высоким значением,
поскольку это подразумевает путь по узлам с самой высокой возможностью
победить. Пример этой стратегии приведен на рис. 3.3.
Текущий ход:
X играет, X максимизирует

X

о

о о

X
X

Ничья

1 0 выи

Следующий ход:
О играет, 0 минимизирует

о
X
о о X
X
X

X выиграл
Следующий ход:
X играет,
X максимизирует

Последний ход:
Игра закончена

X о о
о о X
X
X
X выиграл |

X

о

о о

X

X

X

Ничья

о
X
о о X
X о X

X о о
о о X
X X X

Ничья
X X о
о о X
X о X

X выиграл

Ничья

О выиграл

о
X
о о X
X X

I
О выиграл

О выиграл

Рис. 3.3. Приближение к мини-максу в игре “крестики-нолики"

Это подход приближения к мини-максу (min-max approximation). Рональд
Линн Ривест (Ronald Rivest) из лаборатории информатики Массачусетсского
технологического института опубликовал его в 1987 году (его статью можно
прочитать по адресу h t t p s : //p e o p le .c s a il.m it .e d u /r iv e s t /p u b s /R iv 8 7 c .
pdf). С тех пор этот алгоритм и его варианты легли в основу множества

соревновательных игр, включая недавно анонсированную игру AlphaGo от
Google DeepMind, в которой используется подход, напоминающий приближе­
ние к мини-максу (в фильме Военные игры 1983 года представлен тот же са­
мый подход).

О
СОВЕТ

Иногда в контексте приближения к мини-максу можно услышать
термин альфа-бета-отсечение (alpha-beta pruning). Это интеллек­
туальный способ сокращения количества рассматриваемых узлов в
древовидной иерархии сложных пространств состояний, существен­
но сокращающий количество вычислений. Не все игры имеют ком­
пактные деревья пространства состояний, но когда количества ветвей
исчисляются миллионами, их отсечение необходимо для сокращения
объемов вычислений.

Использование локального поиска и эвристики
Многое изменилось со времени появления подхода поиска в пространстве
состояний. В конце концов, никакая машина независимо от ее мощности не
сможет перебрать все возможности в любой ситуации. В этом разделе про­
должается рассмотрение игр, поскольку они предсказуемы и имеют фиксиро­
ванные правила, тогда как большинство реальных ситуаций непредсказуемы и
никаких правил не имеют, что делает игры оптимальным выбором.
В шашках, относительно простой игре по сравнению с шахматами или Го,
возможно 500 миллиардов миллиардов (500 000 000 000 000 000 000) позиций
на доске. Это значение вычислено математиками из Университета Гавайев и
соответствует количеству всех песчинок на Земле. Конечно, во время игры в
шашки делается куда меньше ходов, но все же количество потенциальных ва­
риантов при каждом ходе слишком велико для вычислений. Чтобы вычислить
все 500 миллиардов миллиардов возможных ходов, мощным компьютерам
потребуется 18 лет (h t t p : //s c ie n c e n e t lin k s .c o m /s c ie n c e - n e w s /s c ie n c e u p d ates/ch eck ers-so lv ed /). Только представьте, как долго компьютер потре­
бительского класса будет рассчитывать даже куда меньшее количество ходов.
Чтобы процесс остался подконтрольным, это должно быть очень маленькое
подмножество всех возможных ходов.
Оптимизация с использованием локального поиска и эвристики позволяет
ограничить количество возможных вычислений, как при альфа-бета-отсечении, когда некоторые вычисления отбрасываются, поскольку ничего не дают
для успеха. Локальный поиск (local search) — это общий подход к решению
задач, реализуемый множеством алгоритмов, позволяющих избежать экспо­
ненциального роста сложности многих NP-задач. Локальный поиск начинается
с текущей ситуации или несовершенного решения задачи и перемещается от

нее шаг за шагом. Локальный поиск выясняет пригодность соседних решений,
потенциально приводя к более совершенному решению на основании случай­
ного выбора или осмысленной эвристики (а значит, никакого точного метода
решения нет).

о
ЗАПОМНИ1

Эвристика (heuristic) — это обоснованное предположение о реше­
нии, такое как эмпирическое правило, которое указывает направле­
ние к желаемому результату, но не способное подсказать точно, как
его достичь. Это как будто, заблудившись в незнакомом городе, спра­
шивать людей, как добраться до своей гостиницы. Вам укажут на­
правление, но без точных инструкций и примерного расстояния.

Алгоритмы локального поиска поэтапно улучшают состояние начиная от
стартового и переходя шаг за шагом к соседним решениям в пространстве со­
стояний, пока дальнейшее улучшение не окажется невозможным. Поскольку
алгоритмы локального поиска просты и интуитивно понятны, разработать под­
ход локального поиска для решения алгоритмической задачи нетрудно, а вот
сделать его эффективным обычно более чем трудно. Главное — определить
правильную процедуру.
1 . Начните с существующей ситуации (это может быть текущая ситуация, случай­
ное или известное решение).
2.

Найдите набор новых возможных решений в пределах окрестностей текущего
решения; они составят список кандидатов.

3 . Определите решение, используемое вместо текущего на основании вывода
эвристики, получившей на входе список кандидатов.

4.

Продолжите выполнять пп. 2 и 3 до тех пор, пока не прекратится дальнейшее
улучшение, означающее нахождение лучшего из решений.

Хотя разработка локального поиска проста, она зачастую не позволяет найти
решение за разумное время (вы можете остановить процесс и использовать те­
кущее решение) или предлагает решение, незначительно лучшее. Нет никакой
гарантии, что локальный поиск найдет решение задачи, но есть шанс действи­
тельно улучшить первоначальное решение, если предоставить ему достаточ­
но времени. Он остановится только после того, как не сможет найти дальней­
ший способ улучшить решение. Секрет в том, чтобы исследовать правильную
окрестность. Если вы исследуете все, то скатитесь к полному перебору, подра­
зумевающему взрывообразный рост вариантов для исследования и проверки.
Доверие к эвристике ограничивает, когда нужна эмпирика. Иногда эвристи­
ка — это случайность, и такое решение, несмотря на не интеллектуальность
подхода, вполне может прекрасно работать. Немногие знают, что автономный
робот-пылесос Roomba, созданный тремя специалистами из Массачусетсского

74

технологического института, первоначально не планировал свою траекторию,
он просто двигался в случайных направлениях. И все же владельцы считали его
разумным устройством, ведь свою работу по уборке он выполнял превосходно.
(Фактически интеллект заключался в идее использовать случайность для реше­
ния задачи, которая в противном случае оказалась бы слишком сложной).
Случайный выбор — не единственная доступная эвристика. При исследо­
вании локальный поиск способен полагаться и на более осмысленные реше­
ния с использованием лучше обоснованной эвристики для получения направ­
ления поиска, такие как оптимизация восхождением к вершине (hill-climbing
optimization) или алгоритм возврата (twiddle), и избежать ловушки принятия
посредственных решений, как при имитации отжига (simulated annealing) и
поиске с запретами (tabu search). Оптимизация восхождением к вершине, ал­
горитм возврата, имитация отжига и поиск с запретами — это все алгоритмы
поиска, эффективно используемые эвристикой для получения направления.
Алгоритм восхождения к вершине сродни действию силы гравитации. Пред­
ставьте, что, когда мяч катится по склону, он выбирает самый крутой спуск, а
когда его нужно закатить на холм, имеет смысл выбрать кратчайший путь до­
стижения вершины, которым также является самый крутой склон. Таким обра­
зом, задача искусственного интеллекта — спуститься во впадину или подняться
на вершину, а эвристика подскажет направление, указав самый крутой подъем
или спуск из возможных в пространстве состояний. Это весьма эффективный
алгоритм, хотя в некоторых ситуациях, известных как плато (промежуточные
точки минимума) и пики (локальные максимальные точки), он ошибается.
Алгоритм возврата или покоординатного спуска (coordinate descent) подо­
бен алгоритму восхождения к вершине. Эвристический алгоритм возврата под­
разумевает исследование всех возможных направлений, но поиск концентриру­
ется в направлении лучших окрестностей. По мере продвижения он калибрует
свои шаги, замедляясь по мере приближения к трудным для поиска участкам,
чтобы находить лучшие решения, пока процесс не достигнет остановки.
Термин имитация отжига произошел от металлургической технологии, в
ходе которой металл нагревают, а затем медленно охлаждают, чтобы сделать
его мягче для обработки в холодном состоянии, а также для устранения меж­
кристаллических напряжений (см. http://w w w .brighthubengineering.com /
m an u fa ctu rin g -tech n o lo g y /30476 -w h a t-is-h e a t-tr e a tm e n t/). Локальный
поиск воспроизводит эту технологию при поиске решения, как будто меняется
атомная структура, чтобы улучшить работоспособность. Температура — ре­
шающий фактор в процессе оптимизации. Подобно тому, как высокая темпе­
ратура ослабляет структуру материала (твердое плавится, а жидкое испаряет­
ся), высокая температура в алгоритме локального поиска снижает критерий
отбора (objective function), позволяя предпочесть худшие решения лучшим.
ГЛАВА 3

Вопросы использования алгоритмов

75

Имитация отжига изменяет процедуру восхождения к вершине, сохраняя кри­
терий отбора для вычисления соседнего решения и позволяя осуществлять вы­
бор решения для поиска различными способами.
Поиск с запретами подразумевает запоминание подлежащих исследованию
частей окрестности. Когда решение кажется найденным, предпринимается по­
пытка вернуться к другим возможным путям, которые еще не опробовались,
чтобы выявить лучшее из решений.
Использование направления (вверх или вниз), температуры (контролируемой
случайности) или просто запрета или выделения части в искомом фактически
является способом избежать перебора всех возможностей и сконцентрировать­
ся на перспективных решениях. Рассмотрим, например, перемещение робота.
Задача — провести робота по неизвестной окружающей обстановке, избегая
препятствий, и достичь заданного места. Это сложная фундаментальная задача
искусственного интеллекта. Для ориентации на местности роботы могут по­
лагаться на лазерный инфракрасный дальномер (лидар — LIDAR) или сонар
(использует звук для наблюдения окружающей обстановки). Но несмотря на
техническое оснащение, роботы все еще нуждаются в надлежащих алгоритмах
для следующего.
»

Поиск кратчайшего (или по крайней мере разумно короткого) пути
к месту назначения.

»

Избегание препятствий на пути.

»

Выполнение специальных требований, таких как минимум поворо­
тов или торможений.

Алгоритм поиска пути позволит роботу начать движение в одном месте и
достичь места назначения по кратчайшему пути между этими двумя точками,
избежав препятствий. (Реакции после столкновения со стеной недостаточно.)
Поиск пути используется также при перемещении любого объекта к цели в
пространстве, даже виртуальном, как в видеоигре или на веб-странице. Робот
при поиске пути воспринимает пройденный путь как последовательность про­
странств состояний в границах его сенсоров. Если цель находится вне пределов
их досягаемости, робот не будет знать, куда идти. Эвристика может направить
его в правильную сторону (например, знание того, что цель находится в север­
ном направлении), позволив избежать ненужных затруднений, связанных с не­
обходимостью рассматривать все остальные возможные пути.

Понятие обучения машины
Все рассмотренные до сих пор примеры алгоритмов связаны с искусствен­
ным интеллектом, поскольку все они — интеллектуальные решения повторя­
ющихся, жестко разграниченных, сложных задач, требующих интеллекта. Они
требуют, чтобы архитектор изучил задачу и выбрал правильный алгоритм для
ее решения. Однако смена задачи, ее коррекция или непредвиденные факторы
могут стать реальной проблемой для успешного применения алгоритма. Это
связано с тем, что изучение задачи и ее решение осуществляются раз и навсег­
да, пока алгоритм используется в программном обеспечении. Например, вы
вполне можете создать программу с искусственным интеллектом для решения
судоку (популярная игра, требующая вписать числа в клетки поля согласно пра­
вилам: https://www.learn-sudoku.com /what-is-sudoku.htm l). Вы даже може­
те обеспечить алгоритму некую гибкость, которая позволит учесть больше пра­
вил или больший размер игрового поля. Питер Норвиг (Peter Norvig), директор
по исследованиям корпорации Google, написал чрезвычайно интересное эссе
на эту тему (http: //norvig.com /sudoku.htm l), в котором демонстрирует, как
разумное использование поиска в глубину позволяет сократить количество вы­
числений (в противном случае вычисления могут длиться вечно). Применение
ограничителей позволяет вначале исследовать меньшие ветви, что делает реше­
ние судоку вполне возможным.
К сожалению, не все проблемы могут полагаться на решения, подобные су­
доку. Проблемы реального мира никогда не возникают в простых мирах совер­
шенной информации и четких действий. Рассмотрим задачу поиска страхового
мошенника или задачу диагностики заболеваний.
»

Большой набор правил и возможностей. Количество возможных
мошенничеств невероятно велико; у многих болезней схожие сим­
птомы.

»

Недостаток информации. Мошенники могут скрывать информа­
цию; врачи зачастую полагаются на неполную информацию (анали­
зы могут еще отсутствовать).

»

Правила могут изменяться. Мошенники изобретают все новые и
новые способы надувательства; новые болезни возникают и обна­
руживаются.

Для решения таких задач нельзя использовать предопределенный подход.
Чтобы справляться с любыми новыми ситуациями, подход должен быть гиб­
ким, необходимо накопление полезных знаний. Другими словами, для адапта­
ции к изменениям в сложной окружающей обстановке необходимо продолжать
учиться, как люди учатся весь свой век.
ГЛАВА 3

Вопросы использования алгоритмов

77

Работа экспертных систем
Экспертные системы были первой попыткой избежать жестко заданных ал­
горитмов и выработать более гибкие и интеллектуальные способы решения ре­
альных задач. Лежащие в основе экспертных систем идеи были простыми и
вполне подходящими на те времена, когда хранение и доступ к большим коли­
чествам данных в машинной памяти были дорогостоящими. Сегодня это может
показаться странным, но в 1970-х годах такие ученые в области искусственного
интеллекта, как Росс Квиллиан (Ross Quillian), вынуждены были демонстриро­
вать построение рабочих языковых моделей на базе словаря только из 20 слов,
поскольку машинная память тех времен могла содержаться лишь столько слов.
Немного возможностей доступно, если компьютер не может содержать все дан­
ные, и решение заключалось в работе только с ключевой информацией по проб­
леме и получению ее от людей, разбирающихся в ней лучше всех.

О
ЗАПОМНИ!

Экспертные системы были экспертными не потому, что их знания
базировались на результате собственного обучения, а скорее потому,
что они получали свои знания от экспертов-людей, которые предо­
ставляли предварительно подготовленную систему ключевой инфор­
мации, полученной ими из книг либо от других экспертов или изо­
бретенной самостоятельно. В основном это был интеллектуальный
способ воплощения знаний в машине.

Примером одной из первых таких систем является MYCIN; она диагности­
ровала болезни, связанные со свертываемостью крови, и такие бактериальные
инфекции крови, как менингит (воспаление мембран, защищающих головной
и спинной мозг). Система MYCIN рекомендовала правильную дозировку ан­
тибиотиков на основании более 500 правил, а при необходимости вызывала
использующего систему врача. Когда информации не хватало, например от­
сутствовали результаты лабораторных анализов, система MYCIN начинала
консультативный диалог, задавая корректные вопросы по существу, чтобы удо­
стовериться в правильности диагноза и терапии.
Написанная на языке LisP в качестве докторской диссертации Эдвардом Хан­
сом Шортлифом (Edward Shortliffe) из Стэнфордского университета, система
MYCIN потребовала пяти лет труда, а по завершении работала лучше, чем лю­
бой начинающий врач, с перспективой достичь точности диагностики опытного
врача. За несколько лет до этого в той же лаборатории была разработана систе­
ма DENDRAL — первая из когда-либо созданных экспертных систем. Она была
весьма сложным приложением, специализировавшимся на органической химии
с алгоритмами, решавшими задачи “в лоб” и оказывающимися бесполезными
при встрече с человеческой эвристикой на базе практического опыта.

Что касается успеха MYCIN, то возникли некоторые проблемы. Во-первых,
были не ясны условия ответственности. (Если система поставила неправиль­
ный диагноз, то кто несет ответственность?) Во-вторых, у MYCIN была про­
блема удобства и простоты использования, поскольку во времена младенчества
Интернета врач мог подключиться к MYCIN, только используя дистанционный
терминал для мэйнфрейма в Стэнфорде, что было весьма трудно и медленно.
Но все же система MYCIN доказала свою эффективность и полноценность в
поддержке решений человека, и это проложило путь многим другим эксперт­
ным системам, которые распространились чуть позже, в 1970- и 1980-х годах.
Вообще, экспертные системы того времени состояли из двух великолеп­
ных компонентов: базы знаний и механизма логического вывода. База знаний
(knowledge base) хранит знания как коллекцию правил в форме операторов
i f . . . then (где часть i f включает одно или несколько условий, а часть then —
выдаваемые рекомендации). Эти символы операторов, разные у разных систем,
способны проверять одиночные события или факты, классы и производные
классы, позволяя манипулировать ими, используя булеву логику или сложную
логику первого порядка, которая учитывает все возможные операции.

О
СОВЕТ

Логика первого порядка (first-order logic) — это набор операций,
идущих куда далее связанных с простыми комбинациями значений
TRUE (истина) и FALSE (ложь). Например, здесь есть такие концеп­
ции, как FOR ALL (для всех) и THERE EXIST (существует), позво­
ляющие иметь дело с операторами, которые могут быть истиной, но
не могут быть подтверждены доказательством на данный момент.
Куда больше об этой форме логики можно узнать из статьи http: / /
w h a tis. te c h ta r g e t. с о т /d e f in it io n /f ir s t - o r d e r - lo g ic .

Механизм логического вывода (inference engine) — это набор инструкций,
указывающих системе, как манипулировать условиями на основании таких
операторов булевой логики, как AND, OR или NOT. Этот логический набор,
использующий TRUE (соответствующее или, технически, “сработавшее” пра­
вило) и FALSE (не соответствующее правило) как символьные условия, спосо­
бен объединять их в сложные рассуждения.
Поскольку система была создана на базе последовательности операторов i f
(условия) и then (выводы) и имела вложенный структурированный по уровням
характер, полученная вначале информация позволяла сразу исключить неко­
торые заключения, а также помочь системе, взаимодействуя с пользователем,
выяснить информацию, способную привести к правильному ответу. При ис­
пользовании с механизмом логического вывода для экспертных систем было
характерно следующее.

»

Прямая цепочка рассуждений. Доступное доказательство делало
на каждом этапе серию правил подходящими, а другие исключало.
Система первоначально концентрировалась на правилах, которые
могли бы быть подходящими и привести к заключению. Это явно
подход, управляемый данными.

»

Обратная цепочка рассуждений. Система вычисляет каждое воз­
можное заключение и пытается доказать каждое из них на основа­
нии доступного доказательства. Этот подход, управляемый целями,
позволяет определить, какие вопросы стоит задать, и исключает це­
лые наборы задач. Система MYCIN использовала обратную цепочку
рассуждений — общепринятую стратегию развития от гипотезы на­
зад, к доказанному медицинскому диагнозу.

»

Разрешение конфликтов. Если система сделала больше одного
вывода за раз, она предпочитает заключение с определенными
характеристиками (важность, риск или другие факторы). Иногда
система консультируется с пользователем, и решение принимает­
ся на основании оценки пользователя. Например, система MYCIN
использовала коэффициент уверенности, оценивавший вероятную
точность диагноза.

Одним из главных преимуществ таких систем было представление знания
в удобочитаемой для людей форме, процесс принятия решения был понятен и
изменяем. Если система пришла к выводу, она оповещает об использованных
при этом правилах. Пользователь может систематически наблюдать за работой
системы и оценивать достоверность или ошибочность выводов. Кроме того,
экспертные системы были просты в реализации на таких языках программи­
рования, как LisP или ALGOL. Пользователи улучшали экспертные системы в
течение долгого времени, добавляя новые или изменяя существующие прави­
ла. Они могли даже заставить ее работать в условиях неуверенности за счет
применения нечеткой логики (fuzzy logic), своего рода многозадачной логики,
в которой значение может содержать нечто среднее между 0, абсолютной ло­
жью и 1, абсолютной истинной. Нечеткая логика избегает резких движений,
когда правила выбираются на основании пороговых значений. Например, если
утверждается, что правило применимо, если в комнате жарко, оно не будет при­
менено при точном задании температуры, если она чуть-чуть не дотягивает до
порогового значения. Закат экспертных систем наступил в конце 1980-х, их раз­
работка остановилась главным образом по следующим причинам.
»

Логика и символика таких систем оказались ограниченными выра­
жением правил, лежащих в основе решения, что привело к созда­
нию индивидуальных систем, сведя все снова к жестко заданным
правилам и классическим алгоритмам.

»

Экспертные системы для многих сложных задач стали настолько
сложными и запутанными, что потеряли свою привлекательность с
точки зрения реализуемости и цены.

»

Поскольку данные становятся все более распространенными и
доступными, нет особого смысла тщательно опрашивать опытных
специалистов, накапливать и систематизировать ценные знания,
когда то же самое (или даже лучшее) можно просто найти в откры­
тых данных.

Экспертные системы все еще существуют. Вы можете найти их используе­
мыми при выдаче кредита, обнаружении мошенничества и в других областях,
в которых ответ предоставляется наравне с правилами, лежащими в основе ре­
шения, и таким способом, которым пользователь системы находит приемлемым
(как сделал бы настоящий эксперт).

Введение в машинное обучение
Решения, способные к самостоятельному обучению непосредственно на дан­
ных без их предварительного представления в качестве символов, возникли за
несколько десятилетий до экспертных систем. Одни были по природе статисти­
ческими; другие по-разному подражали природе; а третьи пытались создать ав­
тономную символическую логику в форме правил для необработанной инфор­
мации. Все эти выработанные различными школами решения сегодня известны
под различными названиями, включая машинное обучение (machine learning).
Машинное обучение — это целый раздел алгоритмов, хотя в отличие от многих
других обсуждавшихся до сих пор алгоритмов они не являются набором пред­
определенных этапов, предназначенных для решения задачи. Как правило, ма­
шинное обучение имеет дело с задачами, которые люди не умеют подразделять
на этапы, но сами их, естественно, решают. Примером таких задач является
распознавание лиц на изображениях или слов в разговорной речи. Машинное
обучение упоминается почти в каждой главе этой книги, но работе его основ­
ных алгоритмов посвящены только главы 9-11, включая глубокое обучение, вы­
звавшее новую волну технологий с применением искусственного интеллекта,
заголовками о которых пестрят новости почти каждый день.

Достижение новых высот
Роль машинного обучения в новой волне алгоритмов искусственного интел­
лекта — частично заменить, а частично дополнить существующие алгоритмы,
демонстрируя действия, требующие интеллекта, с человеческой точки зрения,
поскольку их непросто формализовать в точную последовательность этапов.
Хороший пример такой роли — демонстрация мастерства игры в Го, в которой

мастер сразу понимает угрозы и возможности обстановки на доске и интуитив­
но находит правильные ходы. (Читайте историю игры Го на http://w w w .usgo.
o r g /b r ie f-h isto r y -g o .)
Го — невероятно сложная игра для искусственного интеллекта. В шахматах
приходится просчитывать порядка 35 возможных ходов на доске, и игра обыч­
но длится не более 80 ходов, в то время как в Го возможных ходов бывает до
140 и длится игра обычно более 240 ходов. Никакой вычислительной мощи в
современном мире не хватит, чтобы создать полное пространство состояний для
игры Го. Группа Google DeepMind в Лондоне разработала программу AlphaGo,
победившую многих знаменитых мастеров Го (см. h ttp s://d eep m in d .co m /
research /alp h ago/). Программа не полагается на алгоритмический подход на
базе поиска в огромном пространстве состояний, она использует следующее.
>» Метод интеллектуального поиска на основании проверки случай­
ного возможного хода. Искусственный интеллект многократно при­
меняет поиск в глубину, чтобы выяснить, является ли первый най­
денный результат лучшим или худшим (в неполном или частичном
пространстве состояний).
»

Алгоритм глубокого обучения обрабатывает изображение доски
(сразу) и получает как наилучший возможный ход в этой ситуации
(алгоритм — стратегическая сеть (policy network)), так и оценку
вероятности выигрыша искусственного интеллекта после данного
хода (алгоритм — оценочная сеть (value network)).

»

Возможность учиться на примерах игр, сыгранных экспертами Го
в прошлом, а также игра против себя, как WOPR в фильме Военные
игры 1983 года. Последняя версия программы, AlphaGo Zero, спо­
собна учиться совершенно автономно, без человеческих примеров
(см. h t t p s : //d e e p m in d .c o m /b lo g /a lp h a g o -z e r o -le a r n in g s c r a tc h /). Эта способность известна как обучение с подкреплением
(reinforcement learning).

Глава 4

Ж

Первенство
специализированных
аппаратных средств
В ЭТОЙ ГЛАВЕ...
» Использование стандартных аппаратных средств
» Использование специализированных аппаратных средств
» Улучшение аппаратных средств
» Взаимодействие с окружающей средой

главе 1 упоминалось, что одной из причин первых неудач при созда­
нии искусственного интеллекта была нехватка подходящих аппаратных
средств. Аппаратные средства просто не могли выполнять задачи до­
статочно быстро, чтобы быть полезными даже для обыденных потребностей,
не говоря уже о чем-то столь сложном, как моделирование процесса мышле­
ния человека. Эта проблема довольно хорошо представлена в фильме Игра
в имитацию (The Imitation Game) (h ttp s://w w w .am azon .com /exec/ob id os/
ASlN/B00RY86HSU/datacservip0f-20/), в котором Алан Тьюринг (Alan Turing)
взломал код шифровальной машины “Энигма” догадавшись о наличии в конце
каждого сообщения повторяющейся фразы “Хайль Гитлер”. Без данной догад­
ки об упущении немецких операторов при использовали “Энигмы” довольно

В

медленное компьютерное оборудование Тьюринга просто не смогло бы решить
задачу достаточно быстро (в фильме это никак не отражено). Если уж на то
пошло, исторические документы (полностью рассекречено не так уж и много)
свидетельствуют, что проблемы у Тьюринга были куда серьезнее, чем пока­
зано в фильме (см. h ttp s://w w w .scien ceab c.com /in n ovation /crack in g-th eu n crack ab le-h ow -did -alan -turin g-and -h is-team -crack-th e-en igm a-code.
html). К счастью, сегодня стандартные общедоступные аппаратные средства
вполне обладают скоростью, достаточной для решения многих задач, с кото­
рых начинается эта глава.

ЗАПОМНИ)

Действительно, чтобы начать моделировать процесс мышления чело­
века, нужны специализированные аппаратные средства, и даже луч­
шие из них на сегодня с задачей не справятся. Почти все стандарт­
ные аппаратные средства полагаются на архитектуру фон Неймана
(h t t p : / /www. с - j ump. com/CIS7 7 / CPU/VonNeumann/lecture. html),
согласно которой память отделена от вычислений, что создает чудес­
ную обобщенную среду обработки, в которой не работают хорошо
только некоторые виды алгоритмов, поскольку низкая скорость пе­
редачи данных между процессором и памятью создает узкое место
Фон Неймана (Von Neumann bottleneck). Во второй части этой гла­
вы представлены различные методы преодоления узкого места Фон
Неймана, чтобы сложные, интенсивно использующие данные алго­
ритмы работали быстрее.

Даже с аппаратными средствами, специально разработанными для ускорения
вычислений, машина, предназначенная для моделирования процесса мышления
человека, способна работать только с такой скоростью, с какой позволяют ее ме­
ханизмы ввода и вывода. Следовательно, необходимо создать лучшую среду, в
которой смогут работать аппаратные средства. Это можно сделать множеством
способов, но в данной главе рассмотрены только два из них: улучшение воз­
можностей используемого оборудования и использование специализированных
сенсоров. Такие улучшения среды работы аппаратных средств хороши, но ниже
объясняется, что их все еще недостаточно для моделирования работы челове­
ческого мозга.
В конечном счете аппаратные средства бесполезны, даже самые передовые,
если полагающиеся на них люди не могут эффективно с ними взаимодейство­
вать. Заключительный раздел этой главы посвящен методикам повышения эф­
фективности взаимодействия. Эти взаимодействия — просто результат комби­
нации улучшенного вывода и грамотного программирования. Подобно тому, как
Алан Тьюринг использовал уловку, чтобы заставить свой компьютер сделать
куда больше того, на что он был способен, эти методики позволят современным

компьютерам выглядеть, как чудо. Фактически компьютер ничего не понимает;
весь интеллект закладывают люди, создающие его программы.

Стандартные аппаратные средства
В большинстве проектов искусственного интеллекта предполагается, что их
создание по крайней мере начнется со стандартных аппаратных средств, по­
скольку современные общедоступные компоненты фактически обладают весь­
ма высокой мощностью обработки, особенно по сравнению с компонентами
1980-х годов, когда искусственный интеллект начал давать результаты, пригод­
ные для практического применения. Следовательно, даже если стандартных ап­
паратных средств не хватит для создания полностью работоспособной системы,
вы можете работать на них со своим экспериментальным кодом и получить ра­
бочую модель, которая в конечном счете заработает с полным набором данных.

Понятие стандартных аппаратных средств
Архитектура (architecture), или структура, стандартного компьютера не меня­
лась с тех пор, как Джон фон Нейман впервые предложил ее в 1946 году (см. ста­
тью h t t p s : //www. шаа. o r g /e x te r n a l_ a r c h iv e /d e v lin /d e v lin _ 1 2 _ 0 3 . html).
Согласно истории (h ttp s : //le n n a r tb . home. x s 4 a ll. n l/c o r e b o o t/c o l2 . html) в
компьютерах 1981 года (и даже ранее) процессор уже соединялся с памятью и
периферийными устройствами через шину. Во всех этих системах используется
архитектура фон Неймана, поскольку она обеспечивает существенные преиму­
щества и модульность. История свидетельствует, что эти устройства допускают
модернизацию каждого компонента как индивидуальное решение, позволяя на­
ращивать возможности. Например, в определенных пределах вы можете увели­
чить объем памяти или дискового хранилища любого компьютера. Вы можете
также использовать лучшие периферийные устройства. Но все эти элементы
подключаются через шину.

о
ЗАПОМНИ1

Увеличение возможностей компьютера не отменяет фактов его базо­
вой архитектуры. Так, у компьютера, используемого сегодня, та же
архитектура, что и раньше; просто у него больше возможностей. Кро­
ме того, форм-фактор устройства также не затрагивает архитектуру.
Компьютеры в вашем автомобиле также полагаются на шину при под­
ключении, что тоже является архитектурой фон Неймана. (Даже если
вид шины другой, архитектура та же самая.) Что бы вы ни думали,
но неизменной осталась архитектура любого устройства, достаточно
взглянуть на блок-схему Blackberry по адресу http: //m o b ilesa u d i.

blogspot.com /2011/10/all-blackberry-schem atic-com plete.htm l.
Она тоже полагается на схему фон Неймана. Следовательно, почти у
любого устройства, которым можно разжиться на сегодняшний день,
будет подобная архитектура несмотря на различие форм-факторов,
типов шины и основных возможностей.

Недостатки стандартных аппаратных средств
У возможности создать модульную систему действительно есть существен­
ные преимущества, особенно в бизнесе. Возможность вынимать и заменять от­
дельные компоненты существенно снижает стоимость, одновременно позволяя
проводить улучшения по скорости и эффективности. Но как всегда, бесплат­
ный сыр бывает только в мышеловке. Модульность архитектуры фон Неймана
имеет ряд серьезных недостатков.
»

Узкое место фон Неймана. Из всех недостатков этот является са­
мым серьезным с точки зрения требований таких дисциплин, как ис­
кусственный интеллект, машинное обучение и даже наука о данных.
Более подробно этот недостаток обсуждается в разделе "Понятие
узкого места фон Неймана" далее в этой главе.

»

Единые точки отказа. Любая потеря соединения с шиной обя­
зательно означает отказ всего компьютера. Даже в системах с не­
сколькими процессорами потеря одного из них приводит не про­
сто к снижению производительности, а к полному отказу системы.
То же самое происходит при потере других системных компонентов:
вместо снижения функциональных возможностей система отказы­
вает целиком. С учетом того, что искусственный интеллект зачастую
требует непрерывной работы системы, это создает вероятность
серьезных последствий и не позволяет полагаться на надежность
аппаратных средств.

»

Односмысловость (single-m indedness). Шина фон Неймана спо­
собна получать либо инструкцию, либо данные, необходимые для
выполнения инструкции, но она не может делать это одновремен­
но. Следовательно, когда поиск данных требует нескольких циклов
шины, процессор простаивает, а это существенно снижает его спо­
собность решать задачи искусственного интеллекта, связанные с
интенсивным выполнением инструкцией.

»

Управление задачами. Когда мозг решает задачу, множество си­
напсов срабатывают одновременно, обеспечивая параллельное вы­
полнение множества операций. Первоначальный проект фон Ней­
мана допускал только одну операцию за раз и только после того, как
система получала и необходимую инструкцию, и данные. Сегодня

у компьютеров, как правило, несколько ядер, что позволяет одно­
временно выполнять по одной операции в каждом ядре. Однако
код приложения должен быть специально разработан так, чтобы
затребовать эту возможность, поэтому зачастую она остается неис­
пользуемой.

ОТЛИЧИЯ ГАРВАРД СКО Й А Р Х И Т Е К Т У Р Ы
В своих аппаратных изысканиях вы можете встретить Г а р в а р д с к у ю а р х и т е к т у р у
(Harvard Architecture), модифицированную форму которой некоторые систе­
мы используют для ускорения своей работы. И архитектура фон Неймана, и
Гарвардская архитектура полагаются на шинную топологию. Однако при ра­
боте с архитектурой фон Неймана аппаратные средства полагаются на одну
шину и одну область памяти как для инструкций, так и для данных, тогда как
Гарвардская архитектура полагается на отдельные шины для инструкций и
данных; они также способны использовать отдельные физические области
памяти (см. http://in focenter.arm .com /h elp/top ic/com .arm .doc.faq s/
ka3839.html). Использование индивидуальных шин позволяет системе с Гар­
вардской архитектурой получать следующую инструкцию, ожидая поступле­
ния из памяти данных для текущей инструкции. Таким образом, Гарвардская
архитектура быстрее и эффективнее. Однако страдает надежность, поскольку
теперь появляются две точки отказа для каждой операции: шина инструкций
и шина данных.
Микроконтроллеры, такие как в микроволновой печи, нередко используют
Гарвардскую архитектуру. Кроме того, ее можно встретить в некоторых нео­
бычных местах, по определенной причине. И iPhone, и ХЬох 360 используют
модифицированную версию Гарвардской архитектуры, в которой использу­
ется единая область памяти (а не две), но шины — отдельные. Причиной в
данном случае являются т е х н и ч ес к и е с р е д с т в а за щ и т ы а в т о р с к и х п р а в (Digital
Rights Management — DRM). Область памяти кода можно сделать доступной
только для чтения, чтобы никто не мог ее изменить или создать новые прило­
жения без разрешения. С точки зрения искусственного интеллекта это может
быть проблематично, поскольку одна из его возможностей заключается в вы­
работке новых алгоритмов (выполняемый код), когда необходимо справиться
с непредвиденными ситуациями. Поскольку компьютеры редко реализуют
Гарвардскую архитектуру в ее классической форме или как базовую конструк­
цию шины, в этой книге ей не уделяется много внимания.

Использование графических процессоров
После создания прототипа установки, выполняющего задачи, необходимые
для моделирования процесса мышления человека в заданной области, вам, веро­
ятно, понадобятся дополнительные аппаратные средства. Эти средства, облада­
ющие достаточной вычислительной мощностью для работы с полным набором
данных, необходимы для рабочей системы. Для обеспечениятребуемой вычис­
лительной мощности доступно множество путей, но, как правило, в дополне­
ние к центральному процессору машины используют графические процессоры
(Graphic Processing Unit — GPU). В следующих разделах описана предметная
область применения GPU, что именно подразумевается под термином “GPU” и
почему они ускоряют обработку.

Э Л Е К Т Р О Н Н О -М Е Х А Н И Ч Е С К А Я М АШ ИН А А Л А Н А ТЬЮ РИН ГА
Машина Алана Тьюринга ни в коей форме не имела искусственного интел­
лекта. Фактически это даже не реальный компьютер. Она взломала крипто­
графические сообщения "Энигмы", и это все. Однако она действительно
дала пищу для рассуждений Тьюринга, которые в конечном счете привели
к публикации в 1950-х годах его работы "Вычислительные машины и разум"
(Computing Machinery and Intelligence) (h ttp ://w w w .lo eb n er.n e t/P rizef/
T u rin gA rticle. html), как и в фильме Игра в имитацию. Однако сама маши­
на фактически была создана на базе польской машины Bomba. Хотя некото­
рые источники и настаивают на том, что Алан Тьюринг работал сам, Bomba
была произведением многих людей, в частности Гордона Уэлчмана (Gordon
Welchman). Тьюринг также не возник из ничего, готовый крушить немецкие
шифры. В его время в Принстоне находились такие великие люди, как Альберт
Эйнштейн и Джон фон Нейман (продолживший саму концепцию программного
обеспечения). Работа Тьюринга вдохновила этих и других ученых на экспери­
менты и доказала, что это возможно.
Пока ученые писали бумаги, ругали идеи друг друга, выдвигали собственные
идеи и экспериментировали, продолжали возникать все новые и новые специ­
ализированные аппаратные средства всех видов. Когда смотришь фильм или
читаешь книгу, претендующую на историческую правдивость, создается впе­
чатление, что эти люди просыпались однажды утром и, сказав "О, сегодня я
сделаю открытие!", совершали нечто неимоверное. На самом деле все новые
достижения базируются на прежних достижениях. Таким образом, история
важна, поскольку позволяет проследить пути развития, а также освещает дру­
гие перспективные пути.

Понятие узкого места фон Неймана
Узкое место фон Неймана (Von Neumann bottleneck) — это естественный
результат использования шины для передачи данных между процессором, па­
мятью, долговременным хранилищем и периферийными устройствами. Неза­
висимо от того, как быстро шина выполняет свою задачу, превзойти ее всегда
невозможно (т.е. она создает узкое место, снижающее скорость). Со време­
нем скорость процессора продолжала расти, а разработки памяти и других
устройств сосредоточивались на плотности — возможности размещения боль­
шего в меньшем объеме. Следовательно, с каждым усовершенствованием узкое
место становилось все большей проблемой, вынуждая процессор тратить все
больше времени на ожидание.
Некоторые из проблем, связанных с узким местом Фон Неймана, можно пре­
одолеть в разумных пределах и получить хоть и относительно небольшое, но
существенное увеличение скорости выполнения. Вот наиболее распространен­
ные решения.
»

Кеширование. Когда проблемы со скоростью получения данных
из памяти в архитектуре фон Неймана стали очевидными, незави­
симые разработчики аппаратных средств быстро ответили на них
добавлением встроенной памяти, которая не требовала шинного
доступа. Эта память является внешней по отношению к процессору,
но является частью пакета процессора. Высокоскоростной кеш до­
рог, поэтому его размеры обычно невелики.

»

Кеш процессора. К сожалению, внешние кеши все еще не обеспе­
чивают достаточной скорости. Даже использование самой быстрой
оперативной памяти из доступных и полное исключение шинного
доступа не обеспечат скорости, сравнимой с таковой у процессора.
Следовательно, производители начали добавлять внутреннюю па­
мять — кеш, меньший, чем внешний кеш, но с очень быстрым досту­
пом, уже как часть процессора.

»

Предвыборка. Проблема кеша в том, что он оказывается полезным
только тогда, когда содержит правильные данные. К сожалению,
процент удачных обращений к кешу низок в приложениях, исполь­
зующих много данных и выполняющих широкое разнообразие за­
дач. Следующий этап ускорения работы процессоров — это прогно­
зирование, какие данные потребуются приложению, и их загрузка в
кеш прежде, чем приложение их затребует.

»

Использование специальной оперативной памяти. В неразбе­
рихе оперативной памяти можно утонуть, поскольку ее видов сущес­
твует куда больше, чем большинство людей воображает. Каждый
вид оперативной памяти способен решать по крайней мере часть

ГЛАВА 4

Первенство специализированных аппаратных средств

89

проблемы узких мест фон Неймана, и они действительно работа­
ют в определенных рамках. Как правило, усовершенствования со­
средоточиваются на идее получения данных из памяти быстрее,
чем через шину. На скорость влияют два главных (и множество
второстепенных) фактора: скорость памяти (как быстро память
обменивается данными) и задержка (как долго осущ ествляется
поиск конкретной части данных). Больше о памяти и факторах,
влияющих на ее скорость, можно узнать по адресу h ttp : //www.

computermemoryupgrade. n et/ty p es-o f-co m p u ter-m em o ry common-uses. html.

©
внимание!

Подобно многим другим областями технологии, обмен данными мо­
жет стать проблемой. Например, многопоточность (multithreading),
ставшая точкой преткновения для приложений, а также другой набор
инструкций для раздельного выполнения процессором блоков кода,
которые он может обрабатывать и по одному, зачастую рекламиру­
ются как средство преодоления узкого места фон Неймана, но фак­
тически они не дают ничего, кроме дополнительной сложности (или
проблем похуже). Многопоточность — это ответ на другую задачу:
повышение эффективности приложений. Когда к узкому месту фон
Неймана приложение добавляет собственные проблемы задержки, вся
система замедляется еще больше. Многопоточность позволяет про­
цессору не тратить время впустую на ожидание реакции пользовате­
ля или приложения, а заняться вместо этого чем-то другим. Задержка
приложения присуща любой архитектуре процессора, не только архи­
тектуре фон Неймана. Но даже в этом случае все ускоряющее общую
работу приложения окажется ощутимым и для пользователя, и для
системы в целом.

Определение GPU
Первоначально задача графического процессора (Graphics Processing Unit —
GPU) заключалась в быстрой обработке данных изображений и их последу­
ющем отображении на экране. На ранней фазе развития компьютеров всю
обработку выполнял процессор, а значит, графика могла отображаться очень
медленно, пока процессор выполнял и другие задачи. В те времена компьютер
обычно имел такое оборудование, как видеоадаптер (display adapter), обла­
давший (или не обладавший) некоторыми вычислительными возможностями.
Все видеоадаптеры должны были преобразовывать компьютерные данные в
визуальную форму. Фактически использование только одного процессора ка­
залось почти неизбежным со времен появления компьютеров, когда дисплеи

были только текстовыми или с чрезвычайно простой графикой на 16 цветов.
Графические процессоры действительно не предвещали никакой революции в
вычислительной сфере, пока людям не понадобился трехмерный вывод. Ком­
бинация процессора и видеоадаптера на это просто не была способна.
Первым шагом в этом направлении стал Hauppauge 4860 (h ttp ://w w w .
geek d ot.com /hauppauge-4860/), системная плата которого включала цен­
тральный процессор и специальный графический процессор (в данном слу­
чае — 80860). Микросхема 80860 выполняла вычисления чрезвычайно быстро
(см. http://w ww .cpu-w orld.coin/C PU s/80860/index.htm l). К сожалению, эта
многопроцессорная асинхронная система никак не оправдала возлагавшихся
на нее надежд (хотя и была невероятно быстрой для своего времени) и ока­
залась чрезвычайно дорогой. Кроме того, были проблемы с написанием при­
ложений, способных задействовать вторую микросхему. Эти две микросхемы
также совместно использовали память (которой в системе было достаточно).
С появлением GPU обработка графики переместилась с системной платы на
плату периферийного графического устройства. Центральный процессор может
указать процессору GPU, выполнить некую задачу, a GPU сам определяет наи­
лучший метод для этого и делает все независимо от центрального процессора.
У GPU есть отдельная память и собственный очень широкий путь получения
данных из шины. Кроме того, процессор GPU способен напрямую обращаться к
оперативной памяти, чтобы получать необходимые для выполнения задачи дан­
ные и переносить результаты независимо от центрального процессора. Следо­
вательно, такая схема сделала современные графические дисплеи возможными.

ТЕХНИЧЕСКИЕ
ПОДРОБНОСТИ

Действительно выдающимися GPU делает то, что они обычно содер­
жат сотни ядер (см. https://w w w .n vid ia.com /en -u s/ab ou t-n vid ia/
ai-com p u tin g/), в отличие от лишь нескольких ядер центрального
процессора. Центральный процессор обладает куда более универ­
сальными функциональными возможностями, чем GPU, но GPU вы­
полняет вычисления невероятно быстро, а их результат на дисплей
передает даже еще быстрее. Эта способность делает специальные
процессоры GPU критически важным компонентом современных
систем.

Причины хорошей работоспособности GPU
Как и описанные в предыдущем разделе микросхемы 80860, современные
GPU превосходны при выполнении специальных задач, связанных с обработ­
кой графики, включая векторную. Все эти параллельно работающие ядра дей­
ствительно способны ускорять вычисления для решения задач искусственного
интеллекта.

В проекте Google Brain 2011 года (h t t p s : //r e s e a r c h .google.com /team s/
b r a in /) искусственный интеллект обучали распознавать котов и людей при
просмотре роликов на YouTube. Для решения этой задачи Google задействовал
две тысячи процессоров в одном из своих гигантских центров данных. Немно­
гим людям удастся разжиться подобным количеством ресурсов, чтобы повто­
рить эксперимент Google.
Тем не менее Брайану Катанцаро (Bryan Catanzaro) и Эндрю Ыну (Andrew
Ng) удалось повторить эксперимент Google, используя набор из 12 GPU
NVidia (см. h t t p s : //b lo g s .n v id ia .co m /b lo g /2 0 1 6 /0 1 /1 2 /a c c e le r a tin g -a ia r t i f i c i a l - i n t e l l i g e n c e - g p u s / ). После того как стало понятно, что платы
GPU способны заменить кучу компьютерных систем, снабженных процессора­
ми, появилась возможность запуска множества новых проектов искусственного
интеллекта. В 2012 году Алекс Крижевски (Alex Krizhevsky) из Университета
Торонто выиграл конкурс по компьютерному распознаванию образов, ImageNet,
применив процессоры GPU. Фактически GPU теперь используют многие иссле­
дователи, причем с удивительным успехом (см. h ttp s: //adeshpande3.github.
io/The-9-Deep-Learning-Papers-You-Need-To-Know-About. html).

Создание специализированной
среды обработки
Глубокое обучение и искусственный интеллект — это не фон-неймановские процессы, согласно многим экспертам, таким как Массимилиано Верса­
че (Massimiliano Versace), CEO из Neurala Inc. (h ttp s://w w w .n eu ra la .co m /).
Поскольку выполняемая алгоритмами задача не соответствует используемому
оборудованию, возникают всякого рода сложности, затрудняющие получение
результата намного больше, чем хотелось бы. Поэтому разработка аппаратных
средств, соответствующих программному обеспечению, весьма востребована.
Управление перспективных исследовательских проектов Министерства обо­
роны США (Defense Advanced Research Projects Agency — DARPA) реализо­
вало один такой проект — Systems of Neuromorphic Adaptive Plastic Scalable
Electronics (SyNAPSE). Его идея заключалась в копировании естественного
подхода к решению задач за счет объединения памяти и процессора, а не их раз­
деления. И они фактически создали эту систему (она была колоссальна), и вы
можете прочитать о ней по адресу http: / / w w w .a r tificia lb ra in s. com/darpasynapse-program.
Проект SyNAPSE получил развитие. Копания IBM создала куда мень­
шую подобную систему, используя современные технологии; получилось
невероятно быстро и эффективно (см. h ttp ://w w w .r e s e a r c h .ib m .c o m /

cogn itive-com p u tin g /n eu ro sy n a p tic-ch ip s. shtml). Единственная проблема
была в том, что их никто не покупал. Многие люди утверждали, что Betamax
лучше для хранения данных, чем VHS, но VHS победил по стоимости, легкос­
ти в эксплуатации и т.д. (см. h t t p s : //gizm odo. com/betamaxvs-vhs-how-sonylost-the-original-hom e-video-1591900374). To же самое относится и к пред­
ложению SyNAPSE от IBM, TrueNorth. Трудно было найти людей, желавших
платить больше, хотя, конечно, были программисты, желавшие разрабатывать
программное обеспечение, используя новую архитектуру и преимущества но­
вой микросхемы. Таким образом, объединение процессора и GPU, даже с уче­
том его недостатков, продолжает побеждать.

О
ЗАПОМНИ!

В конечном счете кто-то, вероятно, создаст микросхему, которая куда
лучше напоминает биологический эквивалент мозга. Нынешние си­
стемы, вероятно, не смогут достичь необходимой вычислительной
мощности. Такие компании, как Google, работают над альтернатива­
ми, например тензорный процессор (Tensor Processing Unit — TPU),
который предполагается фактически использовать в таких приложе­
ниях, как Google Search, Street View, Google Photos и Google Translate
(c m .https://cloud.google.com/blog/products/gcp/an-in-depthlook-at-googles-first-tensor-processing-unit-tpu). Посколь­

ку сейчас уже используются технологии для на самом деле круп­
номасштабных приложений, некоторые люди уже покупают новые
микросхемы, некоторые программисты уже знают, как писать для
них приложения, и уже существуют великолепные востребованные
продукты. В отличие от SyNAPSE, процессоры TPU полагаются на
хорошо известную технологию ASIC (Application Specific Integrated
Circuit — специализированная интегральная микросхема), которая
используется в бесчисленных приложениях, поэтому Google в дей­
ствительности повторяет уже существующую технологию. В резуль­
тате возможности микросхем этого вида, преуспевающих на рынке,
намного выше, чем когда-то у системы SyNAPSE, которая полагалась
на полностью новые технологии.

Увеличение возможностей
аппаратных средств
Процессоры все еще хороши для бизнес-систем и приложений, требующих
общей гибкости, когда факторы программирования перевешивают чистую вы­
числительную мощь. Однако сейчас GPU стали стандартом в науке о данных,

93

машинном обучении, искусственном интеллекте и глубоком обучении. Конечно,
изыскания и разработки чего-то следующего и очень большого продолжаются.
Центральный процессор и процессор GPU — это процессоры рабочего уровня.
В будущем вместо этих двух видов процессоров может использоваться нечто
иное.
»

Специализированные ИМС (ASIC). В отличие от процессоров об­
щего назначения, производители создают схемы ASIC для вполне
конкретной цели. Решения ASIC обеспечивают чрезвычайно высо­
кую производительность, потребляя очень мало мощности, одна­
ко гибкость у них отсутствует. Примером решения ASIC является
тензорный процессор Google (TPU), который используется толь­
ко для обработки речи (см. h t t p s : / /c lo u d . g o o g le . сош /Ы од/

p r o d u c ts /g c p /a n -in -d e p th -lo o k -a t-g o o g le s -fir s t-te n s o r p rocessin g-u n it-tp u ).
»

Программируемые пользователем вентильные матрицы
(FPGA). Подобно ASIC, производители обычно создают программи­
руемые пользователем вентильные матрицы (Field Programmable
Gate Array — FPGA) для вполне определенной цели. Однако в отли­
чие от ASIC, матрицу FPGA можно запрограммировать так, чтобы из­
менить ее основные функциональные возможности. Примером ре­
шения FPGA является Brainwave от Microsoft для проектов глубокого
обучения (см .h ttp s://tech cru n ch .co m /2 0 1 7 /0 8 /2 2 /m icro so ft-

b rain w a v e-a im s-to -a ccelera te-d eep -lea rn in g -w ith -fp g a s/).

О
ЗАПОМНИ!

Битва между схемами ASIC и FPGA обещает накалиться, ведь у них
появились победители — разработчики искусственного интеллекта.
В настоящее время лидерство, похоже, принадлежит Microsoft и FPGA
(см. h ttp s://w w w .fo r b e s .c o m /s ite s /m o o r in s ig h ts /2 0 1 7 /0 8 /2 8 /
m icrosoft-fpga-w ins-versus-google-tpus-for-ai/#6448980d3904),
но дело в том, что технологии изменчивы, как жидкость, и перемены
не заставят себя ждать.

Производители также работают над совершенно новыми типами про­
цессоров, которые могут заработать, как ожидается, а могут и не заработать.
Например, Graphcore работает над процессором IPU (Intelligence Processing
Unit), как описано по адресу h ttp s://w w w .p rn ew sw ire.com /n ew s-releases/
s e q u o ia - b a c k s - g r a p h c o r e - a s - t h e - f u t u r e - o f - a r t if ic ia l- in t e llig e n c e processors-300554316.htm l. С учетом всех прежних преувеличений, к подоб­
ным новостям о новых процессорах следует относиться с долей осторожности.
Но когда видишь реальные приложения от таких больших компаний, как Google
и Microsoft, то начинаешь чувствовать немного больше уверенности в будущем
подобных технологий.

Добавление специализированных сенсоров
Важнейший компонент искусственного интеллекта — это его способность
моделировать человеческий интеллект, используя полный набор чувств. Осмыс­
ление восприятия поможет людям в разработке различных видов интеллекта,
как описано в главе 1. Человеческие органы чувств обеспечивают правильный
способ восприятия для формирования интеллекта человека. Даже если пред­
положить, что искусственный интеллект станет на это способен, для полной
реализации всех семи видов интеллекта все еще потребуется правильный вид
ввода, который сделает этот интеллект функциональным.
У людей обычно есть пять органов чувств для взаимодействия с окружаю­
щей средой: зрение, слух, обоняние, осязание и вкус.' Достаточно странно, но
люди все еще полностью не понимают своих возможностей, поэтому нет ничего
удивительного в том, что компьютеры отстают, когда дело доходит до воспри­
ятия окружающей обстановки таким же самым образом, как это делают люди.
Например, до недавнего времени считалось, что на вкус различаются только
соленое, сладкое, горькое и кислое. Теперь обнаружено еще два вкуса: умами
и жирное (см. h ttp s : //f iv e t h ir ty e ig h t .c o m /f e a t u r e s /c a n - w e - t a s t e - fa t /).
Аналогично некоторые женщины тетрахромны (h ttp s://co n cetta a n tico .co m /
tetrachrom acy/), они способны различать 100 000 000 цветов, а все осталь­
ные — не более 1 000 000 (тетрахромами могут быть только женщины, из-за осо­
бенностей хромосом). Сейчас точное количество женщин, обладающих этой осо­
бенностью, неизвестно. (Согласно некоторым источникам их количество весьма
велико, порядка 15 процентов; см. h ttp ://s c ie n c e v ib e .c o m /2 0 1 6 /1 2 /ll/th e w o m en -th a t-see-1 0 0 -m illio n -co lo rs-liv e-in -a -d ifferen t-w o rld /).
Использование отфильтрованных статических и динамических дан­
ных позволяет сегодня искусственному интеллекту взаимодействовать с
людьми определенными способами. Рассмотрим, например, устройство
Amazon Alexa (h t t p s : //www.amazon.com/Amazon-Echo-And-Alexa-Devices/
b?node=9818047011), которое вас вполне очевидно слышит, а затем что-то от­
вечает. Даже при том, что Alexa фактически не понимает ничего из того, что вы
говорите, общение с ней весьма увлекательно, и люди наделяют эти устройства
человеческими чертами. Вообще, для работы Alexa требует доступа к специаль­
ному сенсору: микрофону, который позволяет ей слышать. Фактически у Alexa
есть несколько микрофонов, чтобы слышать достаточно хорошо и создать иллю­
зию понимания. К сожалению, даже такая передовая вещь как Alexa, не может
видеть, чувствовать, осязать или испытать нечто, что сделает ее хоть в чем-то
отдаленно напоминающим человека.1
1А также вестибулярный аппарат (чувства равновесия, положения в пространстве,
ускорения, ощущение веса). — П р и м е ч . р е д .

СОВЕТ

В некоторых случаях люди хотят, чтобы органы чувств их искус­
ственного интеллекта превосходили или отличались от человече­
ских. Искусственный интеллект, обнаруживающий движение ночью
и реагирующий на него, мог бы полагаться на инфракрасное, а не
обычное зрение. Фактически применение альтернативных органов
чувств — это один из правильных способов использования искус­
ственного интеллекта сегодня. Возможность работать в окружающей
среде, в которой люди работать не могут, является одной из причин
огромной популярности роботов некоторых типов, но работа в этих
средах зачастую требует набора чувств (сенсоров), отличных от че­
ловеческих. Следовательно, тема сенсоров фактически относится
к двум категориям (ни одна из которых не определена полностью):
сенсоры, подобные человеческим, и альтернативные сенсоры окру­
жающей обстановки.

Разработка методов взаимодействия
с окружающей средой
Искусственный интеллект, замкнутый сам на себя и никак не взаимодейству­
ющий с окружающей средой, абсолютно бесполезен. Конечно, это взаимодей­
ствие имеет форму ввода и вывода. Традиционный метод обеспечения ввода и
вывода — непосредственно через легко понятные компьютеру потоки данных,
такие как наборы данных, текст, запросы и т.д. Но эти подходы едва ли дружес­
твенны человеку, для них требуются специальные навыки.

ь
ЭАПОМНИ1

Взаимодействие с искусственным интеллектом все чаще осуществля­
ется способами, более приемлемыми для людей, чем непосредствен­
ный контакт с компьютером. Например, когда вы задаете Alexa во­
прос, ввод осуществляется через набор микрофонов. Искусственный
интеллект превращает ключевые слова вопроса в лексемы, которые
он может понять. Затем эти лексемы инициализируют вычисления,
в результате которых формируется вывод. Искусственный интеллект
преобразует вывод в форму, понятную человеку: разговорную речь.
Затем вы слышите сентенцию, проговариваемую Alexa через дина­
мик. Короче говоря, для обеспечения полезных функциональных воз­
можностей Alexa должна взаимодействовать с окружающей средой
двумя разными способами, присущими людям, но фактически непо­
нятными для самой Alexa.

Взаимодействия могут принимать множество форм. Фактически количество
видов и форм взаимодействий непрерывно растет. Например, искусственный
интеллект может теперь различать запах (см. h ttp : / /www. scien cem ag. o rg /
n e w s /2 0 1 7 /0 2 /a r tif ic ia l- in t e llig e n c e - g r o w s - n o s e ) . Однако фактически
компьютер никакого запаха не чувствует. Сенсоры преобразуют результаты хи­
мического анализа в данные, которые искусственный интеллект может затем
использовать таким же образом, как и любые другие данные. Возможность ана­
лизировать химикаты не нова; способность преобразовывать результаты анали­
за химикатов в цифровую форму не нова; как не новы и алгоритмы, используе­
мые для взаимодействия с вновь полученными данными. Новым является набор
данных, используемый для интерпретации входящих данных как запаха, но эти
наборы данных являются результатом человеческих исследований. У носа ис­
кусственного интеллекта есть множество возможных областей применения. На­
пример, искусственный интеллект мог бы использовать нос при работе в очень
опасной окружающей обстановке, например почувствовать запах при утечке
газа, чего другие сенсоры не способны заметить.
Физические взаимодействия также развиваются. Роботы, работающие на
сборочных линиях, уже привычны, но давайте рассмотрим роботы, способные
управлять автомобилем. Это отличная область для применения физического
взаимодействия. Предположим также, что реагировать искусственный интел­
лект может небольшим количеством способов. Хью Херр (Hugh Herr), напри­
мер, использует искусственный интеллект для взаимодействия с бионическим
протезом ноги (см. h ttp s://w w w .sm ith son ian m ag.com /in n ovation /fu tu rero b o tic-leg s-1 8 0 9 5 3 0 4 0 /). Этот бионический протез является превосходной
заменой для людей, потерявших реальную ногу. Вместо статической обратной
связи, предоставляемой человеку стандартным протезом, этот фактически обес­
печивает активную обратную связь, которую люди привыкли получать от ре­
альной ноги. Например, опора на ногу при подъеме по склону отличается от
таковой при спуске. Аналогично подъем на бордюр требует обратной связи, от­
личной от таковой при спуске с него.
Дело в том, что поскольку искусственный интеллект становится все более
и более способным выполнять сложные вычисления с большими наборами
данных, его возможность выполнять действительно интересные задачи
растет. Но человеческих категорий у задач, выполняемых искусственным
интеллектом, сегодня быть не может. Вы никогда не сможете взаимодействовать
с искусственным интеллектом, который понимает вашу речь, но вы можете
положиться на искусственный интеллект, который спасет вам жизнь или по
крайней мере сделает ее лучше.

97

ьзо в ан и е
тв е н н о го

Ш

1екта

В ЭТОЙ ЧАСТИ. . .
» Работа с искусственны м интеллектом в компью терных
прилож ениях
» Использование искусственного интеллекта для
автоматизации популярны х процессов
» Как искусственны й интеллект реш ает медицинские
задачи
» М етоды взаим одействия непосредственно с лю дьми

Глава 5

Искусственный
интеллект
в компьютерных
приложениях
В ЭТОЙ ГЛАВЕ...
» Определение и применение искусственного интеллекта
в приложениях
» Использование искусственного интеллекта
для исправлений и рекомендаций
» Потенциальные ошибки искусственного интеллекта

скусственный интеллект вы, вероятно, уже используете, в некоторой
форме он присутствует в большинстве компьютерных приложений, на
которые вы полагаетесь в своей работе. Например, разговор с вашим
смартфоном требует искусственного интеллекта для распознавания речи. Ана­
логично искусственный интеллект отфильтровывает весь спам, поступающий
в вашу папку “Входящие”. В первой части этой главы обсуждаются типы при­
ложений искусственного интеллекта, большинство из которых вас удивит, а
также области, в которых он обычно решает множество важных задач. Вы так­
же узнаете об источнике ограничений на создание приложений, использующих

И

искусственный интеллект, это поможет вам понять, почему разумных роботов
не будет никогда, по крайней мере при технологиях, доступных на настоящее
время.
Но независимо от того, достигнет ли искусственный интеллект когда-нибудь
самосознания, остается тот факт, что он действительно уже выполняет сущес­
твенное количество практических задач. В настоящее время искусственный
интеллект помогает людям двумя основными способами: это исправления и
рекомендации. Вряд ли эти два термина требуют объяснений. Исправление —
это необязательно ответ на ошибку, а рекомендация — это необязательно ответ
на вопрос. Рассмотрим, например, помощь при вождении автомобиля (когда
искусственный интеллект помогает водителю, а не заменяет его). Когда авто­
мобиль находится в движении, искусственный интеллект может вносить не­
большие корректировки, учитывающие дорожные условия и обстановку, вклю­
чая пешеходов и множество других проблем еще до того, как ошибка станет
фактом. Искусственный интеллект применяет превентивный подход к реше­
нию проблемы, которая может возникнуть, а может и нет. Аналогично искус­
ственный интеллект может предложить управляющему автомобилем человеку
определенный путь к цели поездки, наилучший на данный момент, а затем из­
менить рекомендацию на основании новых условий.
Во второй части главы исправления и рекомендации рассматриваются по
отдельности.
В третьей части главы обсуждаются потенциальные ошибки искусствен­
ного интеллекта. Ошибка происходит всякий раз, когда результат отличен от
ожиданий. Результат может быть успешным, но он остается неожиданным.
Конечно, настоящие ошибки также происходят; искусственный интеллект не
всегда может предоставить успешный результат. Результат может даже про­
тиворечить первоначальной задаче (и принести вред). Если вы понимаете, что
приложения искусственного интеллекта имеют полутона, а не только черные
или белые цвета, то это хорошо, и вы находитесь на пути к пониманию того,
как искусственный интеллект изменяет типичные компьютерные приложения,
которые действительно предоставляют абсолютно правильный или абсолютно
неправильный результат.

Наиболее популярные типы приложений
Подобно тому, как единственным ограничением разнообразия типов про­
цедурных компьютерных приложений является воображение программистов,
приложения искусственного интеллекта применимы в любом месте и почти для
любых целей, о которых многие даже не подозревают. Гибкость предложений

искусственного интеллекта фактически означают, что некоторые из них мо­
гут использоваться в таких местах, для которых они первоначально даже не
предназначались. Фактически когда-нибудь программные средства систем ис­
кусственного интеллекта смогут описать собственное следующее поколение
(см. h ttp s://w w w .tech n ologyreview .co m /s/6 0 3 3 8 1 /a i-so ftw a r e-lea r n sto m a k e-a i-so ftw a r e/). Однако, чтобы получить лучшее представление о том,
что делает искусственный интеллект полезным в приложениях, имеет смысл
рассмотреть наиболее популярные случаи использования искусственного ин­
теллекта сегодня (а также возможные проблемы, связанные с этим), описанные
в следующих разделах.

Использование искусственного интеллекта
в типичных приложениях
Искусственный интеллект можно найти в таких местах, где его примене­
ние даже трудно предположить. Например, ваш интеллектуальный термостат,
контролирующий температуру в доме, может содержать искусственный интел­
лект, если он достаточно сложен (см. h ttp s://w w w .p o p sci.co m /g a d g ets/a rt ic le /2 0 1 1 - 1 2 /a r t if ic ia lly - in t e llig e n t - t h e r m o s ta t s - le a r n s - a d a p t - a u to m a tica lly ). Использование искусственного интеллекта даже в таких сугубо
специфических приложениях действительно имеет смысл, если он использу­
ется для вещей, в которых искусственный интеллект особенно хорош, напри­
мер для отслеживания предпочтительных температур на протяжении долгого
времени, чтобы автоматически выработать расписание температурного режи­
ма. Вот лишь некоторые из наиболее типичных случаев использования искус­
ственного интеллекта.
»

Моделирование творчества

»

Компьютерное зрение, виртуальная реальность и обработка изоб­
ражений

»

Диагностика (искусственный интеллект)

»

Распознавание лиц

»

Искусственный интеллект игр, боты компьютерных игр, теория игр
и стратегическое планирование

»

Распознавание рукописного текста

»

Обработка текстов на естественном языке, перевод и виртуальные
собеседники

»

Нелинейное управление и робототехника

»

Оптическое распознавание образов

»

Распознавание речи

Области применения искусственного интеллекта
Приложения определяют конкретные виды применения искусственного ин­
теллекта. Искусственный интеллект может использоваться и в более общих
экспертных областях. Вот список наиболее вероятных областей применения
искусственного интеллекта.
»

Искусственная жизнь

»

Автоматизация формулирования логических выводов

»

Автоматизация

»

Бионика

»

Интеллектуальный анализ понятий

»

Интеллектуальный анализ данных

»

Фильтрация спама электронной почты

»

Гибридная интеллектуальная система

»

Интеллектуальный агент и интеллектуальное управление

»

Представление знаний

»

Судопроизводство

»

Поведенческая робототехника, процесс познания, кибернетика,
эволюционная робототехника (эпигенетика) и инженерная робото­
техника

»

Семантически структурированная сеть

Аргумент китайской комнаты
В 1980 году Джон Роджерс Сёрл (John Searle) опубликовал в научном жур­
нале Behavioral and Brain Sciences статью Сознание, мозг и программы (Minds,
Brains, and Programs). Акцент в ней был сделан на опровержении теста Тью­
ринга, в котором, отвечая на серию вопросов, компьютер может уверить чело­
века в том, что он является человеком, а не компьютером (см. h ttp s://w w w .
abelard.org/turpap/turpap.php). Основная идея в том, что функционализм,
или способность имитировать определенные характеристики человеческого
разума, — это вовсе не то же самое, что и фактическое мышление.
Мысленный эксперимент “Китайская комната” полагается на два теста.
В первом тесте некто создает искусственный интеллект, способный полу­
чать китайские иероглифы и, используя набор правил, создавать на них ответ, а
затем выводить ответ, также используя китайские иероглифы. Искусственный
интеллект должен интерпретировать поставленный вопрос и ответить на него,

отражая фактический смысл, а не просто случайным образом. Искусственный
интеллект настолько хорош, что никто вне комнаты не может догадаться, что
эту задачу выполняет искусственный интеллект. Люди, говорящие на китай­
ском языке, полностью вводятся в заблуждение, полагая, что искусственный
интеллект действительно может читать и понимать китайский язык.
Во втором тесте человеку, не говорящему на китайском языке, предоставля­
ются три вещи, как и компьютеру в предыдущем тесте. Первый — список, со­
держащий огромное количество китайских иероглифов, второй — история на
китайском языке и третий — набор правил для соотнесения первого элемента
со вторым. Некто передает набор вопросов, написанных на китайском языке,
человек в комнате, используя свод правил, находит на основании интерпрета­
ции китайских иероглифов место в истории, содержащее ответ.
Полученный на основании правил ответ в виде набора китайских иерогли­
фов вполне соответствует вопросу. Человек может настолько хорошо справ­
ляться с этой задачей, что никому и в голову не придет, что он совершенно не
знает китайского языка.
Эти тесты призваны продемонстрировать, что с помощью формальных пра­
вил можно получить результат (синтаксис) и без фактического понимания того,
что происходит (семантика). Сёрл сделал вывод, что синтаксиса недостаточ­
но для семантики, но все же некоторые люди, реализующие искусственный
интеллект, пытаются доказать обратное, когда дело доходит до создания раз­
личных механизмов на базе правил, таких как Script Applier Mechanism (SAM)
(см. h ttp s :/ / e r i c . ed.gov/?id=ED161024).
Основная проблема — в наличии сильного искусственного интеллекта,
того, который фактически понимает то, что пытается делать, а слабый искус­
ственный интеллект — это тот, который просто следует правилам. Весь искус­
ственный интеллект сегодня — это слабый искусственный интеллект, который
фактически ничего не понимает. То, что вы видите, является хитрой програм­
мой, имитирующей мышление за счет использования правил (rule) (включая
неявные в алгоритмах).
Конечно, возникает большое идейное противоречие, согласно которому не­
зависимо от сложности будущих машин, фактически разработать мозг не по­
лучится, а значит, они никогда не будут ничего понимать.
Таким образом, Сёрл утверждает, что искусственный интеллект всегда оста­
нется слабым. Более подробная информация по этой теме приведена на сайте
http: / / w w w .iep.utm .edu/chineser/. Читать аргументы и контраргументы на
этом сайте интересно, поскольку они позволяют понять суть того, что действи­
тельно важно при создании искусственного интеллекта.

Как искусственный интеллект делает
приложения более дружественными
Есть множество разных взглядов на вопрос дружелюбия приложений с под­
держкой искусственным интеллектом. В самой простой форме искусствен­
ный интеллект может помогать при пользовательском вводе. Например, когда
пользователь вводит несколько букв некого слова, искусственный интеллект
предлагает остальные буквы. Оказывая эту услугу, искусственный интеллект
достигает нескольких целей.
»

Пользователь работает эффективнее, вводя меньше знаков.

»

Приложение получает меньше записей с ошибками из-за опечаток.

»

Пользователь и приложение, оба, участвуют в высокоуровневой
коммуникации. Приложение узнает у пользователя правильные или
улучшенные термины, которых пользователь мог бы и не помнить, а
также позволяет избегать альтернативных терминов, которые ком­
пьютер не может распознать.

Искусственный интеллект может также обучаться на предыдущем пользо­
вательском вводе, видоизменяя рекомендации таким способом, который лучше
соответствует подходам пользователя к решению задач. Этот следующий уро­
вень взаимодействия находится в пределах области рекомендаций, описанной
далее, в разделе “Создание рекомендаций”. Рекомендации могут также вклю­
чать подсказку пользователю идей, которые в противном случае пользователь,
возможно, и не рассматривал бы.

ВНИМАНИЕ!

Даже в области рекомендаций у людей может сложиться мнение, что
искусственный интеллект способен думать, но это не так. Искусствен­
ный интеллект просто выполняет расширенный поиск по шаблону и
анализ вероятности уместности термина в текущем вводе. Различия
между слабым искусственным интеллектом, встречающимся практи­
чески в каждом приложении, и сильным искусственным интеллектом,
который в конечном счете, возможно, удастся получить, рассматрива­
лись ранее, в разделе “Аргумент китайской комнаты”.

Искусственный интеллект позволяет людям осуществлять и другие виды
интеллектуального ввода.
Пример распознавания голоса избит уже до синяков, но остается одной из
главных общепринятых методик интеллектуального ввода. Но даже если искус­
ственный интеллект испытывает пока недостаток в полном диапазоне смыслов,

как описано в главе 4, он уже может поддерживать широкое разнообразие не­
вербальных способов интеллектуального ввода данных. В качестве визуальных
способов можно упомянуть распознавание лица владельца или выявление угро­
зы на основании выражения лиц.
Однако ввод может также подразумевать мониторинг. Вполне можно отсле­
живать показатели состояния организма пользователя для выявления потенци­
альных проблем. Фактически искусственный интеллект может использовать
огромное количество методов интеллектуального ввода данных, большинство
из которых еще даже не изобретено.
В настоящее время приложения обычно обеспечивают только три первых
уровня дружелюбия.
По мере роста интеллекта искусственный интеллект становится немало­
важным фактором действия дружественного искусственного интеллекта
(Friendly Artificial Intelligence — FAI), совместимого с общим искусственным
интеллектом (Artificial General Intelligence — AGI), оказывающим положи­
тельное влияние на человечество. У искусственного интеллекта есть задачи, но
они могут не иметь ничего общего с человеческой этикой, и это потенциальное
различие вызывает тревогу сегодня. Интеллект FAI обладает логикой, гаранти­
рующей соответствие задач искусственного интеллекта человеческим, — это
три закона роботехники Айзека Азимова (h ttp s : //www. auburn.edu/~vestmon/
r o b o tic s.h tm l), книги которого обсуждаются подробнее в главе 12. Однако
многие утверждают, что эти три закона — только хорошая отправная точка
(h ttp ://th e c o n v e r sa tio n .c o m /a fte r -7 5 -y e a r s-isa a c -a sim o v sth r e e -la w so f-ro b o tics-n eed -u p d a tin g -7 4 5 0 1 ) и что необходимы дополнительные га­
рантии.

СОВЕТ

Конечно, все это обсуждение законов и этики может оказаться весь­
ма сомнительным и трудным в определениях. Но вот простой при­
мер поведения FAI: он откажется разглашать личную информацию
пользователя, если у спрашивающего нет необходимости ее знать.

Фактически FAI может пойти даже далее ввода данных человеком, поис­
ка соответствия по шаблону, защиты его личной информации и уведомления
пользователя о возможном вреде прежде, чем он опубликует некую информа­
цию где-нибудь. Дело в том, что искусственный интеллект может существенно
изменить точку зрения людей на сами приложения и взаимодействие с ними.

Автоматическое исправление
Люди постоянно все исправляют. И вовсе не потому, что нечто неправильно.

Это скорее вопрос постоянного усовершенствования (или по крайней мере
попытки сделать это). Даже когда людям удается достичь необходимого уров­
ня правильности, в некий момент появляется новый опыт, подвергающий этот
уровень сомнению, поскольку теперь у человека есть дополнительные данные
для суждения о том, что есть правильно в конкретной ситуации. Для полно­
го подражания человеческому интеллекту у искусственного интеллекта также
должна быть эта возможность — постоянно исправлять достигнутые результа­
ты, даже когда эти результаты положительны. В следующих разделах обсуж­
дается проблема правильности, а также исследуется, почему автоматизирован­
ные исправления иногда терпят неудачу.

Виды исправлений
Когда большинство людей думает об искусственном интеллекте и исправ­
лениях, они имеют в виду системы проверки правописания и грамматики. Че­
ловек совершает ошибку (или так полагает искусственный интеллект), и ис­
кусственный интеллект эту ошибку исправляет, чтобы документ получился
настолько точным, насколько возможно. Конечно, люди делают много ошибок,
поэтому идея использовать искусственный интеллект таким образом, безуслов­
но, хороша.
Исправления могут принимать разные формы и необязательно означать,
что ошибка произошла или произойдет в будущем. Например, автомобиль
может помогать водителю, регулярно корректируя маршрут. Водитель вполне
может и сам хорошо вести машину, но искусственный интеллект способен
вносить микро-коррекции, чтобы помочь водителю оставаться в границах без­
опасности.
Рассмотрим такой случай: перед автомобилем с искусственным интеллек­
том внезапно останавливается другой автомобиль из-за оленя на дороге. Води­
тель первого автомобиля не совершил никакой ошибки. Однако искусственный
интеллект успел среагировать быстрее и действовал так, чтобы остановить ав­
томобиль настолько быстро и безопасно, насколько это возможно, чтобы избе­
жать столкновения с автомобилем, остановившимся перед ним.

Преимущества автоматических исправлений
Когда искусственный интеллект видит необходимость в исправлении, он
может попросить у человека разрешение внести исправление или сделать
это автоматически. Например, некто использует распознавание речи для на­
бора документа и делает грамматическую ошибку. Искусственный интеллект
должен просить разрешение, прежде чем делать замену, поскольку человек,

возможно, именно это слово и имел в виду, а искусственный интеллект, воз­
можно, неправильно понял сказанное.
Но иногда критически важно, чтобы искусственный интеллект обеспечивал
процесс принятия решений, достаточно надежный для того, чтобы выполнять
исправления автоматически. Например, в предыдущем случае экстренного тор­
можения уискусственного интеллекта нет времени на просьбы о разрешении;
он должен тормозить немедленно, или произойдет авария. У автоматических
исправлений с искусственным интеллектом есть вполне определенная область
применения — когда критически важные решения следует принимать быстро
и искусственный интеллект достаточно надежен.

Почему автоматические исправления не срабатывают
Как упоминалось в разделе “Аргумент китайской комнаты”, фактически ис­
кусственный интеллект ничего понять не может. Без понимания этого нет ни­
какой возможности справиться с непредвиденным обстоятельством. В данном
случае под непредвиденным обстоятельством следует понимать событие, сце­
нарий которого не предусмотрен заранее, когда искусственный интеллект не
может накопить дополнительные данные или положиться на другие средства
механического решения.
Человек может решить проблему, поскольку понимает ее суть, и обычно до­
статочно многие из окружающих событий подчинены шаблону, помогающему
выработать решение. Кроме того, человек способен на новаторские и творчес­
кие решения, когда не подходит ни одно из очевидных. В настоящее время ис­
кусственный интеллект испытывает недостаток и в новаторском, и в творческом
потенциале, поэтому он находится в невыгодном положении при решении задач
в некоторых областях.
Чтобы получить представление об этой проблеме, рассмотрим случай с про­
граммой поиска опечаток. Человек вводит совершенно правильное слово, от­
сутствующее в словаре, используемом искусственным интеллектом при внесе­
нии исправлений. Искусственный интеллект нередко заменяет слово похожим,
но другим словом. Даже после того, как человек, проверив документ и исправив
неправильное слово, добавляет нужное в словарь, искусственный интеллект все
еще склонен делать ту же ошибку. Например, искусственный интеллект может
считать аббревиатуру CPU (процессор) отличной от сри, из-за разницы в регис­
тре символов. Человек бы увидел, что эти два сокращения означают одно и то
же самое и что сокращение во втором случае правильно, но, возможно, должно
быть в верхнем регистре.

Создание рекомендаций
Рекомендация — это вовсе не команда. Хотя некоторые люди, кажется, со­
вершенно упускают этот момент, рекомендация — это просто идея, выдвину­
тая как возможное решение задачи. Рекомендация подразумевает возможность
и других решений, а принятие рекомендации не означает ее неизбежной ре­
ализации. Фактически рекомендация — это только идея; она может даже не
сработать. Конечно, в совершенном мире все рекомендации хороши, по край­
ней мере возможные решения правильного вывода, что редко имеет место в
реальном мире. В следующих разделах описана природа рекомендаций приме­
нительно к искусственному интеллекту.

Получение рекомендаций на основании предыдущих действий
Наиболее распространенный способ использования искусственного интел­
лекта для создания рекомендаций подразумевает сбор данных о действиях при
предыдущих событиях и выработку новых рекомендаций на их основании.
Например, некто покупает Half-Baked Widget каждый месяц в течение трех
месяцев. В начале четвертого месяца он решает, что имеет смысл купить дру­
гой. Действительно умный искусственный интеллект мог бы порекомендовать
и нужное время месяца. Например, если пользователь делает покупку между
третьим и пятым денем месяца в течение первых трех месяцев, он платит в
третий день месяца, а затем переходит на что-то еще после пятого дня.
Решая задачи, люди отбрасывают огромные количества подсказок. В от­
личие от людей искусственный интеллект фактически обратит внимание на
каждую из этих подсказок и запишет их единообразным способом. Во многих
случаях единообразный набор данных о действиях позволяет искусственному
интеллекту давать рекомендации на основании предыдущих действий с высо­
кой степенью точности.

Получение рекомендаций на основании групп
Другой наиболее популярный способ создания рекомендаций основан на
принадлежности к группе. В данном случае принадлежность к группе не долж­
на быть формальной. Группа может состоять из свободной ассоциации людей,
обладающей некоторой незначительной общей потребностью или деятельнос­
тью. Например, дровосеки, владельцы магазинов и диетологи все могут поку­
пать детективные романы. Даже при том, что ничего иного общего у них нет,
они даже не живут рядом, тот факт, что все они имеют детективные романы,
делает их частью группы. Искусственный интеллект легко может определить
шаблон, который люди могли бы и упустить. Таким образом, искусственный

интеллект способен давать хорошие коммерческие рекомендации на основании
принадлежности даже к весьма свободно связанным группам.
Группы могут объединять как эфемерные, так и временные связи. Напри­
мер, все люди, летевшие рейсом 1982 из Хьюстона в определенный день, мо­
гут быть группой.
Между этими людьми может не быть никакой связи вообще, за исключе­
нием того, что они оказались на неком конкретном рейсе. Однако, зная эту
информацию, искусственный интеллект может (осуществив дополнительную
фильтрацию) выявить людей в пределах этого рейса, которым нравятся детек­
тивы. Дело в том, что искусственный интеллект может давать хорошие реко­
мендации на основании принадлежности к группам, даже когда группу очень
трудно (если вообще возможно) выявить с человеческой точки зрения.

Получение неправильных рекомендаций
Любой, кто делал покупки в интернет-магазине, знает, что веб-сайты зачас­
тую предоставляют рекомендации на основании различных критериев, таких
как предыдущие покупки. К сожалению, эти рекомендации редко бывают пра­
вильными, поскольку у базового искусственного интеллекта отсутствует пони­
мание. Когда некто делает покупку всей своей жизни и приобретает Супер-Ме­
га-Штуку, он, вероятно, заранее знает, что такая покупка действительно бывает
только раз в жизни, поскольку крайне маловероятно, что такого понадобится
два. Однако искусственный интеллект этого факта не понимает. Поэтому, если
программист не создаст специально правило, гласящее, что Супер-Мега-Шту­
ку покупают только раз, искусственный интеллект может решить продолжать
рекомендовать этот товар, поскольку его продажи, понятно, низки. Следуя вто­
рому правилу о продвижении товаров с низкими продажами, искусственный
интеллект ведет себя согласно требованию, предусмотренному разработчиком,
но рекомендации, которые он дает, абсолютно неправильны.
Помимо ошибок из-за правил или логических ошибок, рекомендации ис­
кусственного интеллекта могут быть ошибочны из-за проблем с данными.
Например, GPS-навигатор может дать рекомендацию о наилучшем маршруте
на основании имеющихся данных. Однако состояние дорог может сделать
предложенный путь непроходимым, поскольку одна из дорог закрыта на ре­
монт. Конечно, многие приложения GPS учитывают состояние дорог, но они
иногда не принимают во внимание другие проблемы, такие как внезапное
изменение в ограничении скорости или погодные условия, делающие некий
участок дороги опасным. Люди способны преодолевать недостаток данных
новаторски, использовав менее популярные дороги или поняв смысл надписи
об объезде.

Когда искусственный интеллект сумеет преодолеть проблемы логики, пра­
вил и данных, он все равно будет иногда давать плохие рекомендации, посколь­
ку он не осознает корреляции между определенными наборами данных, как че­
ловек. Например, искусственный интеллект не сможет предложить цвет краски
после того, как человек купил комбинацию батарей и гипсокартона для ремонта
дома. Необходимость покрасить гипсокартон и все вокруг после ремонта оче­
видна для человека, поскольку у него есть эстетический вкус, а у искусственно­
го интеллекта его нет. Человек легко находит корреляцию между различными
элементами, но она не очевидна для искусственного интеллекта.

Учет ошибок искусственного интеллекта
Прямая ошибка (outright error) происходит в результате ввода исходных дан­
ных, неправильных в любой форме. Результат не содержит правильный ответ на
вопрос. Примеры подобных ошибок искусственного интеллекта найти совсем не
трудно. Недавно сеть ВВС News опубликовала сообщение о том, что изображе­
ния с различием в один пиксель ввели в заблуждение специальный искусствен­
ный интеллект (см. статью на http://www.bbc.com/news/technology-41845878).
Вы можете узнать больше о влиянии враждебных атак на искусственный ин­
теллект по адресу h ttp s : //b lo g .o p e n a i. com /adversarial-exam ple-research/.
Статья лаборатории Касперского по адресу h ttp s : //www. kaspersky. com/blog/
a if a ils /1 8 3 1 8 / дает дополнительную информацию о ситуациях, когда искус­
ственный интеллект не в состоянии дать правильный ответ. Дело в том, что у ис­
кусственного интеллекта все еще высок процент ошибок при некоторых обстоя­
тельствах, и разработчики, работающие с искусственным интеллектом, обычно
не могут с уверенностью указать их причину.
Ошибки искусственного интеллекта возникают по множеству причин. Но
как уже упоминалось в главе 1, искусственный интеллект не обязан подражать
всем семи формам человеческого интеллекта, поэтому ошибки не только воз­
можны, но и неизбежны. Большая часть главы 2 сосредоточена на данных и
их воздействии на искусственный интеллект, когда данные в некотором роде
неверны. В главе 3 также упоминается, что даже у используемых искусствен­
ным интеллектом алгоритмов есть пределы. Глава 4 указывает, что искусствен­
ному интеллекту недоступны ни то же самое количество, ни те же самые типы
чувств, что и человеку.
В статье на сайте TechCrunch по адресу h t t p s : / / t e c h c r u n c h .
c o m /2 0 1 7 /0 7 /2 5 /a r t if ic ia l- in t e llig e n c e - is - n o t - a s - s m a r t - a s - y o u - o r elon-m usk-think/ указывается множество, по-видимому, невозможных задач,
которые искусственный интеллект пытается сегодня решать методами “в лоб”,
а не используя нечто, даже близко напоминающее мышление.

Все более очевидной становится главная проблема — корпорации зачас­
тую просто замалчивают или даже игнорируют проблемы искусственного
интеллекта. Акцент смещается на использование искусственного интеллек­
та для снижения стоимости и улучшения продуктивности, что может быть
и недостижимо. Компания Bloomberg опубликовала статью h ttp s ://www.
bloom b erg.com /n ew s/articles/ 2 017-06-13 / t h e - l i m i t s - o f - a r t i f i c i a l - i n t e llig e n c e , посвященную подробному обсуждению этой проблемы. Одним
из наиболее интересных недавних примеров сущности корпораций, зашедших
слишком далеко с искусственным интеллектом, является бот Тау от Microsoft
(см. h t t p s : //www.geekwire. com /2 0 1 6 /m icro so ft-ch a tb o t-ta y -m it-tech n o l o g y - f a i l s / ), который “набрался ума” из комментариев расиста, женофоба и
любителя порнографии, а затем начал публиковать оскорбительные и провока­
ционные сообщения через свою учетную запись в Twitter.

о
СОВЕТ

Ценнейший факт, который стоит извлечь из этого раздела, не в том,
что искусственный интеллект ненадежен или неприменим. Факти­
чески рядом с хорошо образованным человеком искусственный ин­
теллект может выработать свой человеческий образ быстро и эффек­
тивно. Искусственный интеллект способен помочь людям избегать
наиболее распространенных или повторяющихся ошибок. В неко­
торых случаях ошибки искусственного интеллекта способны даже
вносить немного юмора в повседневную жизнь. Однако искусствен­
ный интеллект не думает, и он не сможет заменить людей во многих
ситуациях сегодня. Он работает лучше, когда решение контролиру­
ет человек или когда окружающая обстановка достаточно статична,
чтобы предсказуемость хороших результатов была высока (все хоро­
шо, пока человек не решается обмануть искусственный интеллект).

Глава 6
Щ

Щ

,

Автоматизация
наиболее популярных
процессов
В ЭТОЙ Г Л А В Е ...
» Применение искусственного интеллекта для нужд человека
» Повыш ение эф ф ективности производства
» Разработка динам ических протоколов безопасности
с использованием искусственного интеллекта

главе 5 рассматривалось применение искусственного интеллекта в при­
ложении, когда человек взаимодействует с искусственным интеллек­
том неким осмысленным способом, даже если не осознает присутствия
искусственного интеллекта. Задача заключается в том, чтобы помочь людям
сделать нечто быстрее, проще и эффективнее либо удовлетворить некоторую
другую потребность. Процесс, в котором участвует искусственный интеллект,
зависит от конкретной задачи, поскольку искусственный интеллект должен
либо помочь человеку в решении его задачи, либо работать самостоятельно,
без прямого вмешательства человека. В первом разделе этой главы рассма­
тривается, как процессы помогают людям. Возможно, это покажется скучным
(только подумайте обо всех неприятностях, которые случаются, когда людям
становится скучно), но здесь процесс искусственного интеллекта рассматри­
вается именно с точки зрения скуки людей.

В

Один из самых давних процессов, применяющих искусственный интел­
лект, — это промышленное производство. Вспомните обо всех роботах, ко­
торыми теперь полны заводы во всем мире. Контролируемая искусственным
интеллектом автоматика не только заменяет людей, она и делает труд людей
безопаснее, выполняя задачи, обычно считающиеся опасными. Как ни стран­
но, одной из наиболее серьезных причин несчастных случаев на производстве
и многих других проблем является скука (см. h t t p s : //th e p s y c h o lo g is t .b p s.
org.uk/volum e-20/edition-2/boredom -work). Роботы могут выполнить моно­
тонные действия постоянно, и им это не надоест.
На случай, если вы еще достаточно не скучали, можете прочитать об этом
в третьем разделе данной главы, в котором обсуждаются некоторые из самых
новых областей, в которых искусственный интеллект просто великолепен, —
как сделать окружающую обстановку во всех смыслах более безопасной. Фак­
тически только в автомобильной промышленности можно найти бесчисленные
способы применения искусственного интеллекта для улучшений (см. h ttp s : / /
ig n ite o u ts o u r c in g .c o m /p u b lic a t io n s /a r t if ic ia l- in te llig e n c e - in - a u t o m otive-ind u stry/).

ЭАП0МНИ1

Основная идея этой главы — искусственный интеллект хорош в
производственных процессах, особенно в тех, в которых люди обыч­
но скучают и допускают ошибки в отличие от искусственного ин­
теллекта. Конечно, искусственный интеллект не может устранить
каждый источник потери эффективности, включая незаинтересован­
ность и проблемы безопасности. С одной стороны, люди могут ре­
шить игнорировать помощь искусственного интеллекта, но природа
ограничений имеет куда более глубокие корни, чем этот. Как обсуж­
далось в предыдущих главах (особенно в главе 5), искусственный
интеллект ничего не понимает; он не может предоставить творчес­
кое или новаторское решение проблем, поэтому некоторые пробле­
мы искусственным интеллектом не разрешимы, независимо от того,
сколько усилий некто вложил в его создание.

Решения для скуки
Опросы зачастую показывают, что люди только думают, что они чего-то хо­
тят, а на самом деле не хотят, но такие опросы все же полезны. Когда опраши­
вали недавних выпускников колледжа, о какой жизни они мечтают, ни один
из них не сказал, что мечтает о скучной жизни (см. h t t p s : / / www.huffingtonp o s t. com /paul-raushenbush/what-kindof-life-do-you_b_595594. html). Фак­
тически опросить можно практически любую группу, и никто не будет мечтать

о скуке. Большинству людей (сказав “всем”, я, вероятно, нарвусь на лавину
электронных писем с опровержениями) скука не нравится. В некоторых случа­
ях искусственный интеллект может, работая с людьми, делать их жизнь инте­
реснее, по крайней мере для человека. Ниже обсуждаются решения для чело­
веческой скуки, которые может обеспечить искусственный интеллект (а также
те, которые не может).

Как сделать задачи интереснее
У любого занятия, персонального или группового, есть определенные при­
влекательные характеристики, из-за которых люди желают в нем участвовать.
Вполне очевидно, что некоторые занятия, такие как забота о собственных де­
тях, бесплатны, но удовлетворение от них может быть невероятно высоким.
Аналогично работу бухгалтера могут оплачивать весьма хорошо, но мораль­
ного удовлетворения в этой работе немного. Различные опросы (такие, как на
h t t p s : //w w w .ca reerca st. co m /jo b s-ra ted /jo b s-ra ted -rep o rt-2 0 1 6 -ra n k in g -2 0 0 -jo b s) и статьи (такие, как на http://w w w .nytim es.com /2010/09/12/
job s/12search .h tm l) свидетельствуют о балансе денег и удовлетворения, но
их результаты зачастую выглядят сомнительно, поскольку основания для та­
ких выводов неоднозначны. Однако большинство этих источников сходится во
мнении, что после того, как человек получает определенную сумму денег, клю­
чом для поддержания интереса к занятию становится удовлетворение (причем
независимо от занятия). Конечно, практически невозможно выяснить, в чем
заключается удовлетворение от работы, но интерес остается в списке первым.
Удовлетворение от интересного занятия всегда будет более вероятным.

О
СОВЕТ

Проблема не в обязательной смене работы, просто, сделав работу не­
много интереснее, можно избежать скуки. Искусственный интеллект
может эффективно в этом помочь, устранив из задач повторяющи­
еся действия. Однако такие примеры, как Alexa от Amazon и Н оте
от Google, действительно предоставляют другие варианты. Чувство
одиночества, которое может проникнуть в дом, на рабочее место, в
автомобиль или в другие место, является мощнейшим источником
скуки. Когда люди начинают чувствовать себя одинокими, начина­
ется депрессия, и скука зачастую — только начало. Приложения, ис­
пользующие интерфейс Alexa (см. https://developer.am azon.com /)
или Actions на API Google (см. h ttp s://d ev elo p er s.g o o g le.co m /a c t io n s /) для имитации общения с человеком соответствующего типа,
может улучшить ощущения на рабочем месте. Однако важнее всего
то, что разработка интеллектуальных интерфейсов такого типа спо­
собна помочь людям быстро выполнять различные повседневные
ГЛАВА 6 Автоматизация наиболее популярных процессов

117

задачи, такие как поиск информации и взаимодействие с интеллекту­
альными устройствами, а не только выключение света (см. h ttp s: / /
www.imore. com /how -control-your-lights-am azon-echo и h t t p s : / /
s t o r e . g o o g le. com/product/google_home).

Как помочь работать эффективнее
У большинства людей, по крайней мере у думающих, есть некоторое пред­
ставление о том, чего они хотели бы от искусственного интеллекта в плане
улучшения их жизни за счет устранения задач, которые они не хотят выпол­
нять. Недавний опрос выявил некоторые из наиболее интересных способов,
которыми искусственный интеллект может это сделать: h t t p s : //b lo g .d e v o lu t io n s .n e t /2 0 1 7 /1 0 /o c t o b e r - p o ll- r e s u lt s - w h ic h - t a s k s - in - y o u r - j o b w o u ld -y o u -lik e-to -b e-a u to m a ted -b y -a i. Большинство из них вполне обы­
денны, но один обращает на себя внимание — предлагается выяснять, когда
жена чувствует себя несчастной, и посылать ей цветы. Это, скорее всего, не
сработает, но сама идея интересна.
Дело в том, что люди, вероятно, предложат самые интересные идеи о том,
как создать искусственный интеллект, специально предназначенный для реше­
ния именно их задач. В большинстве случаев серьезные идеи будут хороши и
для других пользователей. Например, автоматическая система эксплуатацион­
ной поддержки может применяться во многих отраслях. Если некто обеспечит
обобщенный интерфейс с программируемой внутренней структурой прило­
жения для применения индивидуальных систем вопросов, то искусственный
интеллект сможет сэкономить пользователям много времени и гарантировать
правильные последующие действия, обеспечив грамотный опрос и запись не­
обходимой информации.

Как искусственный интеллект борется со скукой
Скука бывает разной, и люди относятся к ней по-разному.
Бывает, скука наступает от отсутствия необходимых ресурсов, знаний или
других вещей. Другой вид скуки наступает из-за незнания, что делать дальше.
Искусственный интеллект может помочь с первым видом скуки, но не справит­
ся со вторым. В этом разделе рассматривается первый вид скуки. (В следую­
щем разделе рассматривается второй.)

ЗАПОМНИ!

Доступ к ресурсам всех видов помогает справиться со скукой, позво­
лив людям творить без необходимости приобретать нужные матери­
алы обычными способами. Вот некоторые из способов, которыми
w
~
искусственным интеллект способен упростить доступ к ресурсам.

»

Поиск необходимых элементов по Интернету.

»

Автоматический заказ необходимых элементов.

»

Осуществление сенсорного сбора данных и другого мониторинга.

»

Управление данными.

»

Выполнение обыденных или повторяющихся задач.

Как искусственный интеллект не может бороться со скукой
Как уже говорилось в предыдущих главах, особенно в главах 4 и 5, искус­
ственный интеллект не является ни творческим, ни интуитивным. Поэтому
запрос к искусственному интеллекту придумать, что вам делать, вряд ли при­
ведет к удовлетворительным результатам. Некто может запрограммировать
искусственный интеллект так, чтобы он отследил десять ваших любимых за­
нятий, а затем выбрал одно из них наугад, но результат не будет удовлетвори­
тельным, поскольку искусственный интеллект не может учесть все аспекты,
включая ваше текущее настроение и увлечение. Фактически даже в самом луч­
шем случае искусственный интеллект не сможет общаться с вами способом,
обеспечивающим удовлетворительный результат любого вида.
Искусственный интеллект не может также вас мотивировать. Вспомните,
как иногда приходят друзья, чтобы вас мотивировать (или вы приходите к
ним). Друг фактически полагается на комбинацию внутриличностного (сочув­
ствие, как если бы он оказался в вашей ситуации) и межличностного знания
(предложение творческих идей, чтобы получить от вас положительный эмо­
циональный отклик). У искусственного интеллекта нет первого вида знаний
и есть лишь чрезвычайно ограниченный объем второго, как описано в главе 1.
Следовательно, искусственный интеллект не сможет развеять вашу скуку, ис­
пользуя мотивационные методики.

О
СОВЕТ

Так или иначе скука — это не всегда плохо. Многие недавние ис­
следования показали, что скука фактически порождает творческую
мысль (например, см. h ttp s://w w w .fa stco m p a n y .co m /3 0 4 2 0 4 6 /
th e-scien ce -b eh in d -h o w b o r ed o m -b en efits-c rea tiv e-th o u g h t),
что людям еще предстоит осмыслить. После просмотра бесчис­
ленных статей о том, как искусственный интеллект собирается
устранить рутинные работы, складывается впечатление, что дея­
тельность, на которую он претендует зачастую скучна и не остав­
ляет людям никакого времени на творчество. Даже сегодня люди
вполне могут найти продуктивную творческую работу, если они
действительно об этом подумают. Статья “7 удивительных фак­
тов о творческом потенциале согласно науке” (7 Surprising Facts
About Creativity, According To Science) ( h t t p s : //www. fastcompany.

c o m /3 0 6 3 6 2 6 /7 -su r p r isin g -fa c tsa b o u t-c r e a tiv ity -a c c o r d in g to -s c ie n c e ) фактически обсуждает роль таких связанных со скукой
действий, как мечтание в усилении творческого потенциала. В буду­
щем, если люди действительно хотят достичь звезд и сделать другие
удивительные вещи, творческий потенциал станет крайне важным,
поэтому тот фает, что искусственный интеллект не способен развеять
вашу скуку, фактически будет очень хорош.

Работа в промышленных условиях
В любых промышленных условиях, вероятно, будет небезопасно, независи­
мо от количества вложенных в решение этой проблемы денег, времени и уси­
лий. Можно легко найти такие статьи, как http: //www. safetyandhealthm agazine.com /articles/14054-com m on-w orkplace-safety-hazards, описывающие
семь наибольших угроз безопасности в промышленных условиях. Хотя люди и
решают большинство этих проблем, скука осложняет фактическую окружаю­
щую обстановку, в которой люди работают, и служит причиной очень многих
проблем. В следующих разделах описано, как автоматизация способна помочь
людям жить дольше и счастливее.

Уровни автоматизации
Автоматизация в промышленных условиях намного старше, чем вы могли
бы подумать. Отправной точкой автоматизации некоторые считают сборочные
линии Генри Форда (см. h ttp s ://w w w .h is to r y .c o m /th is -d a y -in -h is to r y /
fo r d s-a sse m b ly -lin e -sta r ts-r o llin g ). Фактически автоматизация началась в
1104 году нашей эры в Венеции (см. h t t p s : / / www.mouser.com/applications/
factory-au tom ation -tren d s/), где 16 тысяч рабочих были способны постро­
ить весь военный корабль за один день. Американцы повторили этот подвиг с
современными судами во время второй мировой войны (см. h t t p s : / / www.nps.
gov/n r/travel/w w iib ayarea/sh ip b u ild in g.htm ). Таким образом, автоматиза­
ция существовала давно и везде.
Но чего не существовало давно и везде, так это искусственного интеллекта,
который может реально помочь людям в пределах процесса автоматизации. Се­
годня обычно человек-оператор сначала думает, как выполнить некую работу,
и ставит задачу, а затем перепоручает ее компьютеру. Одним из недавних при­
меров является автоматизация роботизированных процессов (Robot Process
Automation — RPA), позволяющая человеку научить программное обеспечение
действовать в поле человека при работе с приложениями (см. https://w w w .vala m is.co m /b lo g /th e-to o ls-o f-th e-fu tu re-to d a y -w h a t-is-ro b o tic -p r o cessa u to m a tio n -a rtific ia l-in te llig en ce-a n d -m a c h in e -lea rn in g ). Этот процесс

отличается от простого сценария, как при использовании VBA (Visual Basic for
Applications) в Microsoft Office, RPA — это не конкретное приложение и не тре­
бует программирования. Многих удивит тот факт, что фактически есть десять
уровней автоматизации, девять из которых могут полагаться на искусственный
интеллект. Выбираемый вами уровень зависит от вашего конкретного случая.
1 . Человек-оператор создает задачу и передает ее компьютеру для реализации.

2.

Искусственный интеллект помогает человеку определить параметры задачи.

3.

Искусственный интеллект устанавливает наилучшие параметры задачи, а за­
тем позволяет человеку принять или отклонить рекомендацию.

4.

Искусственный интеллект определяет параметры и на их основании определя­
ет последовательность действий, а затем предоставляет список действий че­
ловеку для принятия или отклонения конкретных действий до их реализации.

5.

Искусственный интеллект определяет параметры, последовательность дей­
ствий, формирует задачу, а затем запрашивает у человека одобрение, прежде
чем передать задачу компьютеру.

6.

Искусственный интеллект автоматически создает задачу и передает ее в очередь
задач компьютера, а человек-оператор выступает в роли посредника на слу­
чай, если выбранная задача требует доводки перед фактической реализацией.

7.

Искусственный интеллект создает и реализует задачу, а затем уведомляет человека-оператора о сделанном на случай, если задачу потребуется откоррек­
тировать или аннулировать.

8.

Искусственный интеллект создает и реализует задачу, уведомляя человека о
сделанном, только если он спросит.

9.

Искусственный интеллект создает и реализует задачу безо всякой обратной
связи, если только не потребуется вмешательство человека из-за ошибки или
непредвиденных результатов.

10.

Искусственный интеллект не ждет приказа от человека, он сам выявляет по­
требность в задаче и инициализирует ее выполнение. Искусственный интел­
лект предоставляет обратную связь только тогда, когда требуется вмешатель­
ство человека, например при серьезной ошибке. С ошибками определенного
уровня и непредвиденными результатами искусственный интеллект справля­
ется самостоятельно.

Больше чем просто роботы
Размышляя об автоматизации промышленности, большинство людей пола­
гает, что все делают роботы. Фактически общество сейчас находится в состо­
янии четвертой промышленной революции; была революция пара, массовое
производство, автоматизация, а теперь — коммуникация (см. h ttp s : //www.
e n g in e e r in g .c o m /E le c tr o n ic s D e s ig n /E le c tr o n ic s D e s ig n A r tic le s/A r tic le ID /8 379/N ew -C hips-are-B rin gin g-F actory-A u tom ation -in to-the-E raof-ln d u stry -4 0 .a sp x ). Для эффективного выполнения задачи искусственный

интеллект запрашивает информацию из источников всякого рода. Из этого сле­
дует, что чем более подробную информацию промышленная установка может
получить из всякого рода источников, тем лучше ее искусственный интеллект
сможет работать (если, конечно, этими данными правильно распорядиться).
С учетом этого промышленные установки всех видов полагаются теперь на
индустриальный механизм связи (Industrial Communication Engine — ICE), что­
бы координировать взаимосвязь между всеми столь разными источниками, в
которых нуждается искусственный интеллект.
Роботы действительно выполняют большую часть реальной работы на
индустриальном производстве, однако нужны также сенсоры для оценки по­
тенциальных рисков, таких как штормы. Но для поддержания эффективности
производства координация становится все более и более важным фактором.
Например, грузовики с сырьем должны поступать своевременно, а другие гру­
зовики, отвозящие готовые товары, должны задействоваться по мере необходи­
мости — эта задача крайне важна для эффективного использования складских
помещений. Чтобы повысить эффективность работ, искусственный интеллект
должен знать о техническом состоянии всего оборудования, чтобы гарантиро­
вать его наилучшее обслуживание, причем в то время, когда в этом оборудова­
нии меньше всего потребности.
Искусственный интеллект должен также учитывать такие проблемы, как
цена ресурса. Возможно, получится что-то выиграть, если использовать опре­
деленное оборудование в вечерние часы, когда цена электричества ниже.

Не автоматизацией единой
Первые примеры фабрик без людей относились к таким весьма специфи­
ческим производствам, как выпуск микросхем, для которых требовалась аб­
солютная чистота окружающей среды. Однако с тех пор автоматизация рас­
пространилась. Из-за опасностей для здоровья людей или очень высокой
стоимости использования человека при выполнении определенных видов про­
мышленных задач сегодня можно найти множество самых обычных фабрик,
не требующих никакого человеческого вмешательства вообще (см. примеры на
h t t p s : //sin g u la r ity h u b .c o m /2 0 1 0 /0 2 /ll/no-hum ans-just-robots-am azingv id eo s-of-th e-m od ern -fa cto ry /).

О
ЭАПОМНИ1

Многие технологии до некоторой степени эффективно разреша­
ют все связанные с производством задачи без человеческого вме­
шательства (см. примеры на https://w w w .au tom ation m ag.com /
o p in io n /t h o u g h t - le a d e r s /5 2 4 8 - t o p - lO - in d u s t r ia l- a u t o m a tion -tren d s-a u to m a tio n d irect). Дело в том, что в конечном счете
обществу придется искать задачи и кроме рутинных фабричных ра­
бот, чтобы занять население.

Безопасность окружающей обстановки
Одной из наиболее обсуждаемых ролей искусственного интеллекта, поми­
мо автоматизации производственных задач, является обеспечение безопаснос­
ти людей различными способами. В таких статьях, как h ttp s : //fu tu r is m .
com /7-reasons-you -sh ou ld -em b race-not-fe a r - a r t i f i c i a l - i n t e l l i g e n c e / ,
описаны опасные ситуации, в которых искусственный интеллект выступает в
качестве посредника, принимая на себя удар, который иначе достался бы лю­
дям. Безопасность бывает разной. Да, искусственный интеллект может сде­
лать работу в различных обстановках более безопасной, но он также помогает
сделать окружающую обстановку более здоровой, а также снизить риски, свя­
занные с самыми обычными занятиями, включая серфинг в Интернете. В сле­
дующих разделах содержится краткий обзор путей, которыми искусственный
интеллект может повышать безопасность окружающей обстановки.

Роль скуки в происшествиях
От вождения (см. h t t p : //h e a lt h la n d .tim e .com /2011/01/04/bored-drive r s - m o s t - lik e ly - t o - h a v e - a c c id e n t s /) до работы (см. h ttp ://w w w .u n iv ersa ld ru g sto re.co m /n ew s/g en era l-h ea lth n ew s/b o red o m -in crea ses-a cc id e n ts -a t-w o r k p la c e /) скука повышает вероятность происшествий всех
видов. Фактически, когда выполнение некой задачи требует постоянного вни­
мания, она действует усыпляюще, и результат редко оказывается хорошим.
Проблема настолько серьезна и существенна, что по этой теме можно найти
множество статей, таких как “Modelling human boredom at work: mathematical
formulations and a probabilistic framework” (Моделирование человеческой скуки
на работе: математические формулировки и вероятностная среда возникнове­
ния) (http://w ww .em eraldinsight.com /doi/full/10.1108/1741038131132798l).
Произойдет ли происшествие фактически (или просто создастся опасная ситуа­
ция), зависит от случая.
Представьте реальную разработку алгоритмов, позволяющих определить
вероятность происшествий, происходящих из-за скуки при определенных об­
стоятельствах.

Как искусственный интеллект помогает
избежать проблем безопасности
Никакой искусственный интеллект не сможет предотвратить происшествий
из-за человеческих факторов, таких как скука. В лучшем случае, когда люди
действительно решают следовать правилам, выработанным с использова­
нием искусственного интеллекта, последний может только помочь избежать

возможных проблем. В отличие от роботов Азимова, сейчас нет никакой за­
щиты тремя законами, работающими в любой обстановке; люди должны сами
заботиться о своей безопасности. С учетом этого искусственный интеллект мо­
жет оказать помощь следующими способами.
»

Предложить ротацию задач (на рабочем месте, в автомобиле или
даже дома), чтобы дело осталось интересным.

>» Проконтролировать продуктивность человека и предложить луч­
шее время отдыха от усталости или других факторов.
»

Помочь в решении задач, в которых выгодна комбинация сообра­
зительности человеческого интеллекта и скорости реакции искус­
ственного.

»

Улучшить человеческие возможности по обнаружению вероятных
источников опасности, чтобы они стали очевидней.

»

Устранить повторяющиеся задачи, чтобы люди меньше утомлялись
и участвовали только в интересных аспектах своей работы.

Почему искусственный интеллект не может
устранить проблемы безопасности
Обеспечение полной безопасности подразумевает способность предвидеть
будущее. Поскольку будущее неизвестно, потенциальный риск для людей в
любой момент времени также остается неизвестным, ведь неожиданные ситу­
ации могут возникнуть когда угодно. Неожиданная ситуация — это то, о чем
и не предполагали заранее разработчики некой стратегии безопасности. Люди
имеют огромный опыт по части поиска новых способов попасть в затрудни­
тельное положение, частично из-за любопытства и творческого характера. Ме­
тоды предотвращения опасности искусственным интеллектом следует искать в
человеческой натуре, поскольку люди любознательны; мы хотим увидеть, а что
будет, если что-то попробуем? Как правило, получается глупость.
Непредсказуемые ситуации — не единственная проблема для искусственно­
го интеллекта. Даже если кому-то удалось бы найти все возможные ситуации,
способные создать опасность для человека, то потребуется астрономическая
вычислительная мощь, чтобы выявить и предотвратить подобное событие. Ис­
кусственный интеллект работал бы так медленно, что его ответ всегда опаз­
дывал бы настолько, что был бы бесполезным. Следовательно, разработчикам
оборудования для обеспечения безопасности фактически требуется такой ис­
кусственный интеллект, который обеспечит лишь необходимый уровень без­
опасности, который будет готов иметь дело с наиболее вероятными ситуациями.

Глава 7

Применение
искусственного
интеллекта
в медицине
В ЭТОЙ ГЛАВЕ...
» Более эффективны й мониторинг пациентов
» Помощь лю дям в различны х ситуациях
» Анализ потребностей пациентов
» Реш ение хирургических и д р уги х м едицинских задач

едицина сложна. И не случайно для обучения врача может потребо­
ваться 15 или более лет в зависимости от специальности (см. http: / /
w ork .ch ron.com /long-becom e-doctor-us-7 921.htinl). К тому вре­
мени, когда система образования упакует врача достаточным количеством
информации почти до краев, большинство других людей уже трудится лет 11
(с учетом, что большинство останавливается на уровне среднего специального
образования или степени бакалавра). Тем временем новые технологии, подходы
и так далее — все тайно сговорились сделать эту задачу еще сложнее. В один

М

прекрасный момент любой человек просто не может стать еще более опытным
даже в узкой специальности. Именно поэтому незаменимому человеку нужна
последовательная, логичная и беспристрастная помощь в виде искусственного
интеллекта. Процесс начинается с помощи в мониторинге пациентов (как опи­
сано в первом разделе этой главы) такими способами, которые для человеческо­
го персонала просто невозможны, поскольку количество анализов очень высоко
и выполнять их требуется в определенном порядке и определенным способом.
Это критически важно, и вероятность ошибки недопустима.
К счастью, сегодня у людей куда больше возможностей для самостоятель­
ного решения многих связанных с медициной задач, чем когда-либо прежде.
Например, игры позволяют пациентам выполнять некоторые из терапевтичес­
ких задач самостоятельно, но все же им нужно руководство от приложения,
гарантирующего выполнение упражнений способом, наилучшим образом под­
ходящим для восстановления их здоровья. Улучшенные эндопротезы и другие
медицинские средства также позволяют людям стать менее зависимыми от
профессиональной помощи. Во втором разделе этой главы описано, как искус­
ственный интеллект может помочь людям в их медицинских потребностях.
Очень трудно, если вообще возможно, починить устройство, не зная, как
оно работает. Точно так же нельзя игнорировать проведение анализов при ди­
агностике болезни. Проведение различных анализов помогает врачу выявить
конкретную проблему и упростить ее решение. Сегодня врач вполне может
снабдить пациента устройством мониторинга и контролировать его состояние
дистанционно, а результаты направить искусственному интеллекту для их ана­
лиза и диагностики проблемы, причем все это за один визит пациента в кабинет
врача (он нужен, чтобы прикрепить устройство мониторинга). Такие мониторы,
как глюкометры, пациенты вполне могут купить сами, и тогда посещение каби­
нета врача становится вообще ненужным. Хотя в третьем разделе этой главы не
затрагивается даже часть всех анализирующих устройств, вы хотя бы получите
о них представление.
Конечно, требуется некоторое вмешательство, чтобы подвергнуть пациен­
та хирургическим или другим процедурам (как описано в четвертом разделе
этой главы). Роботизированные решения иногда могут выполнять такие задачи
даже лучше, чем врач. В некоторых случаях помощь робота повышает эффек­
тивность врача и позволяет ему сосредоточить внимание на том, с чем может
справиться только человек. Различные технологии упрощают диагностику,
проводя ее быстрее и точнее. Например, искусственный интеллект может по­
мочь врачу диагностировать рак на начальной стадии куда быстрее, чем если
бы врач делал это сам.

Носимый терапевтический монитор
Медик не всегда может сказать, что происходит с пациентом, просто прослу­
шав его сердце, проверив пульс или сделав анализ крови. Тело не всегда подает
однозначные сигналы, которые позволяют медику узнать их причину сразу. Кро­
ме того, некоторые показатели организма, такие как сахар в крови, изменяются
со временем, поэтому необходим постоянный их мониторинг. Посещение каби­
нета врача при каждой необходимости проверить один из этих параметров —
дело трудоемкое и не всегда полезное. Прежние методы определения некоторых
медицинских характеристик требовали внешнего ручного вмешательства со сто­
роны пациента, а этот процесс приводит к ошибкам, в лучшем случае. По этим
и многим другим причинам искусственный интеллект может помочь контроли­
ровать статистику пациента эффективным, менее склонным к ошибкам и более
единообразным способом, как описано в следующих разделах.

Ношение полезных мониторов
Все мониторы относятся к категории полезных. Фактически большинство из
них не имеют никакого отношения к медицине, но все же дают положительный
эффект для здоровья. Рассмотрим монитор Moov (h ttps: //w elcom e.moov.cc/),
который контролирует и пульс, и движение в пространстве. Искусственный ин­
теллект этого устройства отслеживает статистические данные и предоставляет
совет о том, как лучше делать разминку. Фактически вы получаете советы о
том, как лучше ставить ногу во время бега и стоит ли увеличивать шаг. Зада­
ча этого устройства — гарантировать самую эффективную разминку, которая
улучшит здоровье, без риска получить травму.
Представьте, если бы такой монитор был слишком большим! Motiv
(h ttps://m ym otiv.com /) представляет собой простое кольцо, которое контро­
лирует то же самое, что и Moov, но меньше в объеме. Это кольцо даже следит,
как вы спите, чтобы вы лучше отдыхали за ночь. Кольца действительно име­
ют свои преимущества и недостатки. Из статьи https://w w w .w areable.com /
sm art-jew ellery/best-sm art-rings-1340 можно узнать об их проблемах боль­
ше. Достаточно интересно то, что большинство изображений на сайте ничем не
напоминает фитнес-монитор; таким образом, вы получаете и стиль, и здоровье
в одном пакете.
Конечно, если ваша единственная задача — контролировать свой пульс, мож­
но обзавестись таким устройством, как Apple Watch (h ttp s : //su p p o r t. a p p le.
com/en-us/HT204666), обеспечивающим также некий анализ с использованием
искусственного интеллекта. Все эти устройства взаимодействуют со смартфо­
ном, поэтому вы можете увязать данные с некими другими приложениями или
при необходимости отослать их своему врачу.

Доверие к критически важным мониторам
Проблема с некоторыми показателями человеческого организма состоит
в том, что они постоянно изменяются, поэтому их проверка лишь время от
времени фактически ничего не дает. Уровень глюкозы, статистика о которой
собирается при диабете, является одним из показателей, относящихся к этой
категории. Чем чаще вы контролируете суточные повышения и падения уровня
глюкозы, тем проще назначить лекарства и держать диабет под контролем. Та­
кие устройства, как K’Watch (h ttp ://w w w .p k v ita lity .co m /k tra ck -g lu co se/),
обеспечиваютпостоянный мониторинг, а также обладают приложением, кото­
рое человек может использовать для получения полезной информации о своем
состоянии при диабете. Конечно, люди использовали регулярный мониторинг
годами; просто это устройство обеспечивает тот дополнительный уровень кон­
троля, который при наличии диабета может означать различие между незначи­
тельной неприятностью и опасной для жизни проблемой.
Постоянный мониторинг чьего-то сахара в крови или другой хронической
болезни мог бы показаться чрезмерным, но у него есть практическое при­
менение. Такие продукты, как Sentrian (h t t p : //s e n t r ia n .c o m /), позволяют
использовать дистанционно собранные данные для прогноза заболевания
прежде, чем оно фактически возникнет. Внося изменения в лекарства и пове­
дение пациента прежде, чем произойдет событие, Sentrian снижает количес­
тво неизбежных госпитализаций, делая жизнь пациентов лучше и сокращая
медицинские затраты.
Некоторые устройства, такие как нательный дефибриллятор Wearable
Defibrillator Vest (WDV), действительно критически важны. Они непрерыв­
но контролируют состояние сердца и при необходимости обеспечивают раз­
ряд, чтобы сердце не остановилось и работало правильно (см. h t t p s : //www.
h e a lth c e n tr a l.c o m /a r tic le /w e a r a b le -d e fib r illa to r -v e st-p r o s-a n d -c o n s).
Это краткосрочное решение помогает врачу принять решение, нужна ли вжив­
ляемая версия того же устройства. У его ношения есть преимущества и не­
достатки, но, с другой стороны, трудно оценить постоянное наличие на теле
кардиостимулятора, когда необходимо спасти свою жизнь. Конечно, основное
назначение этого устройства — это мониторинг, и оно его обеспечивает. Неко­
торым людям на самом деле вживляемое устройство не нужно, поэтому кон­
троль очень важен, чтобы избежать ненужной хирургической операции.

Использование носимых мониторов
Количество и разнообразие устройств для мониторинга состояния здоро­
вья с поддержкой искусственного интеллекта на рынке сейчас колеблются
(см. h t t p s : //ww w .m obihealthnew s. с о т /c o n te n t/3 1 -n e w -d ig ita l-h e a lth -

М ЕДИ Ц И Н СКИ Е У С Т Р О Й С Т В А И Б ЕЗ О П А С Н О С Т Ь

Проблема любой медицинской технологии кроется в недостат­
ке защиты. Вероятность взлома вживленного устройства ужасает.
В статье h ttp ://w w w .in d e p e n d en t.co .u k /lifesty le/g a d g e ts-a n d -tech /
n ew s/first-o n lin e-m u rd er-w ill-h a p p en -b y -en d -o f-y ea r-w a rn s-u sfirm-9774 955.html описано, что может случиться, если некто взломает ме­
дицинское устройство. К счастью, согласно многим источникам, никто еще не
умер.
вним ании

Однако представьте отказ инсулиновой помпы или вживленного дефибрилля­
тора из-за взлома, а также вообразите вред, который может нести злоумыш­
ленник. Управление по санитарному надзору за качеством пищевых продуктов
и медикаментов (Food and Drug Administration — FDA), наконец, опубликовало
руководство по защите медицинских устройств, доступное по адресу h ttp : / /
w w w .secu rityw eek .co m /fd a -relea ses-g u id a n ce-m ed ica l-d ev ice-cy b ersecu rity, но в жизнь эти правила, очевидно, не претворяются. Фактически
эта статья просто свидетельствует, что производители сейчас активно ищут
способы защиты своих устройств.
Искусственный интеллект не несет ответственности за отсутствие защиты этих
устройств, но может доказать вину злоумышленника. Дело в том, что необходи­
мо учитывать все аспекты использования искусственного интеллекта, особен­
но когда дело доходит до устройств, непосредственно затрагивающих жизнь
людей, таких как вживляемые медицинские устройства.

tools-show cased-ces-2017). Например, вы фактически можете купить зубную
щетку с поддержкой искусственным интеллектом, которая будет контролировать
ваши привычки по чистке зубов и давать советы относительно лучшей методики
чистки (h ttp ://www.businesswire.com /news/hom e/20170103005546/en/Kolib ree-In tro d u ces-A r a -T o o th b ru sh -A rtificia l-In tellig e n c e/). Трудно пред­
ставить, сколько сложностей пришлось преодолеть, создавая такое устройство,
включая разработку схемы мониторинга состояния человеческого рта. Конечно,
некоторые люди могут сказать, что улучшение чистки зубов в действительности
не имеет непосредственного отношения к хорошему здоровью, но на самом деле
это так (см. h ttp s ://w w w .m a y o c lin ic .o r g /h e a lth y -life sty le /a d u lt-h e a lth /
indepth/dental/art-20047475).
Как правило, при создании носимых мониторов ставится задача сделать их
поменьше и менее навязчивыми. Простота — это также немаловажное требо­
вание для устройств, предназначенных для использования людьми с минималь­
ными или вообще отсутствующими познаниями в медицине. Одним из таких

устройств является носимый кардиомонитор (ECG). Кардиомонитор в кабинете
врача требует подключения пациента проводами к стационарному устройству,
осуществляющему необходимые замеры. Устройство QardioCore (h ttp s : //www.
prnewswire.com/news-releases/qardio-m akes-a-breakthrough-in-preventativ e-h ea lth ca re-w ith -th e-la u n ch -o f-q a rd io co re-th e-first-w ea ra b le-ecg monitor-300384471.html) снимает кардиограмму без проводов, и любой чело­
век с минимальными медицинскими знаниями легко может его использовать.
Подобно многим другим устройствам, это полагается на ваш смартфон, чтобы
сделать необходимый анализ и при необходимости подключиться к внешним
источникам.

©

ЗАПОМНИ!

Современные медицинские устройства работают хорошо, но они
не портативны. Задача создания приложений с поддержкой искус­
ственным интеллектом и специализированных устройств заключает­
ся в получении только необходимых данных, в которых фактически
нуждается врач. В противном случае результатов анализов придется
ждать. Даже если вы не купили умную зубную щетку или носимый
кардиомонитор для контроля своего сердцебиения, тот факт, что эти
устройства есть, что они малы, функциональны и удобны, уже хорош,
поскольку при необходимости вы можете ими воспользоваться.

Расширение возможностей людей
Сегодня множество технологий нацелено на увеличение продолжительнос­
ти здоровой человеческой жизни (сегмент жизни без существенной болезни),
а не только на увеличение количества лет жизни. Они призваны дать людям
больше возможностей для улучшения их здоровья различными способами. Вы
легко можете найти статьи, предлагающие 30, 40 или даже 50 способов уве­
личения продолжительности здоровой человеческой жизни, но зачастую они
сводятся к комбинации правильного питания, достаточных тренировок и хо­
рошего отдыха. Конечно, установить, какие именно еда, упражнения и отдых
лучше всего подходят именно для вас, почти невозможно. В следующих разде­
лах описаны случаи, когда наличие устройства с поддержкой искусственного
интеллекта могло бы означать различие между 60-ю годами хорошей жизни и
80-ю или даже больше. (Фактически сейчас нетрудно найти статьи о продол­
жительности в будущем человеческой жизни до тысячи и более лет благодаря
новейшим технологиям.)

П РИ С ТРАС ТИ Е, СИМПАТИЯ И С О Ч У В С ТВ И Е
Проблема любой медицинской технологии кроется в недостатке защиты. Веро­
ятность взлома вживленного устройства ужасает. В статье http: //www. inde­
pendent . с о . и Забота является главным назначением любого медицинского
средства. Предположим, что забота осуществляется не только наилучшим об­
разом, но и беспристрастно. Вот в чем искусственный интеллект может про­
явить себя в медицинской области; он гарантирует, что технические навыки
останутся высокими и не будет никакого пристрастия, по крайней мере с его
точки зрения.
Люди всегда будут пристрастны, поскольку они обладают внутриличностным
интеллектом (как описано в главе 1). Даже самые добрые, альтруистически на­
строенные люди демонстрируют некоторую форму пристрастия (обычно под­
сознательно), создавая ситуацию, когда врач видит одно, а пациент — другое
(см. раздел “Пять недостоверностей данных" в главе 2). Однако пациенты почти
всегда склонны преувеличивать серьезность своей болезни, хотя, вероятно,
и непреднамеренно. Использование искусственного интеллекта гарантирует
беспристрастность при работе с пациентами, позволяет избежать этой про­
блемы. Искусственный интеллект может также помочь врачу обнаружить не­
достоверности (непреднамеренные или иные) в симптомах, излагаемых паци­
ентами, повысив, таким образом, качество лечения.
В медицине время от времени возникают проблемы, поскольку чисто техничес­
ких навыков зачастую недостаточно. Люди нередко жалуются на отсутствие
такта у врачей и медицинского персонала. Те же самые люди, которые хотят
беспристрастного лечения, так или иначе хотят и сочувствия со стороны вра­
ча (просто делающего свою работу), поскольку пристрастны теперь они. Со­
чувствие отличается от симпатии в корне. Люди демонстрируют сочувствие,
когда они в состоянии чувствовать то же самое, что и пациент. Два упражнения
из раздела "Программно-ориентированные решения"этой главы помогут вам
понять, как некто может построить систему взглядов так, чтобы вызвать сочув­
ствие. Искусственный интеллект никогда не сможет сочувствовать, поскольку
у него нет ни чувств, ни понимания, необходимых для создания системы взгля­
дов, а также внутриличностного интеллекта, обязательного для использования
такой системы взглядов.
К сожалению, сочувствие может сыграть злую шутку с медиком относительно
истинных медицинских потребностей, поскольку теперь он участвует в недо­
стоверности точки зрения, наблюдая происходящее только с точки зрения
пациента. Таким образом, врачи нередко испытывают симпатию, благодаря
которой могут взглянуть на ситуацию извне, понять, что пациент мог бы чув­
ствовать (а не что он чувствует), и не строить систему взглядов на основе этого.

Следовательно, врач может оказать необходимую эмоциональную поддержку,
видя при этом реальную потребность в выполнении действий, которые паци­
енту могут вовсе и не понравиться в ближайшей перспективе. Искусственный
интеллект не может решить эту задачу, поскольку ему недостает внутриличностного интеллекта и он не понимает концепции точки зрения достаточно
хорошо, чтобы соответственно ее применить, k /life s ty le /g a d g e ts -a n d -

tech /n ew s/first-on lin e-m u rd er-w ill-h ap p en -b y-en d -of-year-w arn susfirm -9774955.htm l описано, что может случиться, если некто взломает
медицинское устройство. К счастью, согласно многим источникам, никто еще
не умер.
Однако представьте отказ инсулиновой помпы или вживленного дефибрилля­
тора из-за взлома, а также вообразите вред, который может нести злоумыш­
ленник. Управление по санитарному надзору за качеством пищевых продуктов
и медикаментов (Food and Drug Administration — FDA), наконец, опубликовало
руководство по защите медицинских устройств, доступное по адресу h ttp : / /

www.se c u r ity w e e k .c o m /fd a -r e le a se s-g u id a n c e -m e d ic a l-d e v ic e -c y b ersecu rity, но в жизнь эти правила, очевидно, не претворяются. Фактически
эта статья просто свидетельствует, что производители сейчас активно ищут
способы защиты своих устройств.
Искусственный интеллект не несет ответственности за отсутствие защиты этих
устройств, но может доказать вину злоумышленника. Дело в том, что необходи­
мо учитывать все аспекты использования искусственного интеллекта, особен­
но когда дело доходит до устройств, непосредственно затрагивающих жизнь
людей, таких как вживляемые медицинские устройства.

Использование игр для терапии
Игровая консоль может стать мощным и интересным инструментом фи­
зической терапии. И Nintendo Wii, и Xbox 360 уже используются во многих
местах для физической терапии (https://w w w .w ebpt.com /blog/post/do-youw ii-hab-u sing-m otion-gam ing-you r-th erap y-clin ic). Задача этих игр в том,
чтобы приучить людей двигаться определенным способом. Игра автоматичес­
ки поощряет надлежащие движения пациента, получающего одновременно и
терапию, и развлечение. Поскольку терапия становится развлечением, пациент
выполняет ее с большей заинтересованностью и поправляется быстрее.
Конечно, одних только движений при работе с соответствующей игрой
для успеха недостаточно. Фактически, играя в эти игры, кто-то сможет за­
работать новые болезни. Дополнение Jintronix для аппаратных средств
Xbox Kinect стандартизирует использование данной игровой консоли для
терапии (h t t p s : / /w w w .fo rb es. c o m /s ite s /k e v in a n d e r t o n /2 0 1 7 /0 9 /3 0 /

j in tr o n ix -p r o g r a m -u s e s -x b o x -k in e c t-h a r d w a r e -1 о- h e l p - r e h a b -p a tien ts-in fograp h ic/#2cffc63a61d 3), увеличивая вероятность положительного
результата.

Использование экзоскелетов
Одной из самых сложных задач искусственного интеллекта является под­
держка всего человеческого тела. Это случай, когда некто носит экзоскелет
(по существу, разновидность робота). Искусственный интеллект считывает
движения человека (или его намерение переместиться) и приводит экзоскелет
в действие. В использовании экзоскелетов продвинулись вооруженные силы
(см. h t t p : //e x o s k e le t o n r e p o r t . com /20 1 6 /0 7 /m ilit a r y - e x o s k e le t o n s /).
Представьте себе возможность двигаться быстрее и носить значительно более
тяжелый вес. Видео на https://www.youtube.com/watch?v=p2W23ysgWKI дает
лишь некоторое представление об этих возможностях. Конечно, военные про­
должат экспериментировать, но это пригодно и в гражданских целях. Экзоске­
лет, который вы в конечном счете увидите (а вы его когда-нибудь наверняка
увидите), вероятно, будет создан военными.
Промышленность также интересуется технологиями экзоскелета (см. h ttp s :
/ / www. n b c n e w s. c o m /m a c h /s c ie n c e /n e w - е х о s k e l e t o n - d o e s - h e a v y liftingfactory-w orkers-ncna819291). В настоящее время промышленные ра­
бочие страдают от травм и массы болезней, вызванных регулярным стрессом.
Кроме того, работа на заводе невероятно утомительна. Ношение экзоскелета
снизит не только усталость, но и вероятность ошибки, сделав труд рабочих бо­
лее эффективным. Люди, сохраняющие силы в течение всего дня, могут сделать
больше и с гораздо меньшей вероятностью травмы или еще какого-либо вреда.
Экзоскелеты, используемые в промышленности сегодня, отражают свои во­
енные начала. Их возможности и внешний вид в будущем изменятся так, чтобы
больше походить на экзоскелеты из таких фильмов, как Чужие (Aliens) (h ttp s: / /
www.amazon.com/exec/obidos/ASIN/B01I0K018W/datacservip0f-20/). Реальные
примеры этой технологии (см. видео и статью http://www.bbc.com /news/technology-26418358 в качестве примера) менее внушительны, но все равно полезны.
Самое интересное, что экзоскелеты позволяют людям делать не толь­
ко то, на что они способны и сами, но и на что они не были раньше способ­
ны, и это замечательно. Например, недавно была опубликована статья об
использовании экзоскелета, позволившего ходить ребенку с церебральным
параличом (https://w w w .sm ithsonianm ag.com /innovation/this-roboticexosk eleton -h elp s-k id s-cereb ral-p alsy-w alk -u p righ t-180964750/). Не все ис­
пользуемые в медицинских целях экзоскелеты предназначены для поддержания
жизни, как бы то ни было. Например, экзоскелет может помочь пациенту после
инсульта снова нормально ходить (http: //www. sciencem ag.org/news/2017/07/
ГЛАВА 7

Применение искусственного интеллекта в медицине

133

w a tc h -r o b o tic -e x o sk e le to n -h e lp -str o k e -p a tie n t-w a lk ). По мере восста­
новления экзоскелет поддерживает человека все меньше и меньше и в конце
концов становится ненужным. Некоторые пользователи даже объединили свой
экзоскелет с другими устройствами, такими как Alexa от Amazon (см. h ttp s : / /
sp ectru m .ieee.org/th e-h u m a n -o s/b io m ed ica l/b io n ics/h o w -a -p a ra p leg icuser-com m ands-this-exoskeleton-alexa-im -ready-to-w alk).

ЗАПОМНИ)

Назначение экзоскелета вовсе не в том, чтобы сделать из вас Желез­
ного человека (Iron Man). Они, скорее, позволяют снизить регуляр­
ные нагрузки, ведущие к туннельному синдрому, и нагрузки после
травм, а также помогают людям лучше решать те задачи, которые в
настоящее время для них слишком утомительны или просто невоз­
можны из-за физической ограниченности тела. С медицинской точки
зрения использование экзоскелета — это хорошо, поскольку он со­
храняет людям подвижность, а подвижность немаловажна для хоро­
шего здоровья.

Т ЕМ Н А Я СТО РО Н А Э К З О С К Е Л Е Т О В
В Сети нет описания злонамеренных способов использования экзоскелетов,
если не учитывать военные цели. Но ломать — не строить. Рано или поздно
кто-нибудь придумает способы использования экзоскелетов во зло (как, ве­
роятно, и любой технологии, описанной в этой главе). Предположим, напри­
мер, что высокотехнологичные воры, используя экзоскелеты, украдут тяжелый
объект.
Хотя эта книга призвана развеять мифы, окружающие искусственный интел­
лект, и ознакомить с положительными направлениями его применения, факт
остается фактом, и действительно думающие люди не могут по крайней мере
не задумываться о темной стороне любой технологии. Эта стратегия становит­
ся опасной, когда люди безосновательно поднимают тревогу. Да, взбесивши­
еся воры в экзоскелетах способны наделать дел, но просто нужно правильно
обеспечить защиту от них, и, кроме того, этого еще не случалось. Этические
соображения возможного применения, как позитивного, так и негативного,
всегда сопровождают создание любой технологии, включая искусственный
интеллект.
Повсюду в книге вы найдете различные этические и моральные соображения
о позитивном применении искусственного интеллекта для помощи обществу.
Безусловно, безопасность технологии важна, но имейте также в виду, что от­
казываться от технологии из-за ее негативного потенциала действительно не­
разумно.

Решение специфических задач
Когда-то потеря конечности, например, означала годы визитов к врачу, а так­
же более короткую и менее счастливую жизнь. Однако хорошие эндопротезы
и другие подобные устройства, большинство с поддержкой искусственным ин­
теллектом, сделали этот сценарий историей для многих людей. Посмотрите, на­
пример, на танцующую пару h ttp s : //www. youtube. com/watch?v=AJOQj 4NGJXA.
У женщины протез ноги. Сейчас люди могут бежать марафон или заниматься
скалолазанием, даже потеряв свои настоящие ноги.
Многие люди считают термин специальные потребности (special needs) эк­
вивалентным физической или умственной недостаточности или даже неполно­
ценности. Однако почти у всех есть некая специальная потребность. В конце
долгого дня кто-то с вполне нормальным зрением увеличивает размер шрифта в
текстовом программном обеспечении или делает изображения крупнее. Цветовое
программное обеспечение может помочь кому-то с нормальным цветным воспри­
ятием лучше различать детали, которые обычно ему не видны (по крайней мере
тому, кто считает, что зрение у него нормальное). Когда люди становятся старше,
они обычно нуждаться в большей помощи, чтобы услышать, увидеть, ощутить,
коснуться или иначе взаимодействовать с самыми обыкновенными объектами.
Аналогично помощь с такими задачами, как ходьба, может спасти кого-то от ме­
дицинского стационара и вернуть домой навсегда. Дело в том, что использование
различных технологий с поддержкой искусственным интеллектом может помочь
существенно улучшить жизнь всем, о ком идет речь в следующих разделах.

Программно-ориентированные решения
Для удовлетворения специфических потребностей многие пользователи
компьютеров сегодня полагаются на некий тип программно-ориентированного
решения. Одним из самых известных подобных решений является программа
для чтения с экрана Job Access With Speech (JAWS) (h ttp s : //www. freedom scientific.com /Products/Blindness/JA W S), произносящая текст на дисплее, ис­
пользуя сложные методы. Как вы, возможно, догадались, любая полагающаяся
на науку о данных и искусственный интеллект технология должна получить
данные, интерпретировать их, а затем предоставить результат, как это делает
программное обеспечение JAWS, являющееся хорошим примером для пони­
мания возможностей и пределов программно-ориентированных решений. Наи­
лучший способ убедиться в этом самому — это загрузить и установить про­
граммное обеспечение, а затем испытать его, как будто вы слепы и пытаетесь
выполнить определенные действия в своей системе. (Не делайте ничего крити­
чески важного, ибо ошибки неизбежны.)

НЕ ОБМ АНЫ ВАЙТЕСЬ

по п о вод у сп ец и а л ьн ы х п о требн о стей

Люди, которых вы видите в Сети, особенно с большим опытом по части уди­
вительной жизни несмотря на их специальные потребности, обычно явля­
ются специфическими людьми. Они действительно тяжело работали, чтобы
добиться того, что имеют теперь. Использование устройства с поддержкой
искусственным интеллектом может быть шагом в нужном направлении, но
чтобы достичь цели, нужна воля сделать все, независимо от того, что именно
делает это устройство и сколько часов терапии потребуется. Данная глава не
пытается пролить свет на невероятный объем работы, который проделали эти
удивительные люди, чтобы жить полноценно. Она скорее о технологии, ока­
завшей им помощь на пути к успеху. Если вы хотите увидеть нечто действитель­
но удивительное, посмотрите на балерину h ttp ://w w w .d a ily m a il.co .u k /
n e w s / a r t i c l e - 3653215/S c h o o lg ir lle g - a m p u t a t e d - k n e e - f o o t - a t ta c h e d -s tu m p -s u ffe r in g -r a r e -b o n e -c a n c e r -d e fie s -o d d s c o m p e ti­
tiv e -b a lle t-d a n c e r . html. В статье описано, сколько работы потребовалось,
чтобы заставить эту технологию работать.

О
СОВЕТ

Подобное программное обеспечение позволяет людям со специаль­
ными потребностями делать невероятные вещи. Оно способно даже
помочь понять то, на что это походило бы, имей они специальную
потребность. Доступно немало таких приложений, но попробуй­
те для примера Vischeck с h ttp ://w w w .v isc h e c k .c o m /v isc h e c k /
vischecklm age.php.1 Оно позволяет увидеть изображения так, как
их видят люди с различными формами дальтонизма. Конечно, вы
сразу заметите, что термин дальтонизм фактически неправилен;
люди в этом состояниями различают цвета, но не так. Цвета просто
смещаются к другому цвету, поэтому лучшим термином, вероятно,
было бы смещение цвета.

Доверие к аппаратному усилению
Для помощи людям со специальными потребностями необходимо куда
больше, чем только подходящее программное обеспечение. В разделе “Исполь­
зование экзоскелетов”, приведенном выше в этой главе, обсуждались способы
использования экзоскелетов для предотвращения травм, усиления естествен­
ных человеческих возможностей или удовлетворения специальных потреб­
ностей (чтобы люди, страдающие параличом нижних конечностей, могли хо­
дить). Однако потребности людей решают и многие другие виды аппаратных*
'Актуальность ссылки не гарантируется. —

П рим еч. ред .

средств усиления, подавляющему большинству которых для правильной рабо­
ты требуется помощь искусственного интеллекта некоторого уровня.
Рассмотрите, например, систему Eye-Gaze (h ttp ://w w w .ey eg a ze.co m /).
Прежние системы полагались на шаблон, прикрепленный поверх монитора.
Парализованный мог смотреть на отдельные символы, которые считывались
двумя камерами (по одной на каждой стороне монитора), а затем вводились в
компьютер. Вводя команды таким способом, больной мог выполнить простые
задачи на компьютере.
Некоторые из первых систем, управляемых взглядом, совмещались через
компьютер с роботизированным манипулятором. Роботизированный манипу­
лятор мог делать чрезвычайно простые, но важные действия, например подать
пользователю напиток или вытереть ему нос. Современные системы факти­
чески способны соединить мозг пользователя непосредственно с роботизиро­
ванным манипулятором и позволить ему выполнять такие задачи, как еда без
посторонней помощи (см. https://w w w .engadget.com /2017/03/29/paralyzedm an -first-to-m ove-h is-a rm -b y -th in k in g -a b o u t-it/).

Искусственный интеллект эндопротеза
Можно найти множество примеров применения искусственного интеллекта
в эндопротезах. Да, существуют и пассивные решения эндопротеза, но более
новые полагаются на динамические подходы, требующие искусственного ин­
теллекта. Один из наиболее удивительных примеров эндопротеза с поддержкой
искусственным интеллектом — это полностью динамическая стопа, созданная
Хью Херром (Hugh Негг) (h ttp s : //www. sm ithsonianm ag.com /innovation/futu re-rob otic-legs-1 8 0 9 5 3 0 4 0 /). Эта стопа и лодыжка работают настолько хо­
рошо, что фактически позволили Хью заниматься скалолазанием. Вы можете
посмотреть презентацию, недавно выпущенную TED, по адресу h ttp s: / /www.
youtube. com/watch?v=CDsNZJTWwOw.

ВНИМАНИЕ!

Небольшая дилемма, с которой нам, вероятно, придется встретить­
ся когда-нибудь в будущем (к счастью, не сегодня), когда эндопро­
тезы фактически позволят их владельцам существенно превзойти
природные человеческие возможности. Например, у Ситандры в
фильме Эон Флакс кисти вместо стоп (https://w w w .aw n.com /vfxw o rld /a eo n -flu x -liv e-a ctio n -a n im a ted -w o rld ). Кисти — это, по
существу, своего рода протез, привитый тому, кто изначально имел
обычные ступни. Вопрос в том, допустим ли подобный вид про­
тезирования, полезен ли он и даже желателен ли. В некий момент
должна будет собраться группа людей и установить, где должно за­
канчиваться использование протезов, чтобы сохранить людей в виде
ГЛАВА 7

Применение искусственного интеллекта в медицине

137

людей (если мы только решим оставаться людьми, а не развиться в
некую следующую форму жизни). Сегодня вы вряд ли кого увидите
с кистями вместо стоп.

Новые способы анализа
Использовать искусственный интеллект в медицинских целях можно не
только для разных носимых устройств. Его возможности способны повысить
потенциал специалистов и другими полезными способами. Анализ данных —
это одна из областей, в которых искусственный интеллект непревзойден. Фак­
тически роли искусственного интеллекта в современной медицине посвящены
целые веб-сайты, такие как h t t p ://m e d ic a lfu tu r is t.c o m /c a te g o r y /b lo g /
d i g i t a l iz e d - c a r e /a r t i f ic i a l- in t e ll ig e n c e /.2
Казалось бы, чтобы поставить точный диагноз, специалисту достаточно
сделать снимок участка потенциальной опухоли, а затем просмотреть резуль­
тат. Но большинство методик получения необходимого снимка полагается на
проницаемость тканей, не являющихся частью опухоли и не затеняющих ре­
зультат. Кроме того, врач желает получить наилучшую информацию, просмат­
ривая снимки опухоли на ее ранних этапах.
Искусственный интеллект позволяет не только поставить диагноз и иденти­
фицировать опухоль на ранних этапах, но и сделать это с высокой точностью и
очень быстро. При многих болезнях время критически важно. Согласно статье
h ttp s : //w w w .w ired.com /2017/01/look-x-rays-m oles-living-ai-com ing-job/
повышение скорости существенно, а цена не столь велика при использовании
этого нового подхода.
Столь же внушительной, как и возможная скорость диагностики искусствен­
ного интеллекта в этой области, является возможность его объединения с Ин­
тернетом вещей (1оТ) и компиляция данных. Когда искусственный интеллект
обнаруживает у пациента специфическое состояние, он может самостоятельно
проверить записи пациента и вывести на экран информацию, имеющую отно­
шение к наблюдаемому диагнозу, как демонстрируется в статье h t t p s : / /www.
itn o n lin e .c o m /a r tic le /h o w -a r tific ia l-in te llig e n c e -w ill-c h a n g e -m e d ical-im aging. Теперь у врача есть каждая деталь необходимой информации о
пациенте, чтобы поставить диагноз и назначить конкретное лечение.

2Вероятно, имелось в виду h ttp s ://m e d ic a lfu tu r is t.c o m /c a te g o r y /a r tific i a l- in t e ll ig e n c e . — Примеч. ред.
138

ЧАСТЬ 2

Использование искусственного интеллекта в обществе

Новые хирургические технологии
Сегодня роботы и искусственный интеллект уже участвуют в хирургичес­
ких процедурах. Фактически некоторые хирургические операции были бы
практически невозможны без использования роботов и искусственного интел­
лекта. Однако история применения этой технологии еще не велика. Первый
хирургический робот, Arthrobot, появился в 1983 году (см. https://www.roboticoncology.com/history-of-robotic-surgery/). Даже в то время приме­
нение этих спасительных технологий снижало количество ошибок, улучша­
ло результаты, ускоряло заживание и делало хирургию относительно проще.
В следующих разделах рассматривается применение роботов и искусственного
интеллекта в различных аспектах хирургии.

Выработка хирургических рекомендаций
К хирургическим рекомендациям можно относиться по-разному. Например,
искусственный интеллект может проанализировать все данные о пациенте и
предоставить хирургу рекомендации о наилучших подходах на основании за­
писей данного конкретного пациента. Хирург может выполнить эту задачу и
сам, но это отнимет больше времени и возможны ошибки, которых искусствен­
ный интеллект не сделает. Искусственный интеллект не устанет к концу дня
и ничего не упустит; он последовательно просмотрит все доступные данные
точно так, как и всегда.
К сожалению, даже несмотря на помощь искусственного интеллекта, не­
ожиданности во время хирургической операции все еще случаются, и тогда в
игру вступает следующий уровень рекомендаций. Согласно статье h t t p s : / /
w w w .huffingtonpost.com /entry/therole-of-ai-in-surgery_us_58d40b7fe4b
002482d6e6f59 у врачей теперь может быть доступ к устройству, работающему
на тех же принципах, что и Alexa, Siri или Cortana (искусственный интеллект
устройств, которые фактически могут быть в любом доме). Нет, устройство
не будет спрашивать врача о музыке, проигрываемой во время хирургической
операции, но врач может использовать устройство для поиска определенной
информации без необходимости отрываться от дела. Для пациента это означает
пользу от второго мнения при непредвиденном осложнении во время хирурги­
ческой операции. Устройство фактически не делает ничего большего, чем уже
сделано другими врачами в ходе их исследований, оно просто с готовностью
дает ответ на вопрос хирурга; никакого реального мышления здесь нет.
Подготовка к хирургической операции означает также просмотр всех ана­
лизов, на которых настаивает врач. Скорость — это преимущество искусствен­
ного интеллекта перед рентгенологом. Такие системы с технологией глубокого

обучения, как Enlitic (h ttp s ://w w w .e n litic .c o m /), способны проанализиро­
вать рентгеновский снимок за миллисекунды, в 10 тысяч раз быстрее рентге­
нолога. Кроме того, система на 50 процентов лучше в классификации опухолей
и имеет весьма низкий процент ошибок (0 процентов против 7 у людей). Дру­
гая система той же самой категории, Arterys (h ttp s : //a r t e r y s . com/), способна
выполнить сканирование сердца за 6-10 минут, а не за час, как обычно. Паци­
ентам даже не приходится задерживать дыхание. Удивительно, но эта система
получает несколько размерностей данных (трехмерную анатомию сердца, ско­
рость и направление кровотока) за это короткое время. Видео об Arterys можно
просмотреть по адресу h t t p s : //www. youtube. com/watch?v=IcooATgPYXc.

РАБОТА В С ТР А Н А Х Т Р Е Т Ь Е Г О МИРА
Люди зачастую сетуют, что ни одна из этих удивительных технологий, на ко­
торые сегодня полагаются медицинские профессионалы, не применяются в
странах третьего мира. Фактически некоторые из этих технологий, такие как
продукты от Bay Labs (h ttp s : //b a y la b s . io /), предназначены специально для
стран третьего мира. Врачи опробовали их в Африке для выявления признаков
ревмокардита (Rheumatic Heart Disease — RHD) у кенийских детей. Во время
визита в сентябре 2016 года врачи использовали оборудование Bay Labs для
осмотра 1 200 детей за четыре дня и выявили 48 детей с RHD или врожденными
пороками сердца. Без искусственного интеллекта такое оборудование не было
бы возможным, поскольку иначе оно никак не могло бы быть ни достаточно
компактным, ни легким, чтобы работать в этих условиях.

Помощь хирургу
Самая роботизированная хирургическая система сегодня только помогает
хирургу, а не заменяет его. Первая роботизированная хирургическая система,
PUMA, появилась в 1986 году. Она выполняла чрезвычайно тонкую нейрохи­
рургическую биопсию, являющуюся нелапароскопическим типом хирургиче­
ской операции. Лапароскопическая хирургия минимально агрессивна, с одним
или несколькими небольшими разрезами, служащими только для доступа к та­
кому органу, как желчный пузырь, для удаления или восстановления. Первые
роботы не были достаточно искусны в решении таких задач.
В 2000 году хирургическая система da Vinci продемонстрировала способ­
ность выполнять лапароскопическую хирургическую операцию, используя
трехмерную оптическую систему. Хирург направляет движения робота, но
фактическую хирургию выполняет робот. Во время операции хирург видит

высококачественное изображение и может следить за операцией куда лучше,
чем выполняя ее лично. Система da Vinci использует также меньшие отвер­
стия, чем хирург, и риск инфекции также ниже.
Тем не менее важнейшая особенность системы da Vinci в том, что она уси­
ливает возможности хирурга. Например, если рука хирурга немного дрогнет,
хирургическая система это устранит, подобно средствам стабилизации съе­
мочной камеры. Система также сглаживает внешнюю вибрацию. Она также
позволяет хирургу выполнять чрезвычайно малые движения, куда меньшие,
чем способен человек, обеспечивая намного более высокую точность хирурги­
ческой операции, чем хирург может достичь сам.

ТЕХНИЧЕСКИЕ
ПОДРОБНОСТИ

Хирургическая система da Vinci является сложным и чрезвычайно
гибким устройством. Министерство здравоохранения одобрило его
и для педиатрических, и для взрослых хирургических операций сле­
дующих типов.
»

Урологическая хирургия

»

Общая лапароскопическая хирургия

»

Общая не сердечно-сосудистая торакоскопическая хирургия

»

Вспомогательные торакоскопические кардиотомические процедуры

Вся эта медицинская терминология приведена здесь только для доказатель­
ства того, что хирургическая система da Vinci способна выполнять множество
задач, не задействуя хирурга непосредственно. В один прекрасный момент робо­
ты-хирурги станут более автономными, отстранив врача еще дальше от пациен­
та во время хирургической операции. В будущем никто вообще не войдет в опе­
рационную с пациентом, чтобы снизить вероятность инфекции почти до нуля.
О хирургической системе da Vinci можно прочитать больше по адресу http: / /
w w w .davincisurgery. c o m /d a -v in c is u r g e r y /d a -v in c i-s u r g ic a l-s y s te m /.

Замена хирургии наблюдением
В фильме Звездные войны (Star Wars) роботы-хирурги регулярно чинят лю­
дей. Фактически возникает вопрос, есть ли у них врачи-люди вообще. Теорети­
чески роботы в будущем могли бы и сами проводить некоторые типы хирурги­
ческих операций, но эта возможность все еще далека. Роботам еще предстоит
проделать весьма долгий путь от промышленных установок, которыми они
являются сегодня. Современные роботы почти не автономны и требуют чело­
веческого вмешательства для настройки.
Однако искусство хирургии — это достижение для роботов. Например, си­
стема STAR (Smart Tissue Autonomous Robot) превзошла по скорости хирургов

при зашивании кишечника свиньи, как описано в статье h t t p s : / /spectrum .
ieee.org/th e-h u m an -o s/ro b o tics/m ed ica l-ro b o ts/a u to n o m o u s-ro b o t-su rg eo n -b ests-h u m a n -su rg eo n s-in -w o rld -first. Во время хирургической опе­
рации врачи контролировали STAR, но фактически робот выполнил задачу
самостоятельно, что является огромным шагом вперед в автоматизации хирур­
гических операций. Видео о ходе хирургической операции (см. h t t p s : //www.
youtube.com/watch?v=vb79-_hGLkc) весьма информативно.

Автоматизация решений
Искусственный интеллект великолепен при автоматизации. Он никогда не
отклоняется от инструкций, никогда не устает и не делает ошибок, если пер­
воначальные инструкции правильны. В отличие от людей искусственный ин­
теллект никогда не нуждается в отпуске, выходных или даже восьмичасовом
рабочем дне (не у многих в медицинской профессии есть все это). Следова­
тельно, искусственный интеллект, общающийся с пациентами с утра, будет так
же работать и в обед, и вечером. Изначально у искусственного интеллекта не
особенно много существенных преимуществ, если смотреть исключительно
с точки зрения согласованности, точности и долговечности (случаи, когда ис­
кусственный интеллект терпит неудачу, приведены в разделе “ПРИСТРАСТИЕ,
СИМПАТИЯ И СОЧУВСТВИЕ”). Ниже рассматриваются способы, которыми
искусственный интеллект может помочь в автоматизации за счет улучшения
доступа к таким ресурсам, как данные.

Работа с медицинскими записями
Главная помощь искусственного интеллекта в медицине заключается в ра­
боте с медицинскими записями. В прошлом для хранения всех терапевтиче­
ских данных использовали записи на бумаге. У каждого пациента могла быть
также специальная доска, на которой медицинский персонал ежедневно за­
писывал текущую информацию во время пребывания пациента в стационаре.
Данные пациента содержат и различные диаграммы, в которые врач может так­
же вносить примечания. Наличие всех этих источников информации в очень
разных местах существенно затрудняет контроль над состоянием пациента.
Искусственный интеллект совместно с компьютерной базой данных помогает
сделать эту информацию более доступной, единообразной и надежной. Такие
системы, как Google Deepmind Health (h ttps://d eep m in d .com /app lied /d eep m in d -h ea lth /w o rk in g -p a rtn ers/h ea lth -resea rch -to m o rro w /), позволяют
медперсоналу обрабатывать информацию пациентов так, чтобы находить в ней
шаблоны, которые иначе не были бы очевидны.

ЗАПОМНИ!

Врачи не всегда работают с записями таким же образом, как и все
остальные. Система, подобная WatsonPaths от IBM (http: //www. re­
search . ibm. com /cognitivecom puting/watson/watsonpaths. shtml),
помогает врачам работать с данными пациента всех видов новыми
способами, чтобы принимать наилучшие диагностические решения.
Видео о работе системы можно просмотреть по адресу h ttp s : / /
www. youtube. com/watch?v=07XPEqkHJ6U.

Медицина — дело командное, в ней много разных людей сотрудничают друг
с другом. Однако любой, кто понаблюдает процесс некоторое время, очень ско­
ро поймет, что эти люди не общаются между собой в достаточной степени,
поскольку они слишком заняты пациентами. Такие системы, как CloudMedX
(http://www.cloudm edxhealth.com /), собирают все, что введено всеми участ­
никами, и анализируют. Это программное обеспечение способно помочь об­
наружить потенциально проблемные области, повысив вероятность хорошего
терапевтического результата. Другими словами, эта система частично берет на
себя разговоры, которые, вероятно, вели бы между собой различные заинтере­
сованные лица, если бы они не были столь заняты лечением.

Предсказание будущего
Действительно удивляет программное обеспечение CareSkore ( h t t p s : / /
www. careskore. com/), создающее прогноз на основании медицинских записей.
Оно использует алгоритмы для определения вероятности повторного попада­
ния пациента в больницу после выписки. Выяснив причины вероятной повтор­
ной госпитализации, медицинский персонал может устранить их прежде, чем
пациент покинет больницу, сделав повторную госпитализацию менее веро­
ятной. Согласно этой стратегии Zephyr Health ( h t t p s : //zep h y rh ea lth .co m /)
помогает врачам подбирать подходящие методы лечения и достигать положи­
тельного результата с наибольшей вероятностью, что также снижает для па­
циента риск повторной госпитализации. Видео на h ttp s : / / www.youtube.com/
watch?v=9y930hioWjw поможет узнать больше о Zephyr Health.
В некотором отношении именно ваша генетика определяет то, что будет с
вами в будущем. Следовательно, знание генетики увеличивает шансы понять
свои преимущества и недостатки, что поможет вам жить лучше. Система Deep
Genomics (https://w w w .deepgenom ics.com /) выясняет, как генетические му­
тации влияют на человека. Мутации не всегда приводят к отрицательному ре­
зультату; некоторые мутации делают людей лучше, поэтому знание о мутациях
может быть положительной практикой. Более подробная информация по этой
теме содержится в видео на h ttp s: //www.youtube.с о т /watch?v=hVibPJyf-xg.

Повышение безопасности процедур
Чтобы принимать правильные решения, врачи нуждаются в большом коли­
честве данных. Однако при повсеместном распространении данных врачи зача­
стую не могут проанализировать эти разнородные данные достаточно быстро и
принимают несовершенные решения. Чтобы сделать процедуры более безопас­
ными, врач должен иметь доступ не только к данным, но также к неким сред­
ствам их организации и анализа способом, отражающим специальность врача.
Одним из таких средств является Опсога Medical (h ttp s ://o n c o ra m e d ic a l.
com/), оно собирает и организует медицинские записи онкологов-радиологов.
В результате им удается установить точный объем радиации только для пра­
вильного места, чтобы получить необходимый результат при минимальном не­
желательном побочном эффекте.
Врачам также бывает трудно получить необходимую информацию потому,
что используемые ими машины обычно велики и дороги. Изобретатель Джо­
натан Ротберг (Jonathan Rothberg) решил заменить все это системой Butterfly
Network (https://www.butterflynetwork.eom /#News). Вообразите устройство
на базе iPhone, способное сделать МРТ и ультразвуковое сканирование. Изобра­
жение на веб-сайте просто удивительно.

Создание лучших медикаментов
Сегодня все жалуются на цену лекарств. Да, лекарства способны на удиви­
тельные вещи, но иногда стоят так дорого, что некоторые закладывают дома,
чтобы их купить. Частично проблема кроется в продолжительности проверки.
Анализ тканей для выявления действия нового препарата может занять до года.
К счастью, такие системы, как 3Scan (http://w w w .3scan.com /), способны со­
кратить время того же самого анализа тканей всего до одного дня.
Конечно, было бы просто прекрасно, если бы производящая препараты ком­
пания имела лучшее представление о вероятном действии лекарства до того, как
инвестирует деньги в его исследование. Система Atomwise (http: //www. atomw ise, com/) использует огромную базу данных молекулярных структур, чтобы
выполнять исследования, при которых молекулы будут отвечать поставленным
требованиям. В 2015 году исследователи использовали систему Atomwise для
разработки лекарства, сделавшего эболу не более чем очередной инфекционной
болезнью. Анализ, который занял бы у людей месяцы или даже годы исследо­
ваний, система Atomwise провела всего за один день. Вообразите этот сценарий
во время потенциально глобальной эпидемии. Если Atomwise способна выпол­
нить анализ, необходимый для выявления вируса или неинфекционной бакте­
рии за один день, возможная эпидемия может быть предотвращена.

1Д4

ЧАСТЬ 2

Использование искусственного интеллекта в обществе

Фармацевтические компании производят огромные количества лекарств.
Причина столь внушительного разнообразия продукции, помимо доходов, в
том, что каждый человек немного отличается от других. Препарат, хорошо по­
могающий и не дающий побочных эффектов одним людям, может вовсе не
помогать и даже вредитьдругим. Система Turbine (http: / / t u r b i n e .a i / ) по­
зволяет фармацевтическим компаниям моделировать препараты так, чтобы
они с высокой вероятностью подходили для конкретных людей. Сейчас Turbine
специализируется на лечении рака, однако несложно предположить, что тот же
самый подход применим во многих других областях.

О
СОВЕТ

Лекарства бывают разными. Некоторые полагают, что они бывают
в виде пилюль и уколов; на самом деле диапазон значительно шире,
вплоть до микробиомов. Фактически количество микробов в теле че­
ловека примерно равно одной десятой части количества его собствен­
ных клеток, и большинство этих микробов важны для его жизни; без
них он умер бы очень быстро. Система Whole Biome (h ttp s : //www.
wholebiome. com/) использует множество методов, чтобы наладить ра­
боту микробиомов так, чтобы вы не обязательно нуждались в пилюле
или уколе, чтобы нечто исправить. Посмотрите видео на h ttp s: / /
www. youtube. com/watch?v=tlY2AckssyI, чтобы узнать больше.

Некоторым компаниям все еще предстоит реализовать свой потенциал,
и в конечном счете они, вероятно, так и сделают. Одна из таких компаний,
Recursion Pharmaceuticals (h ttp s : //www. recursionpharma. com/), использует ав­
томатизацию для разработки новых способов применения известных лекарств,
биологически активных и фармацевтических препаратов, которые ранее недоо­
ценили, для решения новых проблем. Компания имела некоторый успех в лече­
нии редких генетических заболеваний и задалась целью победить сто болезней
за следующие десять лет (безусловно, задача чрезвычайно сложная).

Объединение роботов
и медицинских специалистов
В общество начинают интегрироваться полуавтономные роботы с огра­
ниченными возможностями. В Японии они уже используются некоторое
время (см. h ttp s ://w w w .j a p a n tim e s .c o .j p /n e w s /2 0 1 7 /0 5 /1 8 /n a t io n a l/
s c ie n c e - h e a lt h /j a p a n s -n u r s in g -fa c ilitie s -u s in g -h u m a n o id -r o b o t s - i m p r o v e - liv e s - s a f e t y - e l d e r ly / ) . В Америке используются такие
роботы, как Rudy (см. h t tp s ://w w w .r o b o tic s b u s in e s s r e v ie w .c o m /r b r /

145

ru d y _ assistiv e_ ro b o t_ h elp s_ eld erly _ ag e_ in _ p lace/). В большинстве слу­
чаев эти роботы способны выполнять очень простые задачи, такие как напоми­
нания о приеме лекарств и простые игры, безо всяких возможностей в смыс­
ле вмешательства. Однако при необходимости врач или другой медицинский
специалист может дистанционно связаться с роботом и выполнить с его помо­
щью более сложные задачи. Применение подобных средств позволяет оказать
человеку мгновенную помощь, и это не так уж и дорого.

ЗАПОМНИ!

Сейчас подобные роботы находятся еще в младенчестве, но со вре­
менем они усовершенствуются. Хотя эти роботы являются вспомо­
гательным инструментом медицинского персонала и никак не могут
заменить врача или медсестру при выполнении многих специальных
задач, они действительно обеспечивают постоянное наблюдение за
пациентом наряду с эффектом присутствия. Кроме того, роботы мо­
гут выполнять простейшие человеческие задачи (такие, как распре­
деление пилюль, напоминания и помощь при ходьбе), причем весьма
хорошо.

Глава 8

Искусственный
интеллект
в человеческом
общении
В ЭТОЙ ГЛАВЕ...
» Общение новыми способами
» Обмен идеями
» Использование средств массовой информации
» Улучшение сенсорного восприятия людей

Л

юди общаются друг с другом бесчисленным количеством способов.
Фактически многие даже не догадываются, сколько есть способов ком­
муникации. Когда люди обычно думают о коммуникации, они подразу­
мевают литературу или разговор. Однако общение может иметь и множество
других форм, включая визуальный контакт, интонацию голоса и даже запах
(см. h t t p s : //www.sm ithsonianm ag. c o m /s c ie n c e n a tu r e /th e -tr u th -a b o u tpheromones-100363955/). Примером компьютерной версии улучшения челове­
ческих возможностей является электронный нос, использующий для решения

своей задачи комбинацию электроники, биохимии и искусственного интеллек­
та, который нашел широкое применение в промышленности и научных иссле­
дованиях (см. h t t p s : //w w w .ncbi.nlm .nih.gov/pm c/articles/PM C 3274163/).
Данная глава сосредоточена в основном на обычной коммуникации, однако
затрагивает и жестикуляцию. Вы получите лучшее представление о том, как
искусственный интеллект может улучшить коммуникацию между людьми,
причем куда дешевле электронного носа.
Искусственный интеллект может также улучшить способ обмена идеями
между людьми. В некоторых случаях он предоставляет совершенно новые ме­
тоды коммуникации, как правило, едва уловимо (а иногда и вполне отчетливо)
улучшая существующие способы обмена идеями. Обмениваясь идеями, люди
создают новые технологии на основании уже существующих, а также узнают о
технологиях, необходимых для повышения уровня их знаний. Идеи абстракт­
ны, что зачастую особенно затрудняет обмен ими, поэтому искусственный ин­
теллект способен перебросить необходимый мост между людьми.
Когда некто хочет поделиться своими знаниями, он обычно полагается на
литературу. В некоторых случаях можно повысить свою коммуникабельность,
используя графику. Но только некоторые люди могут использовать обе эти фор­
мы массовой информации, чтобы получить новые знания; большинству людей
требуется куда больше; именно поэтому такие сетевые источники, как YouTube
(h ttp s : //www. youtube. com/), стали настолько популярными. Используя искус­
ственный интеллект, можно существенно увеличить мощь уже существующих
средств массовой информации, и эта глава рассказывает, как именно.
Заключительный раздел этой главы поможет понять, как искусственный ин­
теллект способен обеспечить почти сверхчеловеческое сенсорное восприятие.
В конце концов, вы, возможно, тоже хотите иметь электронный нос; он дей­
ствительно дает существенные преимущества в обнаружении запахов, кото­
рые могут быть значительно менее ароматными, чем у людей. Предположим,
удастся достичь того же уровня обоняния, что и у собаки (она использует сто
миллионов рецепторов запаха против одного миллиона у человека). Достичь
этой цели можно двумя путями: используя мониторы, общающиеся с челове­
ком косвенно, и непосредственно воздействуя на сенсоры человека.

Новые способы коммуникации
Люди использовали разговорную речь для общения задолго до появления
письменности. Единственная проблема разговорной речи в том, что для обще­
ния обе стороны должны находиться в одном и том же месте в одно и то же
время. Следовательно, письменное общение лучше во многих отношениях, по­

1Д8

ЧАСТЬ 2

Использование искусственного интеллекта в обществе

скольку оно не зависит от времени и не требует от общающихся сторон встречи.
Три основных метода невербальной коммуникации между людьми полагаются
на следующее.
»

А лф ави т. Абстракция компонентов человеческих слов или симво­
лов.

»

Я зы к. Свод слов или символов, позволяющий создавать сентенции
или передавать идеи в письменной форме.

»

Ж естикуляц ия. Усиление языка контекстом.

Первые два метода — прямые абстракции разговорных слов. Их не всегда
просто реализовать, но люди делали это на протяжении тысяч лет. Реализовать
жестикуляцию труднее всего, поскольку придется создавать абстракцию физи­
ческого процесса. Литература способна передавать жестикуляцию, используя
специфическую терминологию, такую как описано в статье h t t p s : //w r it e r s w r ite .c o .za /ch ea t-sh eets-fo r-w r itin g -b o d y -la n g u a g e /. Но когда письмен­
ных слов недостаточно, люди усиливают их такими символами, как эмотиконы
(смайлики) и эмодзи (см. h ttp s://w w w .b ritan n ica.com /story/w h ats-th e-d ifference-between-em oji-and-em oticons). Ниже эти проблемы обсуждаются бо­
лее подробно.

Создание новых алфавитов
Вначале обсудим два новых алфавита, появившихся в век компьютеров: эмо­
тиконы (h t t p : //c o o l- s m ile y s . com /text-em oticons) и эмодзи (h t t p s : //em ojip e d ia .o r g /). На сайтах с изображениями этих двух графических алфавитов
их содержатся сотни. По большей части люди легко интерпретируют эти графи­
ческие алфавиты, поскольку они напоминают выражения лица, но у компьютер­
ных приложений нет человеческого восприятия эмоций, поэтому искусствен­
ный интеллект им зачастую требуется только для того, чтобы выяснить, какую
эмоцию человек пытается передать этим небольшим изображением. К счастью,
для них есть стандартизированные списки, такие как таблица эмодзи Unicode
по адресу h ttp s ://u n ic o d e .o r g /e m o ji/c h a r ts /fu ll-e m o ji-lis t.h tm l. Конеч­
но, стандартный список не поможет с переводом. Статья h ttp s://w w w .geek .
com /tech /ai-train ed -o n -em o ji-ca n -d etect-so cia lm ed ia -sa rca sm -1 7 11313/
предоставляет больше подробностей о том, как можно обучать искусственный
интеллект интерпретировать эмодзи и реагировать на них (а также на допол­
нительные эмотиконы). С этим процессом в действии можно ознакомиться по
адресу h ttp s : //d eep m oji.m it. edu/.
Эмотикон — это устаревшая технология, и многие люди пытаются забыть
их изо всех сил (но, вероятно, безуспешно). Эмодзи является новой и весьма

захватывающей технологией, удостоившейся мультфильма (см. h ttp s: //www.
amazon.com/exec/obidos/ASIN/B0746ZZR71/datacservip0f-20/). Вы можете
положиться на искусственный интеллект Google даже для превращения в эмодзисобственногоселфи(см. h ttps://w w w .fastcod esign .com /90124964/exclu s iv e -n e w -g o o g le -to o lu s e s -a i-to -c r e a te -c u s to m -e m o ji-o f-y o u -fr o m -a s e l f i e ). На случай, если вы не хотите просеивать все 2 666 официальных
эмодзи с поддержкой Unicode (или 564 септильонов эмодзи, создаваемых
Alio, от Google (h t t p s : //a llo .g o o g le .c o m /)), то можете положиться на си­
стему Dango (h t t p s : //p la y .g o o g le .c o m /s to r e /a p p s /d e ta ils ? id = c o .d a n g o . e m o j i.g if &hl=en), способную предложить вам соответствующую эмодзи
(см. h ttp s://w w w .tech n o lo g y re v iew .c o m /s/6 0 1 7 5 8 /th is-a p p -know s-justth e-rig h t-e m o ji-fo r -a n y -o c c a sio n /).

О
ЗАПОМНИ!

Люди создавали новые алфавиты для решения конкретных задач испокон времен. Эмотиконы и эмодзи представляют собой лишь два из
многих алфавитов, созданных людьми для Интернета и искусствен­
ного интеллекта. Фактически искусственный интеллект может потре­
боваться только для того, чтобы разобраться в них всех.

Автоматизация перевода
У мира всегда была проблема с отсутствием общего языка. Да, английский
язык стал более или менее универсальным, но он все еще не полностью уни­
версален. Перевод на другие языки дорог, громоздок и склонен к ошибкам, по­
этому переводчики необходимы во многих ситуациях, что тоже не всегда явля­
ется наилучшим решением. Тем, кто испытывает затруднения при общении на
других языках, могут помочь такие приложения, как Google Translate (рис. 8.1).
Обратите внимание: программа Google Translate на рис. 8.1 предлагает авто­
матически определить язык. И что интересно, в большинстве случаев это сред­
ство работает чрезвычайно хорошо, частично благодаря системе GNMT (Google
Neural Machine Translation — нейронный машинный перевод Google). Фактиче­
ски она просматривает все предложение, чтобы перевести его осмысленно, что
куда лучше перевода на основании отдельных фраз или слов (подробности —
на h ttp ://w w w .w ired .co .u k /a rtic le/g o o g le-a i-la n g u a g e-c rea te).

п сдоро бно сги

Но что еще удивительнее, система GNMT способна осуществлять пе­
ревод даже тогда, когда у нее нет подходящего словаря. В этом случае
используется искусственный язык интерлингва (см. h t t p s : / / е п . охfo r d d ic tio n a r ie s .c o m /d e fin itio n /in te r lin g u a ). Интерлингва не
является универсальным языком, это скорее универсальный мост
между языками. Скажем, у системы GNMT нет китайско-испанского

словаря, но есть китайско-английский и англо-испанский. Построив
трехмерную сеть, представляющую эти три языка (интерлингва), си­
стема GNMT способна осуществлять китайско-испанский перевод.
К сожалению, она не сможет переводить с китайского на марсиан­
ский, поскольку нет марсианского словаря ни для одного из есте­
ственных языков. Однако, чтобы система GNMT работала, ее словар­
ную базу должны были создать люди.

Рис. 8.1. Переводчик Google как пример искусственного интеллекта,
выполняющего важную повседневную задачу

Включение жестикуляции
Существенной частью общения между людьми являются мимика и жесты,
а потому использование эмотиконов и эмодзи важно. Однако люди все чаще
используют камеры для видеосвязи и других форм связи, не подразумевающих
письменности. В данном случае компьютер может слышать вводимые челове­
ком данные, разделять их на лексемы, представляющие человеческую речь, а
затем обрабатывать эти лексемы так, чтобы выполнить запрос подобно таким
системам, как Alexa или Google Ноше.

МИФ О СПЕЦИФИЧЕСКОМ ЯЗЫКЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
После чтения таких статей, как h t t p s : //www. fastcodesign.com /90132632/
a i-is-in v e n tin g -its-o w n -p e r fe c t-la n g u a g e s s h o u ld -w e -le t-it, может
сложиться впечатление, что некоторые типы искусственного интеллекта так
или иначе могут создавать новые непонятные людям языки, а затем исполь­
зовать их для общения. Концепция удивительно похожа на сценарий фильма
Терминатор (https://www.amazon.com/exec/obidos/ASIN/B00938UVC2/
d atacservip 0f-20/), хотя это, конечно, фантастика. Тем не менее, если читать
статью далее, то окажется, что язык — не новость, а коммуникации выглядят
на удивление случайными. В предыдущей главе упоминалась концепция по­
нимания со стороны искусственного интеллекта. Фактически искусственный
интеллект ничего не понимает; он превращает текст в лексемы, которые затем
анализирует как математическое представление слов, содержащихся в табли­
це подстановок. В разделе "Аргумент китайской комнатьГ'главы 5 обсуждается
использование таблиц подстановок для уверения наблюдателя в том, что не­
кто понимает некий язык, когда в действительности это не так.

о
ЗАПОМНИ1

К сожалению, простое преобразование произнесенных слов в лек­
семы не решит всей задачи, поскольку остается еще невербальное
общение. В данном случае искусственный интеллект должен быть
способен читать жесты непосредственно. В статье h ttp s : / /www. emu.
edu/new s/stories/arch ives/2017/ju ly/com p u ter-read s-b ody-language. html обсуждаются некоторые из проблем, которые предстоит
решить разработчикам, чтобы сделать чтение жестов возможным.
Изображение в начале этой статьи дает некоторое представление о
том, как компьютерная камера должна распознавать позы человека,
чтобы читать его жестикуляцию, но искусственный интеллект зачас­
тую требует, чтобы ввод осуществлялся сразу с нескольких камер,
чтобы восполнить пробелы, когда одна часть тела человека закрыта
другой с точки зрения первой камеры. Чтение жестикуляции подра­
зумевает интерпретацию таких человеческих характеристик.
»

Поза

»

Движение головы

»

Выражениелица

»

Визуальный контакт

»

Жесты

Конечно, есть и другие характеристики, но даже если искусственный интел­
лект сможет распознать эти пять областей, ему еще предстоит пройти длинный
путь для поддержки правильной интерпретации жестикуляции. Кроме жести­
куляции, текущие реализации искусственного интеллекта учитывают тембр го­
лоса, что приближает чрезвычайно сложный искусственный интеллект к тому,
что человеческий мозг делает, по-видимому, без усилий.

#

ТЕХНИЧЕСКИЕ
ПОДРОБНОСТИ

Как только искусственный интеллект сможет читать жесты, он дол­
жен будет также иметь средства для их воспроизведения при общении
с людьми. В то время как чтение жестов находится еще в младенчес­
тве, роботизированное или графическое представление жестикуля­
ции еще даже не разрабатывается. Статья h t t p s : / /spectrum , i e e e .
o r g /v id e o /r o b o tic s/r o b o tic s s o ftw a r e /r o b o ts -le a r n -to -s p e a k body-language указывает, что роботы в настоящее время могут ин­
терпретировать жесты, а затем реагировать соответственно в некото­
рых случаях. Современные роботы не способны хорошо имитировать
выражение лица, поэтому согласно статье http: //th eco n v ersa tio n .
c o m /r e a listic -r o b o t-fa c e s-a r e n te n o u g h -w e -n e e d -e m o tio n -to put-us-at-ease-w ith-androids-43372 они в лучшем случае должны
реализовать позу, движение головы и жесты. Пока результат внуши­
тельным назвать нельзя.

Обмен идеями
У искусственного интеллекта нет идей, потому что у него отсутствуют и
внутриличностный интеллект, и способность что-либо понимать. Однако ис­
кусственный интеллект вполне может позволить людям обмениваться идея­
ми способом, куда лучшим, чем сумма его составляющих. Как правило, ис­
кусственный интеллект обменом не занимается. Обмен осуществляют люди,
вовлеченные в некое занятие, полагаясь на искусственный интеллект для
улучшения процесса коммуникации. Следующие разделы знакомят с дополни­
тельными деталями этого процесса.

Установление связи
Один человек может обмениваться идеями с другим человеком, только ког­
да эти два человека знают друг о друге. Проблема в том, что многие экспер­
ты в конкретной области фактически не знают друг друга, по крайней мере
знают недостаточно хорошо, чтобы общаться. Искусственный интеллект спо­
собен выполнить исследование на основании предоставленного человеком

направления мысли, а затем связать его с другими людьми со схожим (или по­
добным) направлением.
Одним из способов создания таких связей являются сайты социальных се­
тей, такие как Linkedln (h ttp s://w w w .lin k ed in .co m /), идея которого в том,
чтобы объединять людей на основании многих критериев. Социальная сеть
становится средством, которое искусственный интеллект глубоко внутри си­
стемы Linkedln предлагает для потенциальных связей. В конечном счете цель
этих связей, с точки зрения пользователя, заключается в том, чтобы обеспечить
доступ к новым человеческим ресурсам, установить деловые контакты, обеспе­
чить продажу и выполнять другие задачи, используя различные связи, устано­
вить которые позволяет Linkedln.

Улучшение коммуникаций
Для успешного обмена идеями два человека должны общаться хорошо.
Единственная проблема в том, что люди иногда не общаются хорошо, а иногда
они не общаются вообще. Проблема кроется в переводе не только слов, но и
идей. Социальные и личные пристрастия людей могут препятствовать их об­
щению, поскольку идея одной группы может быть вообще непонятна для дру­
гой. Например, законы в одной стране могут заставить кого-то думать одним
способом, а законы в другой стране могут заставить другого человека думать
совершенно иначе.
Теоретически искусственный интеллект может помочь общению между
несоизмеримыми группами многочисленными способами. Конечно, перевод
(если он точен) является одним из этих методов. Но искусственный интеллект
мог бы предварительно маркировать материалы как культурно приемлемые и
напротив. Используя классификацию, искусственный интеллект может также
предложить такие средства, как альтернативная графика, чтобы помочь обще­
нию способом, который понравится обеим сторонам.

Определение тенденций
Идеи нередко возникают на базе тенденций. Но чтобы показать, как рабо­
тает идея, другие стороны по обмену идеями должны также видеть эти тен­
денции, и передача информации этого вида связана с известными трудностями.
Искусственный интеллект может выполнять анализ данных на разных уровнях
и представлять графический вывод. Искусственный интеллект способен проа­
нализировать данные большим количеством способов и куда быстрее, чем че­
ловек, чтобы рассказываемая данными история была именно такой, как требу­
ется. Данные останутся теми же, но их представление и интерпретация будут
нужными.

Практика показывает, что информацию в виде графики люди воспринимают
лучше, чем в виде таблиц, и графический вывод, определенно, сделает тен­
денции понятнее. Как описано на сайте h ttp ://sp h w e b .b u m c .b u .e d u /o tlt/
m p h -m o d u le s/b s/d a ta p resen ta tio n /D a ta P r ese n ta tio n 2 . html, табличные
данные лучше использовать для представления только специфической инфор­
мации; для демонстрации тенденций всегда лучше подходит графика. Приме­
нение управляемого искусственным интеллектом приложения позволит офор­
мить графические данные правильно и согласно конкретным требованиям. Не
все люди воспринимают графику одинаково, поэтому выбор наилучшего типа
графиков для своей аудитории очень важен.

Использование средств
массовой информации
Большинство людей учится, используя несколько органов чувств и несколь­
ко подходов. Подход, хорошо зарекомендовавший себя при обучении одних,
может совсем не подходить другим. Следовательно, чем больше путей переда­
чи идей и концепций, тем более вероятно, что другие люди поймут то, что че­
ловек пытается сообщать. Обычно средства массовой информации используют
текст, звук, графику и анимацию, но некоторые из них идут дальше.

С Р Е Д С Т В А МАССОВОЙ ИНФОРМ АЦИИ
И С П ЕЦ И А Л Ь Н Ы Е П О ТРЕБН О СТИ У
У большинства людей есть некие специальные потребности, и их учет сред­
ствами массовой информации важен для этих людей. Главная цель средств
массовой информации — выражать мысли как можно более многочисленными
способами, чтобы почти все могли понять представляемые идеи и концепции.
Даже при успешном использовании средств массовой информации в целом
отдельные идеи могут теряться, когда для их представления используют только
один метод. Например, при только устном оповещении хорошее представле­
ние об идее получат почти наверняка только люди с хорошим слухом. Из людей,
обладающих хорошим слухом, также не все осознают идею, поскольку может
быть слишком шумно или они просто плохо воспринимают на слух. Очень важ­
но использовать по возможности больше методов выражения каждой мысли,
если хотите оповестить о них как можно больше людей.

Искусственный интеллект может помочь средствам массовой информа­
ции множеством способов. Один из самых важных заключается в создании
содержимого или разработке авторских материалов. Искусственный интел­
лект можно найти в приложениях, помогающих во всем, от создания текстов
до публикации в средствах массовой информации. Например, цветокоррекция
изображений с использованием искусственного интеллекта может обеспечить
необходимые эффекты и помочь визуализировать нужное быстрее, чем попыт­
ка сделать это самостоятельно одной цветовой комбинацией.
После применения средств массовой информации для публикации идеи в
нескольких формах узнавшие об идее люди должны обработать информацию.
Здесь искусственный интеллект применяется снова, теперь уже используя
нейронные сети для обработки информации различными способами. Катего­
ризация средств массовой информации является немаловажным элементом
современных технологий. Но в будущем искусственный интеллект, возможно,
обеспечит трехмерное воссоздание сцен на основании двухмерных изображе­
ний. Вообразите полицию, способную воссоздать виртуальную сцену престу­
пления с каждой деталью, воспроизведенной абсолютно точно.
Под новыми формами средств массовой информации люди обычно пони­
мают нечто фантастически новое. Вспомните, например, газету из фильмов о
Гарри Поттере с динамическими фотографиями. Большинство элементов по­
добных технологий фактически доступно уже сегодня, но проблема одна — ры­
нок. Чтобы технология стала успешной, у нее должен быть рынок, т.е. шанс на
самоокупаемость.

Улучшение сенсорного восприятия человека
В чем искусственный интеллект действительно великолепен, так это в улуч­
шении человеческого общения за счет усиления людей одним из двух способов:
позволив им использовать свои органы чувств для работы с более сложными
данными или существенно усилив органы чувств. В следующих разделах об­
суждаются оба подхода к усилению человеческого восприятия, а следовательно,
и к улучшению коммуникабельности.

Смещение спектра данных
При сборе различных видов информации люди, как правило, используют
технологии, фильтрующие или сдвигающие спектр данных по цвету, звуку или
запаху. Человек все еще использует свои естественные возможности, но техно­
логия немного изменяет исходные данные так, чтобы эта естественная возмож­
ность с ними работала. Одним из наиболее популярных примеров смещения

спектра является астрономия, в которой фильтрация и смещение частот источ­
ников света позволяют людям видеть такие астрономические объекты, как ту­
манности, которые невооруженным человеческим глазом не видны. Это суще­
ственно улучшает наше понимание Вселенной.
Однако смещение и фильтрация цветов, звуков или запахов вручную может
потребовать большого количества времени, а результаты могут разочаровать,
даже если обработка выполнена квалифицированно. Вот где искусственный
интеллект может сыграть свою роль. Он может опробовать различные комби­
нации куда быстрее, чем человек, и куда быстрее найти потенциально полез­
ные комбинации, поскольку решает задачу единообразным способом.

ТЕХНИЧЕСКИЕ
ПОДРОБНОСТИ

Кстати, наиболее интригующие методики исследования мира пол­
ностью отличны от ожидаемых большинством людей. Что если бы
вы могли чувствовать запах цвета или видеть звук? Практика сине­
стезии (synesthesia) (h ttp ://w w w .scien ce2 0 .co m /n ew s_ relea ses/
synaesthesia_sm elling_a_sound_or_hearing_a_color), когда один
орган чувств интерпретирует ввод от другого, хорошо известна. Люди
используют искусственный интеллект для получения такого резуль­
тата, как тот, который описан по адресу h ttp : / / j o u rn als. p lo s . org/
p lo sc o m p b io l/a rticle? id = 1 0 .1 3 7 1 /jo u rn a l.p cb i.1004959. Тем не
менее использование этой технологии интересно; она создает усло­
вия, в которых люди фактически могут использовать синестезию как
другое средство восприятия мира (см. h t t p s : //www. fastcompany.
com /3024927/this-app-aids-yourdecision-m aking-by-m im ickingits-c r e a to r s-s y n e s th e sia ). На случай, если вы хотите увидеть, как
использовать синестезию, посмотрите приложение ChoiceMap на
странице h ttp s://ch o icem a p .co /.'

Усиление человеческих органов чувств
Альтернативой использованию внешнего приложения для сдвига спектра
данных, позволяющего сделать их доступными для использования людьми,
является усиление их органов чувств. Устройство усиления, внешнее или вне­
дренное, позволит человеку непосредственно обрабатывать сенсорный ввод
новым способом. Многие люди рассматривают эти новые возможности как по­
пытку создания киборгов (см. страницу h ttp s://w w w .th ea tla n tic.co m /tech n o lo g y /a r c h iv e /2 0 1 7 /1 0 /c y b o r g fu tu r e -a r tific ia l-in te llig e n c e /5 4 3 8 8 2 /).
Идея стара: инструменты позволяют сделать людей более способными к вы­
полнению разнообразных задач. В этом сценарии люди получают две формы
усиления: физическую и интеллектуальную.1
1Актуальность ссылки не гарантируется. — Примеч. ред.

Физическое усиление человеческих органов чувств уже имеет место разны­
ми способами, и, как можно убедиться, благодаря различным видам дополне­
ний люди становятся более восприимчивыми. Например, современные очки
ночного видения позволяют людям видеть ночью, а несколько более совершен­
ные модели обеспечивают даже цветное зрение, контролируемое специально
для этого разработанным процессором. В будущем усиление (или замена) глаз
может позволить людям видеть в любой части спектра и контролироваться
мыслью, чтобы люди видели только ту часть спектра, которая нужна для вы­
полнения конкретной задачи.
Усиление интеллекта (Intelligence Augmentation — IA) требует более ради­
кальных мер, но обещает намного большее увеличение возможностей. В отли­
чие от искусственного интеллекта, в центре усиления интеллекта находится
человек. Человек предоставляет творческий потенциал и намерение, отсут­
ствующие в настоящее время у искусственного интеллекта. О различии меж­
ду искусственным интеллектом и усилением интеллекта можно прочитать на
странице h t t p s : //w w w .fin a n cia lsen se. c o m /c o n tr ib u to r s /g u ild /a r tific ia lin te llig e n c e -v s-in te llig e n c e -a u g m e n ta tio n -d e b a te .

Программно­
ориентированные
приложения
искусственного
интеллекта

В ЭТОЙ ЧАСТИ. . .
» Анализ данных
» Отношения между искусственным интеллектом
и машинным обучением
» Отношения между искусственным интеллектом
и глубоким обучением

Глава 9

Анализ данных
для искусственного
интеллекта
В ЭТОЙ ГЛАВЕ...
» Как работает анализ данных
» Эффективный анализ данных с использованием
машинного обучения
» На что способно машинное обучение
» Виды алгоритмов машинного обучения

акопление данных не является современным явлением; люди накапли­
вали данные на протяжении многих столетий. Независимо от текстовой
или числовой формы информации люди всегда ценили данные, опи­
сывающие окружающий мир, и продолжают использовать их для прогресса
цивилизации. Данные значимы сами по себе. Используя их, человечество мо­
жет изучать критически важную информацию и передавать ее потомкам (нет
необходимости повторно изобретать колесо).
Люди лишь недавно узнали, что данные могут содержать куда больше ин­
формации, чем кажется на первый взгляд. Если данные находятся в соответ­
ствующей числовой форме, к ним можно применить специальные методики,

Н

разработанные математиками и статистиками. Эти методики анализа данных
позволяют извлечь из них куда больше информации. Кроме того, даже про­
стой анализ данных позволяет извлечь из них осмысленную информацию, а
подвергнув данные более совершенному анализу, с использованием алгорит­
мов машинного обучения можно предсказывать будущее, классифицировать
информацию и эффективно принимать решения.
Анализ данных и машинное обучение позволяют перейти на следующий
уровень использования данных, теперь — для разработки более умного ис­
кусственного интеллекта. Эта глава посвящена анализу данных. Она демон­
стрирует применение данных в качестве инструмента обучения при решении
сложных проблем искусственного интеллекта, таких как правильная рекомен­
дация товара клиенту, понимание разговорного языка и языкового перевода,
автоматизация вождения автомобиля и многие другие.

Анализ данных
Наше время называют веком информации не просто потому, что сейчас накоп­
лено богатое разнообразие данных, но и потому, что общество достигло опреде­
ленной зрелости в анализе данных и извлечении из них информации. Такие ком­
пании, как Alphabet (Google), Amazon, Apple, Facebook и Microsoft (пять самых
дорогих компаний в мире), построили свой бизнес на данных. Они не просто
собирают и хранят данные, полученные в результате цифровых процессов; они
знают, как, используя точный и сложный анализ данных, сделать их такими же
ценными, как нефть. Компания Google, например, собирает данные не только
из веба вообще, но, между прочим, и из собственного поискового механизма.
Вы, возможно, уже встречали в новостях, журналах или на конференциях
расхожую фразу “Данные — это новая нефть”. Она подразумевает, что данные
могут сделать компанию богатой, но для этого придется тяжело и эффектив­
но работать. Хотя эту концепцию использовали многие и сделали ее неверо­
ятно успешной, именно британский математик Клайв Хамбли (Clive Humbly)
впервые приравнял данные к нефти на основании своей практики с данными о
потребителях в розничном секторе. Хамбли известен тем, что был среди осно­
вателей британской торговой компании Dunnhumby; его идеи также легли в ос­
нову программы дисконтных карт Tesco. В 2006 году Хамбли также подчеркнул,
что данные — это не просто деньги, которые падают с неба; чтобы сделать их
полезными, требуются усилия. Подобно тому, как нельзя непосредственно ис­
пользовать неочищенную нефть (ее следует превратить в ходе химических про­
цессов в бензин, пластмассы или другие химикаты), данные также следует су­
щественно переработать, чтобы они приобрели значимость.

Самые простые преобразования данных — это анализ данных (data analysis);
вы можете считать его простым химическим преобразованием, которым нефть
очищается на заводе прежде, чем стать ценным топливом или пластмассой.
Используя подходящий анализ данных, вы можете заложить фундамент для бо­
лее сложных аналитических процессов. Анализ данных, в зависимости от кон­
текста, сводится к большому количеству возможных операций, иногда специ­
фичных для конкретной отрасли или задачи. Все эти преобразования можно
отнести к четырем основным категориям, концептуально отличающимся про­
исходящим во время анализа.
»

Преобразование. Изменяет внешний вид данных. Термин п р е о б р а ­
применим к разным процессам, хотя данные, как правило,
помещает в упорядоченные ряды и столбцы — м а т р и ч н ы й ф ор м ат
(или д в у м ер н ы й ф айл). Например, вы не можете эффективно обра­
ботать данные о товарах, купленных в супермаркете, прежде чем
поместите каждого клиента в отдельный ряд и добавите купленные
товары в один столбец в пределах этого ряда в виде числовых эле­
ментов, содержащих значения количества или платы. Чтобы сделать
набор данных подходящим для алгоритма, могут также потребо­
ваться специальные числовые преобразования, такие как м а с ш т а ­
б и р о в а н и е , вычисление ср е д н е го , минимального и максимального
значений.

зование

»

Чистка. Исправление дефектных данных. В зависимости от средств
сбора данных могут возникнуть различные проблемы с отсутстви­
ем информации, выбросами значений из диапазона или просто
неправильными значениями. Например, данные из супермаркета
могут содержать ошибки, если у товаров неправильные ценники.
Некоторые данные могут быть п о д л о ж н ы м и , т.е. созданными специ­
ально, чтобы исказить заключение. Например, у товара могут быть
поддельные отзывы в Интернете, которые изменят его ранг. Чистка
помогает удалить подложные случаи из данных и сделать заключе­
ние объективней.

»

Проверка. Проверка данных. Анализ данных — это по большей
части человеческая работа, хотя программное обеспечение играет
в ней важную роль. Люди могут легко распознавать шаблоны и вы­
являть странные элементы данных. Поэтому анализ данных подраз­
умевает множество статистических выкладок и графических пред­
ставлений, таких как у Health InfoScape от MIT Senseable City Lab и
General Electric (http: //senseable.mit.edu/healthinfoscape/),
позволяющих сразу схватить информативное содержимое. Напри­
мер, на основании обработанных данных из 72 миллионов меди­
цинских записей можно увидеть, как взаимосвязаны болезни.

»

Моделирование. Выявление отношений между элементами в дан­
ных. Для решения этой задачи необходимы такие статистические
инструменты, как корреляции, t-проверки, линейная регрессия и
многие другие, позволяющие определить, действительно ли одно
значение не зависит от другого или они взаимосвязаны. Например,
анализируя продажи супермаркета, вы можете прийти к мнению,
что люди, покупающие подгузники, имеют тенденцию покупать и
пиво. Статистический анализ считает эти два товара взаимосвязан­
ными, поскольку они многократно обнаруживаются в одних и тех же
корзинах. (Это исследование — настоящая легенда аналитики дан­
ных; см. рассказ об этой истории в статье Forbes по адресу h ttp s : / /

www.forbes. com /global/1998/0406/0101102sl.htm l).

Магии в анализе данных нет. Вы осуществляете преобразования, очистку,
проверку и моделирование, используя суммирование и умножение массивов
на основании матричного исчисления (представляющего собой не более чем
длинные последовательности суммирований и умножений, которым людей
обычно учат в школе). Арсенал анализа данных включает и такие статистичес­
кие инструменты, как поиск среднего и дисперсии, описывающие распределе­
ние данных, и такие сложные инструментальные средства, как корреляция и
линейный регрессионный анализ, показывающие, можно ли связать между со­
бой некие события (такие, как покупка подгузников и пива) на основании дока­
зательств. Более подробная информация об этих методиках обработки данных
приведена в книгах Machine Learning For Dummies и Python fo r Data Science
For Dummies Джона Пола Мюллера и Луки Массарона, практически представ­
ляющих собой краткий обзор и объяснение каждой из них.

ЗАП0МНИ1

Анализ данных существенно сложнее в случае их больших объе­
мов. Для этого требуются специальные инструментальные средства,
такие как Hadoop (h ttp ://h a d o o p .a p a c h e .o r g /) и Apache Spark
( h ttp s : //sp a rk .a p a c h e .o rg /). Эти два программных инструмента
применяются для работы с большими массивами данных. Несмот­
ря на такие передовые инструменты, как эти, все еще остается во­
прос пота: до 80 процентов данных приходится готовить вручную.
Вызывает интерес интервью с Моникой Рогати (Monica Rogati)
(см. h t t p s : //w w w .n y tim es.co m /2 0 1 4 /0 8 /1 8 /tech n o lo g y /fo r-b ig d a ta -s c ie n t is t s - h u r d le - t o -in s ig h t s - is - j a n it o r - w o r k .h t m l) —
экспертом и советником в области искусственного интеллекта мно­
гих компаний, обсуждающей эту проблему более подробно.

Почему анализ столь важен
Анализ данных важен для искусственного интеллекта. Фактически никакой
современный искусственный интеллект невозможен без визуализации, очист­
ки, преобразования и моделирования данных прежде, чем передовые алгорит­
мы вступят в игру и поднимут значимость информации на куда более высокий
уровень, чем прежде.
В начале, когда искусственный интеллект состоял просто из алгоритмичес­
ких решений и экспертных систем, ученые и эксперты тщательно готовили пе­
редаваемые ему данные. Поэтому, если некто хотел, например, чтобы алгоритм
сортировал информацию, эксперт по данным помещал данные в списки (упоря­
доченную последовательность элементов данных) или другие структуры дан­
ных, которые могли содержать информацию и позволять манипулировать ею
желательным образом. Затем эксперты по данным собирали и организовывали
данные так, чтобы их содержимое и форма были точно такими, как ожидалось,
согласно конкретной цели, для которой они были созданы. Манипулирование
известными данными в специфической форме налагало серьезные ограниче­
ния, поскольку обработка данных требовала много времени и энергии; а сле­
довательно, алгоритмы получали меньше информации, чем доступно сегодня.
Сегодня внимание сместилось с создания данных на их подготовку для
анализа. Дело в том, что различные источники уже производят данные в та­
ких больших количествах, что в них уже можно найти все нужное без необ­
ходимости создавать данные для задачи специально. Представьте, например,
что искусственный интеллект должен контролировать дверцу для домашнего
животного в двери жилого дома, чтобы впускать вашего кота или собаку, но
не других животных. Современные алгоритмы искусственного интеллекта об­
учаются на основании специфических для задачи данных, а значит, предстоит
обработка больших количеств изображений с примерами собак, котов и других
животных. Вероятнее всего, такой огромный набор изображений поступит из
Интернета, возможно, с социальных сайтов или поисковиков изображений. Ра­
нее выполнение подобной задачи означало, что алгоритмы используют лишь
несколько изображений, чтобы получить исходные данные о форме, размере и
отличительных характеристиках животных. Недостаток данных означал воз­
можность выполнения весьма ограниченных задач. Фактически нет никаких
примеров того, что искусственный интеллект мог контролировать дверь для
животных, используя классические алгоритмы или экспертные системы.
Анализ данных приходит на помощь современным алгоритмам, предостав­
ляя информацию об изображениях, полученных из Интернета. Анализ данных
позволяет искусственному интеллекту отобрать изображения по размеру, раз­
нообразию, количеству цветов, слов в их подписях и т.д. Это этап проверки
данных, и в данном случае он необходим для их очистки и преобразования.

Например, анализ данных может помочь определить фотографию животного,
ошибочно помеченную как кот1 (вы не хотите запутать свой искусственный
интеллект), и преобразовать изображения так, чтобы использовать одинаковый
формат цвета (например, оттенки серого) и одинаковый размер.

Пересмотр значения данных
Взрывообразное повышение доступности данных для цифровых устройств
(как обсуждалось в главе 2) придало им новые аспекты значимости в дополне­
ние к первоначальным возможностям для обучения и передачи знаний. Изоби­
лие предоставляемых на анализ данных формирует новые функции, отличные
от только информативных.
»

Данные описывают мир лучше, когда предоставляется широкое раз­
нообразие фактов при более высокой подробности по каждому фак­
ту. Их стало так много, что учитывается практически каждый аспект
действительности. Вы можете использовать их для представления
взаимосвязи между даже, казалось бы, никак не связанными веща­
ми и фактами.

»

Данные демонстрируют, как факты связаны с событиями. Вы можете
вывести общие правила и узнать, как изменится мир с учетом неких
конкретных предположений. Когда люди действуют определенным
образом, данные обеспечивают также определенную способность
прогнозирования.

В некотором отношении данные дают нам суперсилу. Крис Андерсон (Chris
Anderson), предыдущий главный редактор Wired, обсуждает, как большие объ­
емы данных могут помочь в научных исследованиях даже вне пределов науч­
ного метода (см. статью https://www.wired.com/2008/06/pb-theory/).Автор
приводит примеры достижений Google в бизнес-секторах рекламы и перевода,
в которых компания Google достигла выдающегося положения не за счет ис­
пользования специфических моделей или теорий, а скорее, за счет применения
алгоритмов для обучения на основе данных.
Как и в рекламе, научные данные (из физики или биологии) могут обеспе­
чить новшество, которое позволит ученым подойти к проблеме без гипотез, а
рассматривать варианты найденные в больших объемах данных с использо­
ванием поисковых алгоритмов. Галилео Галилей полагался на научный метод
для создания современной физики и астрономии (см. https://www.biogra­
phy.com/people/galileo-9305220). Первые достижения полагались на наблю­
дения и контролируемые эксперименты, позволяющие выяснить причины
1См. рис. 11.3.—
16 6

П рим еч. р ед .

ЧАСТЬ 3 Программно-ориентированные приложения...

происходящего. Возможность открытий при использовании одних только дан­
ных является главным прорывом в способе нашего познания мира.
В прошлом ученые делали бесчисленные наблюдения и с помощью дедук­
ции описывали физику Вселенной. Этот ручной процесс позволил открыть ос­
новные законы мира, в котором мы живем. Анализ данных, когда наблюдения
выражены как вводы и выводы, позволяет определять, как нечто работает, и
выяснять, по каким примерноправилам или законам нашего мира, без прове­
дения экспериментов вручную и дедукции. Теперь процесс протекает быстрее
и с большим процентом автоматического выполнения.

О ТК Р Ы ТИ Е БО Л ЕЕ УМ НОГО И С КУ С С Т В ЕН Н О ГО
И Н ТЕЛ Л ЕКТА ЗАВИ С И Т ОТ Д А Н Н Ы Х
Наличие больших количеств данных не сделает искусственный интеллект воз­
можным. Некоторые люди сказали бы, что искусственный интеллект — это ре­
зультат выполнения сложных математических алгоритмов, и это, конечно, так.
Такие действия, как зрение и понимание речи, требуют алгоритмов, которые
нелегко объяснить в непрофессиональных терминах, и миллионов вычисле­
ний в секунду. (Аппаратные средства здесь также имеют значение.)
И все же искусственный интеллект — это даже больше, чем алгоритмы. Д-р
Александер Уисснер-Гросс (Alexander Wissner-Gross), американский иссле­
дователь, предприниматель и действительный член Гарвардского института
прикладной информатики, продемонстрировал свою способность проникать
в суть в недавнем интервью Edge (https://www.edge.org/response-detail/26587).Он размышляет, почему технологии искусственного интеллекта
потребовалось так много времени для взлета. В интервью Уисснер-Гросс за­
ключает, что это, возможно, был вопрос качества и доступности данных, а не
алгоритмов.
Уисснер-Гросс рассматривает эволюцию большинства революционных до­
стижений искусственного интеллекта за последние годы, демонстрируя, как
данные и алгоритмы способствовали успеху каждого технического прорыва,
и подчеркивает, что каждый из них не зависел от времени достижения новой
вехи. Уисснер-Гросс демонстрирует, что данные всегда относительно новы и
обновляемы, в отличие от алгоритмов, которые скорее полагаются на консо­
лидацию прежних технологий.
В заключение Уисснер-Гросс упоминает, что в среднем алгоритмы на 15 лет
старше данных. Он указывает, что данные способствуют успеху искусственного
интеллекта, и ставит перед читателем вопрос, что было бы, если бы доступным
ныне алгоритмам были предоставлены лучшие данные с точки зрения каче­
ства и количества.

Машинное обучение
Апофеозом анализа данных является машинное обучение. Вы можете
успешно применить машинное обучение только после того, как анализ данных
предоставляет правильные исходные данные. Но только машинное обучение
способно ассоциировать наборы выходных и входных данных, а также эффек­
тивно выявить использованные при этом правила. Анализ данных концентри­
руется на понимании и манипулировании данными таким способом, чтобы они
могли стать более полезными и способными обеспечить проникновение в суть
вещей, тогда как машинное обучение строго сосредоточено на том, чтобы по­
лучить исходные данные и, сделав свою работу, выработать внутреннее пред­
ставление о сути вещей, которое можно использовать практически. Машинное
обучение позволяет людям решать такие задачи, как предсказание будущего,
классификация осмысленным способом и выработка наиболее рационального
решения в данном контексте.

О
ЗАПОМНИ1

Главная идея, лежащая в основе машинного обучения, — можно
представить действительность, используя математические функции,
которые алгоритму заранее неизвестны, но которые он может пред­
положить на основании наблюдения некоторых данных. Вы можете
выразить действительность и всю ее комплексную сложность в тер­
минах неизвестных математических функций, которые алгоритмы
машинного обучения способны выявить и сделать доступными. Эта
концепция лежит в основе идей всех видов алгоритмов машинного
обучения.

Обучение при машинном обучении является просто математической функ­
цией, и она заканчивается ассоциацией определенных входных данных с опре­
деленными выходными. Она не имеет отношения к пониманию того, что алго­
ритм изучил (анализ данных вырабатывает понимание до некоторой степени),
поэтому процесс обучения зачастую называют тренировкой, поскольку алго­
ритм учится находить правильный ответ (вывод) на каждый предоставленный
вопрос (ввод). Более подробная информация по этому вопросу приведена в
книге Machine Learning For Dummies Джона Пола Мюллера и Луки Массарона
(издательство Wiley).
Несмотря на отсутствие осмысленного понимания, поскольку это просто
математический процесс, машинное обучение может оказаться весьма по­
лезным. Оно дает приложению с искусственным интеллектом силу наиболь­
шей рациональности в текущем контексте, когда обучение происходит с ис­
пользованием правильных данных. В следующих разделах работа машинного
ЧАСТЬ 3 Программно-ориентированные приложения...

обучения описана более подробно, включая ожидаемые преимущества и пре­
делы его применения в приложениях.

Как работает машинное обучение
Многие люди привыкли к идее, что приложения начинают работу с полу­
чения данных на входе, а затем предоставляют некий результат. Например,
программист мог бы создать функцию Add (), которая получает как ввод два
значения, например 1 и 2, а затем возвращает результат, 3. Выводом этого про­
цесса является значение. В прошлом написание программы означало пони­
мание того, как функция должна манипулировать данными, чтобы получить
заданный результат при определенных входных данных. Машинное обучение
осуществляет переворот в этом процессе. В данном случае вы знаете входные
данные, это 1 и 2. Вы также знаете, что желаемый результат — 3. Однако вы
не знаете, какую функцию применить, чтобы получить желаемый результат.
Обучение предоставляет алгоритм со всякого рода примерами входных дан­
ных и ожидаемыми результатами для этих входных данных. Затем алгоритм
использует заданный ввод, чтобы создать функцию. Другими словами, обуче­
ние — это процесс, в ходе которого обучаемый алгоритм сопоставляет с дан­
ными гибкую функцию. Выводом обычно является вероятность определенного
класса или числового значения.
Чтобы дать общее представление о происходящем в ходе учебного про­
цесса, вообразите ребенка, учащегося отличать деревья от других объектов.
Прежде чем ребенок сможет сделать это самостоятельно, учитель показывает
ему изображения деревьев, отображающие все факты, отличающие дерево от
других объектов. К таким фактам могут относиться материал дерева (древеси­
на), его части (ствол, ветви, листья и корни) и расположение (в почве). Ребенок
вырабатывает представление о том, как выглядит дерево, в отличие от изобра­
жений других объектов, таких как предметы мебели, которые тоже состоят из
древесины, но не имеют других характеристик, схожих с характеристиками
дерева.
Классификатор машинного обучения работает точно так. Он формиру­
ет свои когнитивные способности, создавая математические формулировки,
включающие все заданные средства, способом, который определяет функцию,
способную отличить один класс от другого. Предположим, что существует не­
кая математическая формулировка, целевая функция (target function), способная
выразить характеристики дерева. В таком случае классификатор машинного
обучения может искать свое представление как ее реплику или приближение
(функция иная, но работает похоже). Способность выразить такую математи­
ческую формулировку является возможностью представления классификатора.

ГЛАВА 9 Анализ данных для искусственного интеллекта

1б9

С математической точки зрения вы можете выразить процесс представле­
ния в машинном обучении, используя сопоставление эквивалентного термина.
Сопоставление происходит, когда вы обнаруживаете конструкцию функции,
наблюдая ее вывод. Успешное сопоставление в машинном обучении подобно
ребенку, усваивающему идею объекта. Ребенок понимает абстрактные прави­
ла, следующие из фактов реального мира, поэтому когда ребенок видит дерево,
например, он сразу его узнает.
Такое представление (абстрактные правила, проистекающие из реальных
фактов) возможно потому, что у алгоритма обучения есть множество внутрен­
них параметров (состоящих из векторов и матрицы значений), эквивалентных
памяти алгоритма для идей, которые лучше всего подходят для ассоциации
средств с классами ответа. Размерности и тип внутренних параметров разгра­
ничивают вид целевых функций, которые алгоритм может изучать. Чтобы вы­
яснить скрытую целевую функцию, механизм оптимизации алгоритма во вре­
мя обучения изменяет значения параметров, начиная с их исходных значений.
Во время оптимизации алгоритм ищет возможные варианты комбинаций
параметров, чтобы найти ту, при которой возможно правильное сопоставление
средств и классов при обучении. Этот процесс вычисляет множество возмож­
ных целевых функций — потенциальных кандидатов из числа тех, которые
может предположить обучающий алгоритм. Набор всех потенциальных функ­
ций, которые смог обнаружить обучающий алгоритм, является пространством
гипотез (hypothesis space). Вы можете вызвать результирующий классифика­
тор с его параметрами для набора гипотез в ходе машинного обучения, чтобы
сказать, что алгоритм установил параметры для репликации целевой функции
и теперь готов определить правильные классификации (факт, демонстрируе­
мый позже).
Пространство гипотез должно содержать все варианты параметра всех ал­
горитмов машинного обучения, которые вы хотите попробовать сопоставить с
неизвестной функцией при решении проблемы классификации. У различных
алгоритмов могут быть разные пространства гипотез. Действительно имеет
значение то, что пространство гипотез содержит целевую функцию (или ее по­
добие, поскольку, в конце концов, необходимо нечто работоспособное).
Можете считать эту фазу временем, когда ребенок экспериментирует со
многими разными творческими идеями, накапливая знания и опыт (аналогия
получению средств), чтобы получить представление о дереве. Естественно,
на этой фазе задействованы родители, и они предоставляют корректные ис­
ходные данные об окружающей среде. В машинном обучении кто-то должен
предоставить правильные алгоритмы обучения, некие не учебные параметры
(гиперпараметры), выбрать набор примеров для изучения, а также выбрать со­
путствующие примерам средства. Подобно тому, как ребенок не всегда может

научиться различать, что правильно и что неправильно, если он остается в изо­
ляции, алгоритмы машинного обучения нуждаются в людях, чтобы учиться
успешно.

Преимущества машинного обучения
Сегодня вы найдете искусственный интеллект и машинное обучение исполь­
зуемыми в очень многих приложениях. Единственная проблема — технология
работает настолько хорошо, что вы даже не знаете, что она существует. Факти­
чески вы могли бы быть немало удивлены, обнаружив, что многие устройства
в вашем доме уже используют обе технологии. Обе технологии, определенно,
присутствуют в вашем автомобиле и на рабочем месте. Фактически случаи ис­
пользования и искусственного интеллекта, и машинного обучения исчисляются
миллионами, и все без очевидных опасностей, даже когда их характер весьма
критичен. Вот только некоторые из способов, которыми искусственный интел­
лект может использоваться.
»

Обнаружение мошенничества. Вы получаете из банка запрос,
платили ли вы своей кредитной карточкой за определенную покуп­
ку. Банк не любопытен; он просто обеспокоен тем фактом, что не­
кто мог сделать покупку, используя вашу карточку. Искусственный
интеллект банка обнаружил незнакомый шаблон расходов и пред­
упредил кого следует.

»

Планирование ресурсов. Многим организациям необходимо эф­
фективное планирование использования ресурсов. Например,
больнице, вероятно, придется решать, куда поместить пациента, ис­
ходя из его потребностей, доступности квалифицированного персо­
нала и ожидаемого периода пребывания пациента в больнице.

»

Комплексный анализ. Люди нередко нуждаются в комплексном
анализе, когда приходится учитывать слишком много факторов. На­
пример, один и тот же набор симптомов может свидетельствовать
о нескольких проблемах. Чтобы спасти пациенту жизнь, врачу или
другому специалисту может понадобиться помощь в своевремен­
ной постановке диагноза.

»

Автоматизация. Любая форма автоматизации может извлечь поль­
зу из применения искусственного интеллекта для реакции на не­
предвиденные изменения или события. Проблема некоторых типов
автоматизации сегодня заключается в том, что непредвиденное со­
бытие, такое как нахождение объекта в неположенном месте, может
фактически привести к ее отказу. Добавление искусственного интел­
лекта к автоматизации может позволить справиться с непредвиден­
ным событием и продолжить работу, как будто ничего не случилось.

1J1

»

Клиентская служба. На другом конце линии клиентской службы,
в которую вы сегодня звонили, вполне могло и не быть человека.
Автоматизация ныне достаточно хороша, чтобы, используя различ­
ные сценарии и ресурсы, справиться с подавляющим большинством
ваших вопросов. При корректных интонациях голоса (также предо­
ставляемых искусственным интеллектом) вы не сможете даже с уве­
ренностью сказать, что говорили с компьютером.

»

Системы безопасности. Большинство систем безопасности совре­
менных машин различных видов полагается на искусственный ин­
теллект, чтобы перехватить управление транспортным средством в
критической ситуации. Например, многие автоматические тормозные
системы полагаются на искусственный интеллект, чтобы остановить
автомобиль, исходя из всех исходных данных, которые может пре­
доставить транспортное средство, например направления заноса.

»

Эффективность машин. Искусственный интеллект может помочь
контролировать машину так, чтобы добиться максимальной эффек­
тивности. Искусственный интеллект контролирует использование
ресурсов, чтобы система не превышала скорости и для других за­
дач. Каждая унция мощности будет использована точно так, как не­
обходимо, чтобы оказать желаемую услугу.

Этот список не затрагивает даже части возможностей. Вы можете найти
искусственный интеллект используемым и многими другими способами.
Однако полезно также узнать об использовании машинного обучения и вне
областей, традиционных для искусственного интеллекта. Вот несколько
случаев использования машинного обучения, которое могли бы и не быть
связаны с искусственным интеллектом.

172

»

Управление доступом. Во многих случаях доступ либо разрешают,
либо запрещают. Смарт-карта сотрудника предоставляет доступ к
ресурсу точно так же, как и ключ, многие столетия назад. Некото­
рые замки действительно позволяют задавать время и даты, когда
их можно открывать, но такой контроль — не ответ на каждую по­
требность. Используя машинное обучение, можно определить, мо­
жет ли сотрудник получить доступ к данному ресурсу, исходя из его
роли и потребности. Например, сотрудник может получить доступ к
учебной комнате, если обучение является его ролью.

»

Защита животных. Океан может казаться достаточно большим,
чтобы морские животные и суда могли без проблем в нем сосуще­
ствовать. К сожалению, суда ежегодно ранят множество животных.
Алгоритм машинного обучения может позволить судам избегать
животных, изучив издаваемые ими звуки и другие характеристики
животных и судов.

ЧАСТЬ В Программно-ориентированные приложения...

»

Предсказание времени ожидания. Большинству людей не нра­
вится ждать, когда они понятия не имеют, как долго придется это
делать. Машинное обучение позволяет приложению определить
время ожидания на основании уровня персонала, их загрузки,
сложности решаемых ими проблем, доступности ресурсов и т.д.

Будешь полезным — станешь обыденным
Хотя в фильмах и утверждается, что искусственный интеллект приведет к
огромному подъему, и вы действительно иногда видите невероятные случаи
его использования в реальности, применяется он, как правило, для решения
обыденных и даже скучных задач. К примеру, недавно компания Verizon ис­
пользовала язык R для машинного обучения, чтобы проанализировать данные
о нарушении правил безопасности и автоматизировать составление ежегодных
отчетов о н и х (https://www.computerworld.com/article/3001832/dataanalytics/how-verizon-analyzes-security-breach-data-with-r.html).Подоб­
ный анализ — не столь грандиозное свершение по сравнению с использовани­
ем других видов искусственного интеллекта, но, используя язык R, компания
Verizon экономит деньги, выполняя анализ, и получает лучшие результаты.

Пределы машинного обучения
Для анализа огромных наборов данных машинное обучение полагается на
алгоритмы. В настоящее время машинное обучение не способно обеспечить
такой вид искусственного интеллекта, как в кино. Даже наилучшие алгорит­
мы не могут думать, чувствовать, обладать любой формой самосознания или
иметь свободу выбора. На что машинное обучение способно, так это выпол­
нять прогнозирующую аналитику намного быстрее, чем любой человек. В ре­
зультате машинное обучение может помочь людям работать эффективнее. Да,
искусственный интеллект в текущем состоянии способен выполнить выдаю­
щийся анализ, но смысл его результатов все еще должны осознавать люди, они
же принимают необходимые моральные и этические решения на его основа­
нии. По существу машинное обучение обеспечивает лишь часть обучения ис­
кусственного интеллекта, и эта часть ничуть не готова создать искусственный
интеллект того вида, который вы видите в фильмах.
Основная причина несоответствия между обучением и интеллектом — в
человеческом предположении, что простой способности машины справлять­
ся со своей работой (обучение) уже достаточно для сознания (интеллект). Это
предположение ничем не подтверждено для машинного обучения. То же самое
происходит, когда люди полагают, что компьютер преднамеренно создает для
них проблемы. Компьютер не имеет эмоций и поэтому действует только на ос­
новании предоставленных данных и инструкций для их обработки. Истинный
ГЛАВА 9 Анализ данных для искусственного интеллекта

173

искусственный интеллект получится только тогда, когда компьютеры, наконец,
смогут подражать следующей сложной комбинации, используемой в природе.
»

Генетика. Медленное обучение из поколения в поколение.

»

Обучение. Быстрое обучение на базе организованных источников.

»

Исследование. Спонтанное обучение на базе средств массовой ин­
формации и общения между собой.

Кроме того факта, что машинное обучение состоит из математических
функций, оптимизированных для определенной цели, пределы машинного об­
учения обусловливают и другие недостатки. Необходимо учесть три важных
предела.
»

Представление. Представление некоторых проблем с использова­
нием математических функций не всегда просто, особенно для таких
комплексных проблем, как имитация работы человеческого мозга.
В настоящее время машинное обучение может решать отдельные
специфические задачи, подразумевающие ответы на такие простые
вопросы, как "Что это такое?", "Сколько стоит?" и "Что будет дальше?"

»

Переобучение. Алгоритму машинного обучения может казаться, что
он изучает то, о чем вы просили, но фактически это не так. Их вну­
тренние функции по большей части только запоминают данные, но
не учатся на них. Переобучение (overfitting) происходит, когда ваш
алгоритм учится на ваших данных слишком много и достигает мо­
мента создания функций и правил, которых в действительности не
существует.

»

Нехватка эффективного обобщения из-за ограниченных дан­
ных. Алгоритм изучает то, что вы ему даете. Если снабдить алгоритм
плохими или недостоверными данными, он поведет себя неожидан­
ным образом.

Что касается представления, отдельный обучаемый алгоритм может узнать
много разных вещей, но не каждый алгоритм подходит для определенных за­
дач. Некоторые алгоритмы являются достаточно общими, они могут играть в
шахматы, распознавать лица в Facebook и диагностировать рак у пациентов.
Алгоритм ограничивает поступающие данные, и ожидаемым результатом этих
данных в любом случае будет функция, но функция, специфическая для задач
такого вида, для которого предназначен алгоритм.
Тайна машинного обучения — в обобщении. Однако в обобщении кроются
проблемы переобучения и смещенных данных. Задача в том, чтобы обобщить
функцию вывода так, чтобы эти проблемы не повлияли на данные учебных
примеров. Рассмотрим, к примеру, фильтр спама. Скажем, что ваш словарь

174

ЧАСТЬ 3 Программно-ориентированные приложения...

содержит 100 000 слов (небольшой словарь). Учебный набор данных, ограни­
ченный 4000 или 5000 словосочетаний, должен создать обобщенную функцию,
способную затем найти спам в 2Л100 000 комбинациях, которые функция будет
встречать при работе с фактическими данными. В таких условиях алгоритму
будет казаться, что он изучил правила языка, но в действительности это не так.
Алгоритм может правильно реагировать на ситуации, подобные использован­
ным при обучении, но в совершенно новых ситуациях окажется некомпетент­
ным. Или могут неожиданно проявиться пристрастия из-за вида использован­
ных при обучении данных.
Например, компания Microsoft обучала свой искусственный интеллект, Тау,
общаться с людьми через Twitter, а также учиться на их ответах. К сожалению,
общение пошло неправильно, поскольку пользователи научили Тау нецензур­
ной речи, поставив под вопрос совершенство любого искусственного интел­
лекта на базе технологий машинного обучения. (Частично об этой истории
можно узнать по адресу https://www.theverge.eom/2016/3/24/11297050/
taymicrosoft-chatbot-racist). Проблема была в том, что алгоритму машин­
ного обучения были плохо поданы данные, без фильтрации (Microsoft не ис­
пользовала соответствующий анализ данных для их чистки и правильной ба­
лансировки), что привело в результате к переобучению. Переобучение привело
к выбору неправильного набора функций для общего представления мира спо­
собом, который должен был бы избежать нетолерантности, такой как нецен­
зурная речь. Другой обучаемый беседе с людьми искусственный интеллект, за­
служенный Mitsuku (http://www.mitsuku.com/)2,не подвержен таким рискам,
как Тау, поскольку его обучение строго контролируется как анализом данных,
так и человеком.

Обучение на основе данных
В машинном обучении все вращается вокруг алгоритмов. Алгоритм — это
процедура или формула решения задачи. Предметная область включает и вид
необходимого алгоритма, но базовая предпосылка всегда одинакова: решить
своего рода задачу, такую как вождение автомобиля или игра в домино. В пер­
вом случае задача сложна и многогранна, но сводится в конечном счете к одно­
му — доставить пассажира из одного пункта в другой, не разбив автомобиль.
Аналогично задача при игре в домино заключается в победе.
Обучение бывает разным в зависимости от алгоритма и его целей. Алгорит­
мы машинного обучения можно отнести к трем основным группам на основа­
нии их задач.
2Переадресация на https://www.pandorabots.com/mitsuku/. —

П рим еч. р ед .

175

»

Контролируемое обучение

»

Неконтролируемое обучение

»

Обучение с подкреплением

В следующих разделах более подробно описаны виды алгоритмов машин­
ного обучения.

Контролируемое обучение
Контролируемое обучение (supervised learning) происходит, когда алгоритм
учится на основе данных примеров и относящихся к цели ответов, которые мо­
гут состоять из числовых значений или строковых меток, таких как классы или
тэги, чтобы впоследствии спрогнозировать правильный ответ, когда появятся
новые примеры. Контролируемый подход подобен обучению человека под при­
смотром учителя. Учитель обеспечивает ученику хорошие примеры для запо­
минания, а ученик усваивает общие правила из этих конкретных примеров.
Необходимо различать задачи регрессии (regression problem), целью которых
является числовое значение, и задачи классификации (classification problem),
целью которых является такая качественная переменная, как класс или тэг. За­
дачей регрессии может быть определение средней цены домов в окрестности
города Бостон, а примером задачи классификации может быть поиск различий
между цветами ириса на основании размеров их лепестков и чашелистиков. Вот
некоторые из примеров контролируемого обучения с важными применениями
в искусственном интеллекте, описанные по их вводу и выводу данных, а также
реальному применению для решения.
Ввод данных (X)

Вывод данных (Y)

Реальное применение

История покупок
клиентов

Список товаров,
которые клиенты
никогда не покупали

Система рекомендаций

Образы

Список коробок,
помеченных неким
названием

Обнаружение и распознавание
образов

Английский текст в
виде вопросов

Английский текст в
виде ответов

Chatbot, приложение, способное
беседовать

Английский текст

Немецкий текст

Машинный перевод

Аудио

Текстовая
транскрипция

Распознавание речи

Образ, полученный
сенсором

Поворот, торможение
или ускорение

Планирование поведения при
автономном вождении

Неконтролируемое обучение
Неконтролируемое обучение (unsupervised learning) происходит, когда алго­
ритм учится на основе простых примеров без какого-либо ассоциированного
ответа, позволяя алгоритму самостоятельно определять шаблоны данных. Этот
тип алгоритма стремится реструктурировать данные в нечто еще, такое как но­
вая возможность, способная представить класс, или новая последовательность
некоррелированых значений. Полученные данные весьма полезны людям со
способностью проникновения в суть смысла первоначальных данных, а также
как новые полезные входные данные для алгоритмов контролируемого машин­
ного обучения.
Неконтролируемое обучение напоминает методы, используемые людьми
для выявления определенных объектов или событий того же самого класса, с
учетом наблюдаемой степени сходства между объектами. Некоторые системы
рекомендаций, которые можно найти на сайтах интернет-магазинов, постро­
ены на базе обучения этого типа. Алгоритм автоматизированных интернетмагазинов создает свои рекомендации на основании того, что вы покупали в
прошлом. Рекомендации создаются на основании оценки того, какую группу
клиентов вы напоминаете больше всего, а затем вычисляет ваши вероятные
предпочтения на основании предпочтений этой группы.

Обучение с подкреплением
Обучение с подкреплением (reinforcement learning) происходит, когда алго­
ритму предоставляют примеры без меток, как при неконтролируемом обуче­
нии. Но вы можете сопроводить примеры положительной или отрицательной
оценкой в зависимости от предлагаемого алгоритмом решения.
Обучение с подкреплением связано с приложениями, алгоритм которых
должен принимать решения (поэтому направление весьма перспективно, а не
только интересно как неконтролируемое обучение), и эти решения имеют по­
следствия. В мире людей это точно то же, что и обучение методом проб и оши­
бок. Ошибки помогают учиться, поскольку убыток от них (потеря денег, вре­
мени, сожаление, боль и т.д.) наглядно демонстрирует, что определенный образ
действия менее вероятен для успеха, чем другие. Интересен пример обучения с
подкреплением, когда компьютеры учатся играть в видеоигры.
В данном случае приложение предоставляет алгоритму примеры опреде­
ленных ситуаций, когда игрок прячется в лабиринте от врага. Приложение по­
зволяет алгоритму узнать результат его действий, и обучение происходит в ре­
зультате попыток избежать обнаружения опасным преследователем и выжить.
Вы можете увидеть, как созданная Google DeepMind программа обучения с
подкреплением играет в видеоигры старого Атари по адресу https://www.

youtube.com/watch?v=VleYniJORnk. Просматривая видео, обратите внимание
на то, что сначала программа неуклюжа и неумела, но постоянно совершен­
ствуется и учится, пока не становится чемпионом. В поучительном видео от
TEDx Talks на h ttp s : / / www.youtube. com/watch?v=mqma6GpM7vM Райя Хадзелл
(Raia Hadsell), главный исследователь группы Deep Learning компании TEDx
Talks, описывает сильные и слабые стороны процесса.

Глава 10
■

Машинное обучение
в искусственном
интеллекте
В ЭТОЙ Г Л А В Е ...
» Применение инструм ентальны х средств различны х
научны х школ при обучении на основе данны х
» Чем вероятность полезна искусственном у интеллекту
» Прогнозирование с использованием наивного
байесовского классиф икатора и байесовских сетей
» Разделение данны х на ветви и листья деревьями решений

бучение было важной частью искусственного интеллекта с самого на­
чала, поскольку искусственный интеллект может подражать интеллекту
человека. Достижение такого уровня мимикрии (mimicry), который фак­
тически напоминает обучение, займет много времени и потребует множества
подходов. Сегодня машинное обучение может демонстрировать квазичеловеческий (quasi-human) уровень обучения при решении специфических задач, таких
как классификация (classification) изображений или обработка звука, но он стре­
мится достичь подобного уровня обучения и для многих других задач.
Машинное обучение автоматизируется не полностью. Вы не можете указать
компьютеру прочитать книгу и ожидать, что он что-нибудь поймет. Автоматизация

О

подразумевает, что компьютеры могут знать, как себя программировать самим,
чтобы выполнить некие задачи, а не ожидать программирования от людей.
В настоящее время автоматизация требует больших объемов данных, выбран­
ных человеком, а также анализа этих данных и обучения (также под управле­
нием человека). Это как взять ребенка за руку, когда он делает свои первые
шаги. Кроме того, у машинного обучения есть пределы, продиктованные об­
учением на основе данных.
У каждого семейства алгоритмов есть собственные способы решения задач,
им и посвящена данная глава. Задача заключается в том, чтобы понять, как ис­
кусственный интеллект принимает решения и делает прогнозы. Подобно тому,
как за занавесом в книге Волшебник страны Оз был обнаружен человек, в этой
главе вы раскроете и механизмы, и механику лежащую в основе искусственно­
го интеллекта. Но вы все же поразитесь, узнав о достижениях, которые может
обеспечить машинное обучение.

Способы обучения
Подобно тому как существуют разные способы обучения людей, ученые,
подходя к проблеме обучения искусственного интеллекта, также следовали
разными путями. Каждый верил в свой рецепт подражания интеллекту. До сих
пор ни одна из моделей не доказала своего превосходства над другими. Тео­
рема по free lunch (бесплатных завтраков не бывает) гласит, что ничего не бы­
вает бесплатно, за каждое преимущество приходится платить в полной мере.
Каждое из направлений имеет доказательства эффективности решения спец­
ифических задач. Поскольку алгоритмы эквивалентны в абстрактном (см. при­
веденный ниже раздел “БЕСПЛАТНЫХ ЗАВТРАКОВ НЕ БЫВАЕТ”), ни один
из алгоритмов не превосходит другой, если речь не идет о некой конкретной
практической задаче. В следующих разделах содержится дополнительная ин­
формация по использованию методов обучения.

Пять основных подходов к обучению искусственного интеллекта
Алгоритм — это своего рода контейнер. Он похож на коробку для хранения
метода решения задач определенного вида. При обработке алгоритм проводит
данные через серию четко определенных состояний. Состояния не обязаны
быть определены, тем не менее они определяются. Задача заключается в том,
чтобы получить результат, решающий задачу. В некоторых случаях алгоритм
получает входные данные, помогающие определить вывод, но основное вни­
мание всегда сосредоточено на выводе.

Б Е С П Л А Т Н Ы Х З А В Т Р А К О В НЕ Б Ы В А Е Т
Так в математическом фольклоре (mathematical folklore) обычно упоминают те­
орему Дэвида Вулперта (David Wolpert) и Уильяма Макриди (William Macready),
утверждающую, что два любых алгоритма оптимизации эквивалентны, если
их эффективность остается средней для всех возможных задач. По существу,
независимо от используемого алгоритма оптимизации, не будет никакого
преимущества от его применения для всех возможных задач. Чтобы получить
преимущество, алгоритм следует использовать для тех задач, для которых он
подходит лучше всего. Статья ё -Ши Хо (Yo-Chi Но) и Дэвида Л. Пепина (David L.
Рерупе) по адресу h ttp s : / /www.researchgate. n et/p u b lication /3934 675_

Sim ple_explanation_of_the_no_free_lunch_theorem _of_optim ization
содержит доступное, но строгое доказательство этой теоремы. Для большего
количества деталей имеет также смысл ознакомиться с обсуждением по адре­
су h ttp :/ /w w w .no-free-lunch.org/.

Алгоритмы должны выражать переходы между состояниями, используя чет­
кий и формальный язык, понятный компьютеру. При обработке данных и реше­
нии задачи алгоритм определяет, детализирует и выполняет функцию. Функ­
ция является всегда специфической для вида задачи, решаемой алгоритмом.
Как описано в разделе “Не обмануться в ожиданиях от искусственного интел­
лекта” главы 1, у каждой из этих пяти научных школ есть своя методика и стра­
тегия решения задач, на основании которых созданы уникальные алгоритмы.
Объединение этих алгоритмов должно в конечном счете привести к созданию
верховного алгоритма, который будет в состоянии решить любую задачу. В сле­
дующих разделах представлен краткий обзор пяти основных типов алгоритмов.
Символьное рассуждение

Одна из первых научных школ, символисты, полагала, что знание может
быть получено при работе с символами (знаками, имеющими определенный
смысл или означающими событие) и выводе правил из них. При формирова­
нии достаточно сложных систем правил можно достичь логической дедукции
результата, который вы хотели узнать. Таким образом, символисты сформиро­
вали свои алгоритмы так, чтобы выводить правила из данных. При символьном
рассуждении дедукция расширяет область человеческого знания, в то время как
индукция повышает уровень человеческого знания. Индукция обычно открыва­
ет новые области для исследования, а дедукция исследует эти области1.
1Согласно авторам. — Примем, ред.
ГЛАВА 10

Машинное обучение в искусственном интеллекте

181

Взаимосвязи, моделируемые нейронами мозга

Коннекционисты, вероятно, являются самой известной из пяти научных
школ. Эта научная школа стремится воспроизвести функции мозга, используя
кремний вместо нейронов. По существу, каждый из нейронов (созданный как
алгоритм, моделирующий дубликат из реального мира) решает одну малую
часть задачи, а используя множество нейронов параллельно, можно решить
задачу в целом.
Используя обратное распространение ошибки, можно попытаться опреде­
лить условия, изменяя весовые коэффициенты (weight) (насколько конкретный
ввод влияет на результат) и пристрастия (bias) (какие средства выбираются),
при которых ошибки удаляются из сетей, построенных подобно сети человечес­
ких нейронов. Цель заключается в том, чтобы продолжать изменять весовые
коэффициенты и пристрастия до тех пор, пока фактический вывод не станет со­
ответствовать задаче. В настоящее время искусственный нейрон вырабатывает
и передает свое решение следующему нейрону в серии. Решение, созданное
только одним нейроном, является лишь частью целого решения. Каждый ней­
рон передает информацию следующему нейрону в серии, пока группа нейронов
не сформирует окончательный вывод. Такой метод доказал свою высочайшую
эффективность в решении задач, подобных решаемым человеком, таких как
распознавание объектов, письменности, разговорной речи и общения с людьми.
Эволюционные алгоритмы проверки вариантов

Для решения задач эволюционисты полагаются на принципы развития. Дру­
гими словами, эта стратегия основана на выживании сильнейшего (удаляются
любые решения, которые не соответствуют желаемому результату). Функция
выживания определяет жизнеспособность каждой функции в решении задачи.
Используя древовидную структуру, метод решения ищет наилучшее решение
на основании функции вывода. Для построения функции следующего уров­
ня выбирается победитель текущего уровня развития. Идея в том, что каждый
следующий уровень будет ближе к решению задачи, и если решение еще не
полное, то просто необходим другой уровень. Для решения проблемы эта на­
учная школа полностью полагается на рекурсии и поддерживающие ее язы­
ки. Интересным результатом этой стратегии стали развивающиеся алгоритмы:
одно поколение алгоритмов фактически создает следующее поколение.
Байесовский вывод

Группа ученых, байесианцы, полагает, что ключевым аспектом при на­
блюдении и обучении является неопределенность и что, скорее всего, имеет
место непрерывная модификация предыдущих представлений, которые стано­
вились все более точными. Это восприятие вынудило байесианцев применять
ЧАСТЬ 3 Программно-ориентированные приложения...

статистические методы, в частности — следствия теоремы Байеса, позволяю­
щей вычислять вероятности при определенных условиях (например, посмо­
трите карту с определенным значением начального числа псевдослучайной по­
следовательности, нарисованным на доске после трех других карт для того же
самого начального числа).
С истемы , учащиеся на аналогиях

Для распознавания шаблонов в данных аналогисты используют многоядер­
ные машины. Распознав шаблон одного набора входных данных и сравнив его
с шаблоном известного вывода, можно создать решение задачи. Цель заключа­
ется в том, чтобы, используя сходство, определить наилучшее решение задачи.
Это тот вид рассуждения, при котором полагают, что если в прошлом данное
конкретное решение сработало при неких обстоятельствах, то при подобных же
стечениях обстоятельств оно также должно сработать. Одним из наиболее из­
вестных результатов этой научной школы являются системы рекомендаций. На­
пример, когда вы покупаете товар на Amazon, система рекомендаций предлагает
другой связанный с этим товар, которые вы также могли бы захотеть купить.
Окончательная цель машинного обучения состоит в том, чтобы объединить
технологии и стратегии этих пяти научных школ и выработать единый алго­
ритм (верховный алгоритм), способный что-нибудь изучить. Конечно, до до­
стижения этой цели еще далеко. Но несмотря на это такие ученые, как Педро
Домингос (Pedro Domingos) (http://homes.cs.washington.edu/~pedrod/),
работают над данной задачей уже сейчас.

Три наиболее перспективных подхода
к обучению искусственного интеллекта
В следующих разделах этой главы рассматриваются подробности базовых
алгоритмов, выбранных байесианцами, символистами и коннекционистами.
Эти научные школы представляют настоящую и будущую грани обучения на
основе данных, поскольку любой прогресс в искусственном интеллекте, по­
добном человеческому, ожидается именно от них, по крайней мере пока не
произойдет новый прорыв с новыми, более невероятными и мощными алго­
ритмами обучения. Конечно, сцена машинного обучения значительно шире
этих трех алгоритмов, но основное внимание в данной главе уделяется именно
этим трем научным школам из-за их роли в текущем положении искусственно­
го интеллекта. Вот краткое описание рассматриваемых подходов.
»

Наивный байесовский классификатор. Этот алгоритм может быть
куда точнее врача при диагностировании некоторых болезней.
Кроме того, один и тот же алгоритм может и обнаруживать спам, и

ГЛАВА 10 Машинное обучение в искусственном интеллекте

183

прогнозировать впечатление от текста. Он также широко использует­
ся в Интернете для упрощения обработки больших объемов данных.
»

Байесовская сеть (форма графа). Этот граф дает представление о
сложности мира в терминах вероятности.

»

Дерево решений. Тип алгоритма, представляющий символистов
лучше всего. Дерево решений имеет длинную историю и демонстри­
рует, как искусственный интеллект способен принимать решения,
поскольку он напоминает серию вложенных решений, которые мож­
но представить как дерево (отсюда и название).

Следующая глава, “Усиление искусственного интеллекта глубоким обучени­
ем”, знакомит с нейронными сетями — образцовым типом алгоритма, предло­
женного коннекционистами, и реальным механизмом ренессанса искусственно­
го интеллекта. Сначала в главе 11 обсуждается работа нейронной сети, а затем
объясняется, что такое глубокое обучение и почему оно настолько эффективно.

О
ЗАПОМНИ!

Во всех этих разделах обсуждаются типы алгоритмов. Далее алго­
ритмы каждого типа делятся на подкатегории. Например, деревья
решений подразделяются на деревья регрессий, деревья классифика­
ции, бустинговые деревья (boosted tree), бустинговые объединенные
деревья (bootstrap aggregated tree) и лес случайностей (rotation forest).
Можно даже выделить подтипы и подразделы. Классификатор леса
случайностей — это своего рода бустинговое объединенное дерево,
и далее в том же духе. Закончив с уровнями, вы увидите, что количе­
ство реальных алгоритмов исчисляется тысячами. Короче говоря, эта
книга дает лишь краткий обзор более сложной темы, для рассмотре­
ния которой во всех подробностях может потребоваться много томов.
Главное — получить представление о типах алгоритмов и не утонуть
в подробностях.

Ожидание следующего прорыва
В 1980-х годах, когда миром искусственного интеллекта правили эксперт­
ные системы, большинство ученых и практиков считали машинное обучение
второстепенной ветвью искусственного интеллекта, сосредоточенной на обуче­
нии тому, как лучше соответствовать простой окружающей обстановке (пред­
ставленной данными) с использованием оптимизации. Сегодня у машинного
обучения верховенство в искусственном интеллекте, оно даже превзошло экс­
пертные системы во многих приложениях и исследовательских разработках, а
приложения искусственного интеллекта оно подняло на такую высоту, которую
ученые ранее считали невозможной по точности и эффективности. Нейронные
сети, решение, предложенное коннекционистами, также добивались прогресса

за последние несколько лет, ставшего возможнымблагодаря сочетанию увели­
чения возможностей аппаратных средств, более подходящих данных и усилий
таких ученых, как Джеффри Хинтон (Geoffrey Hinton), Ян Лекун (Yann LeCun),
Иошуа Бенгио (Yoshua Bengio) и многих других.
Возможности алгоритмов нейронной сети (недавно заклейменные сторон­
никами глубокого обучения за чрезмерную сложность) ежедневно расширя­
ются. Новости пестрят сообщениями о новых достижениях в областях распоз­
навания звука, образов и видео, языковом переводе и даже чтении по губам.
(Хотя глубокому обучению и недостает эффективности HAL9000, оно уже
приближается к эффективности человека; см. статью h t t p s : //www. the v erg e.
com /2016/11/7/13551210/ai-d eep -learn in g-lip read in g-accu racy-oxford ).
Усовершенствования — это результат хорошего финансирования большими
и малыми компаниями, позволяющего привлечь исследователей и создать
лучшее программное обеспечение, такое как TensorFlow от Google (h ttp s : / /
w w w .tensorflow .org/) и CNTK (Computational Network Toolkit) от Microsoft
(h t t p s : // b l o g s .m ic r o s o f t . c o m /a i/m ic r o s o f t- r e le a s e s - c n t k - it s - o p e n so u rce-d eep -le a rn in g -to o lk it-o n -g ith u b /), предоставляющее доступ к тех­
нологии и ученым, и практикам.
В ближайшем будущем ожидаются еще более сенсационные новости в об­
ласти искусственного интеллекта. Конечно, исследователи всегда могут снова
наткнуться на стену, как случалось в предыдущие зимы искусственного ин­
теллекта. Никто не может знать, достигнет ли искусственный интеллект чело­
веческого уровня при уже существующей технологии или кто-то откроет вер­
ховный алгоритм, поскольку Педро Домингос прогнозирует (см. h ttp s : / /www.
youtube.com/watch?v=qlZ5PXLVZfо), что он решит все проблемы искусствен­
ного интеллекта. Однако машинное обучение — это, конечно, не причуда и не
миф; оно существует и будет существовать в улучшенной форме или в форме
неких новых алгоритмов.

Поиск правды в вероятностях
На некоторых веб-сайтах утверждается, что статистика и машинное обуче­
ние — это две совершенно разные технологии. Например, когда читаешь блог
“Statistics vs. Machine Learning, fight!” (h ttp ://b ren o co n .co m /b lo g /2 0 0 8 /1 2 /
sta tis tic s -v s -m a c h in e -le a r n in g -fig h t/), складывается впечатление, что эти
две технологии не только различны, но и совершенно враждебны одна другой.
Хотя статистика демонстрирует скорее теоретический подход к задачам, а ма­
шинное обучение просто основано на данных, у статистики и машинного об­
учения есть много общего. Кроме того, статистика представляет одну из пяти
научных школ, делающих машинное обучение возможным.

Статистика часто использует вероятности (как способ выразить неопреде­
ленность событий реальности), а следовательно, она присуща и машинному
обучению, и искусственному интеллекту (в куда большей степени, чем чистой
статистике). Не все задачи похожи на игру в шахматы или Го, позволяющие
предпринимать большое, но ограниченное количество действий. Если вы хо­
тите узнать, как будет перемещаться робот в коридоре, переполненном людь­
ми, или создать беспилотный автомобиль, успешно участвующий в дорожном
движении, вам стоит учесть, что у некоторых планов (таких, как перемещение
из точки А в точку В) не всегда будет единственный результат, что возможно
множество результатов, каждый со своей вероятностью. В некотором смысле
вероятность поддерживает системы искусственного интеллекта в их рассуж­
дении, принятии решений и выработке того, что кажется наилучшим, самым
рациональным выбором, несмотря на неопределенность. Неопределенность
может возникать по различным причинам, и искусственный интеллект должен
быть осведомлен об уровне неопределенности, чтобы эффективно использо­
вать вероятности.
1 . Некоторые ситуации нельзя прогнозировать с уверенностью, поскольку они
случайны по своей природе. Подобные ситуации изначально являются сто­
хастическими. Например, при игре в карты вы не можете знать, какие карты
окажутся на руках после сдачи.
2 . Даже если ситуация не случайна, не факт, что ни один из ее аспектов (непол­
ное наблюдение) не создаст неопределенности по мере развития событий.
Например, робот, попавший в коридор с людьми, не может знать намеченный
путь каждого человека (он не может прочитать их мысли), но может сделать
предположение об этом на основании частичного наблюдения за их поведе­
нием. Как и с любым предположением, у робота есть шанс оказаться как пра­
вым, так и неправым.
3 . Ограниченность записывающих данные аппаратных средств (сенсоров) и при­
ближения при их обработке обусловливают некоторую неопределенность
результатов, полученных на их основании. Измерение нередко подвержено
ошибкам из-за используемых инструментальных средств и способа измере­
ния. Кроме того, люди зачастую подвержены когнитивным пристрастиям и
легко становятся жертвой иллюзий или предвзятости. Точно так искусствен­
ный интеллект ограничен качеством полученных данных. Приближения и
ошибки ввода привносят неопределенность в каждый алгоритм.

На что способны вероятности
Вероятность указывает, насколько ожидаемо некое событие, и выражает
это как число. Например, подбросив монету, вы не можете знать заранее, как
она упадет, орлом или решкой, но вы можете предсказать вероятность обоих

результатов. Вероятность события измеряется в диапазоне от 0 (отсутствие
вероятности события) до 1 (полная уверенность в событии). Промежуточные
значения, такие как 0,25; 0,5 и 0,75; указывают, что событие произойдет при
определенном количестве попыток. Если умножить вероятность на целое чис­
ло, представляющее количество попыток, вы получите оценку того, как часто
событие должно происходить в среднем, если осуществить все попытки. На­
пример, если у вас есть событие, происходящее с вероятностью р = 0,25 и вы
сделаете 100 попыток, то событие произойдет, вероятно, 0,25 * 100 = 25 раз.
При выборе случайной карты из колоды масть выпадает с вероятностью р =
= 0,25. Французские игральные карты являются классическим примером для
объяснения вероятностей. Колода содержит 52 карты, равномерно разделенных
на четыре масти: трефы и пики являются черными, а бубны и черви — красны­
ми. Так, если вы хотите определить вероятность выбора туза, то следует пред­
положить, что есть четыре туза разных мастей. Ответ в терминах вероятности
таков: р = 4/52 - 0,077.
Вероятности находятся в пределах от 0 до 1; никакая вероятность не может
превышать эти пределы. Вы определяете вероятности опытным путем из на­
блюдений. Вы просто помните, как часто происходит некое событие относи­
тельно всех остальных интересующих вас событий. Скажем, например, что вы
хотите вычислить вероятность мошенничества при банковских операциях или
как часто люди болеют некой болезнью в некой стране. Наблюдения позволяют
оценить вероятность события, достаточно подсчитать количество искомых со­
бытий и поделить на количество всех событий.
Вы можете вычислить количество случаев мошенничества или заболеваний,
используя данные из записей (обычно их берут из баз данных), а затем поде­
лить их на общее количество событий или доступных наблюдений. Поэтому
вы делите количество мошенничеств на общее количество транзакций за год
или подсчитываете количество случаев заболевания за год относительно всего
населения некой области. В результате получится число в пределах от 0 до 1,
которое вы можете использовать как свою базовую вероятность для определен­
ного события при неких обстоятельствах.
Подсчет всех случаев события не всегда возможен, поэтому необходима
выборка. При выборке, сделанной на основании определенных ожиданий ве­
роятности, вы можете наблюдать малую часть большего набора событий или
объектов, и все же быть в состоянии предусмотреть правильные вероятности
для события, а также точно осуществить количественные или качественные из­
мерения, связанные с набором объектов. Например, если вы хотите отследить
продажи автомобилей в США за прошлый месяц, вы не обязаны отслеживать
каждую продажу в стране. Используя выборку продаж всего для нескольких
автомобильных дилеров в стране, вы можете определить такие количественные
ГЛАВА 10

Машинное обучение в искусственном интеллекте

187

показатели, как средняя цена проданного автомобиля, или такие качественные
показатели, как модель автомобиля, продаваемая чаще всех.

Учет предыдущих знаний
Вероятность имеет смысл в терминах времени и пространства, но на нее
влияют и некоторые другие условия при измерении. Контекст важен. Оцени­
вая вероятность события, вы можете полагать (иногда ошибочно), что можете
применить вычисленную вероятность к каждой возможной ситуации. Для вы­
ражения этой веры есть термин, априорная вероятность (a priori probability),
означающий общую вероятность события.
Например, когда вы бросаете монету, если она настоящая, априорная веро­
ятность орла составляет приблизительно 50 процентов (если вы принимаете
также существование крошечной вероятности падения монеты на ребро). Не­
зависимо от того, сколько бы раз вы ни бросали монету, перед каждым следу­
ющим броском вероятность орла все равно будет примерно 50 процентов. Но
в некоторых других ситуациях, если вы изменяете контекст, априорная вероят­
ность окажется неверной, поскольку нечто может вмешаться и изменить ее.
В данном случае вы можете выразить эту веру как апостериорную вероят­
ность (a posteriori probability), являющуюся априорной вероятностью после
вмешательства чего-то, меняющего счет.
Например, априорная вероятность того, что человек является женщиной,
составляет примерно 50 процентов. Но вероятность может решительно отли­
чаться, если вы рассматриваете конкретные возрастные диапазоны, поскольку
женщины обычно живут дольше и после определенного возраста возрастная
группа содержит больше женщин, чем мужчин. Вот другой связанный с по­
лом пример: в настоящее время женщины в среднем превосходят численнос­
тью мужчин в главных университетах (см. примеры этого явления по адресам
https://w w w .theguardian.com /education/datablog/2013/jan/29/how -m anym en -an d-w om en -are-stu dyin g-at-m y-u n iversity и h ttp s://w w w .u c d a v is.
ed u /n ew s/g en d er-g a p -m o re-fem a le -stu d en tsm a les-a tte n d in g -u n iv er sit i e s / ) . Поэтому в данных двух контекстах апостериорная вероятность отлич­
на от ожидаемой априорной. На распределение по половому признаку вполне
может влиять и характер национальной культуры, он вполне может создать
иную апостериорную вероятность. Следующие разделы помогут лучше понять
пользу вероятности.
Условная вероятность

и наивный байесовский классификатор

Вы можете считать такие связанные с полом случаи, как упомянутые в пре­
дыдущем разделе, условной вероятностью (conditional probability) и выражать

ее как р(у|х), где вероятность события у выше, если событие х уже произошло.
Условная вероятность — это очень мощный инструмент для машинного обу­
чения и искусственного интеллекта. Фактически, если априорная вероятность
может измениться неким образом из-за определенных обстоятельств, то, зная
эти обстоятельства, можно увеличить возможность правильного предсказания
события при наблюдении примеров, а это именно то, для чего предназнача­
ется машинное обучение. Как, например, уже упоминалось, случайный чело­
век с общей вероятностью примерно в 50 процентов является мужчиной или
женщиной. Но что если добавить такой фактор, как длина волос? Вы можете
оценить вероятность наличия длинных волос как 35 процентов у населения в
целом; но если рассматривать только женскую часть населения, вероятность
повышается до 60 процентов. Если процент настолько высок у женского на­
селения вопреки априорной вероятности, то такой алгоритм машинного обуче­
ния, как наивный байесовский классификатор (NaYve Bayes), потребует ввода,
указывающего длину волос человека.
Фактически алгоритм наивного байесовского классификатора использует
в своих интересах факт увеличения шанса правильного прогноза при знании
обстоятельств, сопутствующих прогнозу. Все началось с преподобного Томаса
Байеса (Reverend Bayes) и его революционной теоремы вероятностей. Как уже
упоминалось в книге, в его честь названа одна из научных школ машинного
обучения. Для решения задач байесианцы используют различные статистиче­
ские методы на основании наблюдения вероятностей желательного результата
в правильном контексте до и после наблюдения самого результата. На осно­
вании этих наблюдений они решают задачу восхода солнца (оценка вероят­
ности, что солнце завтра взойдет) регулярными наблюдениями и непрерывной
модификацией их оценки вероятности восхода солнца, повышающейся про­
порционально количеству засвидетельствованных длин последовательностей
рассветов. Вы можете почитать о рассуждении байесианцев относительно но­
ворожденного ребенка, наблюдающего восход солнца, на сайте Economist по
адресу http: / / www.economist.com/node/382968.
У аналитиков данных есть большие ожидания в области разработки усо­
вершенствованных алгоритмов на основании вероятности Байеса. Журнал
Technology Review Массачусетсского технологического института упоминает
машинное обучение Байеса как новую технологию, способную изменить мир
(http://w w w 2.tech nologyreview .com /n ew s/401775/10-em ergin gtech n olog ie s - t h a t - w i ll- c h a n g e - t h e /). И все же основы теоремы Байеса не столь
сложны (хотя они могут быть немного интуитивно непонятны, если вы обыч­
но мыслите, как и большинство людей, только априорными вероятностями, не
учитывая имеющийся опыт).

Теорема Байеса

Томас Байес был не только священником в пресвитерианской церкви, но
также статистиком и философом, сформулировавшим свою теорему в первой
половине XVIII века. При его жизни эта теорема никогда не публиковалась, но
впоследствии она сделала революцию в теории вероятности, введя понятие
условной вероятности, упомянутой в предыдущем разделе. Благодаря теореме
Байеса прогноз вероятности того, что человек является мужчиной или жен­
щиной, становится более простым, если есть доказательство, что у человека
длинные волосы. Вот формула, используемая Томасом Байесом:
Р (В |Е ) = Р (Е |В) *Р (В) / Р (Е)

о
ЭАПОМНИ1

Преподобный Байес не разрабатывал наивный байесовский класси­
фикатор; он только сформулировал теорему. По правде говоря, ника­
кого точного определения этого алгоритма нет. Впервые он появился
в книге 1973 года безо всякой ссылки на его создателя и оставался
незамеченным более десятилетия, до 1990 года2, когда исследовате­
ли обратили внимание на то, с какой невероятной точностью он вы­
полняет прогнозы, если предоставить ему достаточно много точных
данных. Применение этой формулы к предыдущему примеру в каче­
стве ввода может дать лучшее представление об этой малопонятной
в противном случае формуле.
)> Р(В|Е). Вероятность веры (В) при данном наборе доказательств (Е)
(апостериорная вероятность). Считайте веру (belief) альтернатив­
ным выражением гипотезы. В данном случае гипотеза — это то, что
человек — женщина, а доказательство — длинные волосы. Знание
вероятности веры способно помочь прогнозировать пол человека
с некой уверенностью.
»

Р(Е|В). Вероятность наличия длинных волос, когда человек — жен­
щина. Этот термин относится к вероятности доказательства в под­
группе, которая сама является условной вероятностью. В данном
случае примерно 60 процентов, что преобразуется в значение 0,6 в
формуле (априорная вероятность).

»

Р(В). Общая вероятность того, что человек — женщина, т.е. апри­
орная вероятность веры. В данном случае вероятность составляет
50 процентов, или значение 0,5 (вероятность).

}> Р (Е). Общая вероятность наличия длинных волос. Это другая апри­
орная вероятность, на сей раз связанная с наблюдаемым доказа­
тельством. Это 35-процентная вероятность, которая в формуле яв­
ляется значением 0,35 (доказательство).
2 См. лучше https://ru.wikipedia.org/wiki/TeopeMa_Baifeca. — Примеч. ред.

190

ЧАСТЬ 3 Программно-ориентированные приложения...

Если решить приведенную выше задачу, используя ее значения и формулу
Байеса, получится результат 0, б * 0,5 / 0, 35 = 0,857. Это высокий процент от
вероятности, позволяющий утверждать, что при данных обстоятельствах чело­
век, вероятно, является женщиной.
Другим наиболее популярным примером, способным открыть некоторым
глаза и обычно приводимым в учебниках и научных журналах, является при­
мер положительного медицинского анализа. Он весьма интересен для лучшего
понятия того, как априорные и апостериорные вероятности могут действитель­
но существенно изменяться в зависимости от обстоятельств.
Скажем, вы обеспокоены тем, что могли заболеть очень редкой болезнью,
встречающейся у 1 процента населения. Вы сдаете анализ, и результат поло­
жительный. Медицинские анализы никогда не бывают совершенно точными,
и в лаборатории вам говорят, что, когда дело плохо, анализ положителен в
99 процентах случаев, тогда как если вы здоровы, анализ будет отрицательным
в 99 процентах случаев. Теперь, уже имея представление, вы сразу полагаете,
что дело плохо, с учетом весьма высокого процента положительного результа­
та, когда человек действительно болен (99 процентов). Однако действитель­
ность совершенно иная. В данном случае теорема Байеса применима следую­
щим образом:
»

0,99 = Р(Е|В)

»

0,01 = Р(В)

»

0,01 * 0,99 + 0,99 * 0,01 = 0,0198 = Р(Е)

Вычисление дает 0,01*0, 99/0,0198 = 0,5, что соответствует только 50-процентной вероятности заболевания. В конце концов, ваши шансы не быть боль­
ным куда больше, чем вы ожидали. Возникает вполне резонный вопрос, как
это так? Факт в том, что количество людей, видящих положительный результат
анализа, таков.
»

Действительно больные и получающие правильный результат
анализа. Эта группа действительно позитивна, и она составляет
99 процентов больных от 1 процента всего населения.

»

Здоровые, получившие неправильный результат анализа. Эта
группа составляет 1 процент от 99 процентов людей, получивших
позитивный результат, даже при том что они не больны. И снова, это
умножение 99 процентов и 1 процента. Эта группа соответствует
ошибочно позитивным.

Если взглянуть на проблему с этой точки зрения, становится очевидным,
почему. Ограничив контекст людьми, получившими положительный результат
ГЛАВА 10

Машинное обучение в искусственном интеллекте

191

анализа, можно сказать, что есть вероятность оказаться в группе истинно по­
ложительных, но с той же вероятностью можно оказаться и в группе ошибочно
положительных.

Представление реального мира как графа
Теорема Байеса может помочь рассчитать, с какой вероятностью произойдет
некое событие в определенном контексте, на основании общей вероятности са­
мого факта и исследованных доказательств совместно с вероятностью доказа­
тельств данного факта. Иногда одна часть доказательства уменьшает сомнения
и обеспечивает достаточную уверенность в прогнозе, чтобы нечто гарантиро­
вать. Как истинный детектив, чтобы достигнуть уверенности, вы должны со­
брать в своем расследовании больше доказательств и заставить отдельные части
сложиться вместе. Обратите внимание, что факта наличия у человека длинных
волос недостаточно, чтобы утверждать, что человек является женщиной или
мужчиной. Но дополнительные данные о росте и весе вполне могут повысить
уверенность.
Алгоритм наивного байесовского классификатора позволяет упорядочить
все собранные доказательства и достичь более обоснованного прогноза с более
высокой вероятностью правильности. Полученное доказательство, рассматри­
ваемое отдельно, не может предохранить вас от риска неправильного предска­
зания, но суммирование всех доказательств позволяет достичь более категори­
ческого результата. Следующий пример демонстрирует, как работает наивный
байесовский классификатор. Это известная задача, но она демонстрирует виды
возможностей, которых можно ожидать от искусственного интеллекта. Набор
данных взят из статьи Джона Росса Квинлана (John Ross Quinlan) “Induction of
Decision Trees” (h ttp s://d l.a c m .o r g /c ita tio n .c fm ? id = 6 3 7 9 6 9 ). Квинлан —
программист, участвовавший в разработке другого фундаментального алгорит­
ма машинного обучения, деревьев решений, но его пример хорошо применим
для алгоритмов обучения любых видов. Задача требует, чтобы искусственный
интеллект предложил наилучшие погодные условия для игры в теннис. Квин­
лан описал следующий набор возможностей.
»

Метеоусловия. Солнечно, пасмурно или дождь.

»

Температура. Холодно, умеренно или жарко.

»

Влажность. Высокая или нормальная.

»

Ветер. Есть или нет.

В следующей таблице содержатся записи базы данных, используемые для
примера.

Метеоусловия

Температура

Влажность

Ветер

Можно ли играть

Солнечно

Жарко

Высокая

Нет

Нельзя

Солнечно

Жарко

Высокая

Есть

Нельзя

Пасмурно

Жарко

Высокая

Нет

Можно

Дождь

Умеренно

Высокая

Нет

Можно

Дождь

Холодно

Нормальная

Нет

Можно

Дождь

Холодно

Нормальная

Есть

Нельзя

Пасмурно

Холодно

Нормальная

Есть

Можно

Солнечно

Умеренно

Высокая

Нет

Нельзя

Солнечно

Холодно

Нормальная

Нет

Можно

Дождь

Умеренно

Нормальная

Нет

Можно

Солнечно

Умеренно

Нормальная

Есть

Можно

Пасмурно

Умеренно

Высокая

Есть

Можно

Пасмурно

Жарко

Нормальная

Нет

Можно

Дождь

Умеренно

Высокая

Есть

Нельзя

Возможность играть в теннис зависит от четырех аргументов, представленных
на Рис. 10.1.
/ ----------------------Л

Возможность
играть
в теннис

( Метеоусловия]

[ Температура J

Г

Влажность )

(

Ветер

)

Рис. 10.1. Модель наивного байесовского классификатора позволяет
отследить доказательства до правильного результата

Результатом этого примера обучения искусственного интеллекта является
решение о том, играть ли в теннис при данных погодных условиях (доказа­
тельство). Только метеоусловий (солнечно, пасмурно или дождливо) не будет
достаточно, поскольку температура и влажность также могут быть слишком
ГЛАВА 10

Машинное обучение в искусственном интеллекте

193

высокими или ветер может быть слишком сильным. Эти аргументы представ­
ляют реальные условия, у которых есть несколько причин или причины кото­
рых взаимосвязаны. Алгоритм наивного байесовского классификатора прекра­
сен, когда справедливо предполагается наличие нескольких причин.
Алгоритм вычисляет балл на основании вероятности принятия конкретного
решения, умноженной на вероятность доказательства, связанного с этим ре­
шением. Например, чтобы принять решение, играть ли в теннис, когда погода
солнечная, но ветер силен, алгоритм вычисляет балл для положительного от­
вета, умножая общую вероятность игры (9 сыгранных игр из 14 начатых) на
вероятность того, что день был солнечным (2 из 9 сыгранных игр) и наличия
ветра при игре в теннис (3 из 9 сыгранных игр). Те же самые правила примени­
мы и в негативном случае (у которого другие вероятности для отказа от игры
при данных конкретных условиях).
вероятность игры:
вероятность отказа

9/14 * 2/9 * 3/9 = 0,05
от игры: 5/14 * 3/5 * 3/5 = 0,13

Поскольку балл для вероятности выше, алгоритм решает, что при таких ус­
ловиях лучше не играть. Эта вероятность вычисляется суммированием двух
баллов и делением обоих баллов на их сумму:
вероятность игры:
вероятность отказа

0,05 / (0,05 + 0,13) = 0,278
от игры: 0,13 / (0,05 + 0,13) = 0,722

Используя байесовскую сеть, состоящую из графов, представляющих вза­
имосвязь событий, наивный байесовский классификатор можно дополнять и
далее, чтобы представлять куда более сложные отношения, чем набор факто­
ров, которые и так намекают на вероятный результат. У байесовских графов
есть узлы, представляющие события, и дуги, представляющие связь данного
события с другими, а также таблицы условных вероятностей, описывающих
эти связи в терминах вероятности. На Рис. 10.2 представлен известный пример
байесовской сети, взятый из академической статьи “Local computations with
probabilities on graphical structures and their application to expert systems” Сте­
фана Л. Лауритцена (Steffen L. Lauritzen) и Дэвида Спиегелхолтера (David J.
Spiegelhalter) в журнале Journal o f the Royal Statistical Society за 1988 год
(см. https://www.jstor.org/stable/2345762).
Представлена сеть Азия (Asia). Она демонстрирует возможные состояния
пациента и их причины. Например, если у пациента одышка, это может быть
симптомом туберкулеза, рака легких или бронхита. Знание, курит ли пациент,
был ли в Азии и имеет ли аномалии на рентгеновских снимках (придающее
уверенность определенным частям доказательства априорно, на языке Байеса),
позволяет вычислить реальные (апостериорные) вероятности наличия в графе
любой из патологий.

Р ис. 10.2. Б а й е с о в с к а я с е т ь с п о с о б н а п р е д о с т а в и т ь м е д и ц и н с к о е р е ш е н и е

В основе байесовских сетей, несмотря на их интуитивную понятность, ле­
жит сложный математический механизм, они куда мощнее простого алгоритма
наивного байесовского классификатора, поскольку подражают реальности как
последовательности причин и следствий на основании вероятностей. Байе­
совские сети настолько эффективны, что вы можете использовать их для мо­
делирования любой ситуации. Они применяются для множества целей, таких
как медицинская диагностика, обработка неполных данных, поступающих от
нескольких сенсоров, экономическое моделирование, а также контроль таких
сложных систем, как автомобиль. Например, поскольку вождение в напря­
женной дорожной обстановке подразумевает сложные ситуации с участием
многих транспортных средств, консорциум Analysis of Massive Data STreams
(AMIDST) в сотрудничестве с автомобилестроительной компанией Daimler
разработал байесовскую сеть, способную распознавать маневры транспортных
средств и повышать безопасность.

195

Рост деревьев, способных классифицировать
Дерево решений (decision tree) — это другой тип ключевого алгоритма ма­
шинного обучения, влияющий на реализацию искусственного интеллекта
и обучения. Алгоритмы дерева решений не новы, их история действительно
длинна. Первый такой алгоритм относится к 1970-м годам (со многими после­
дующими вариантами). Когда рассматриваешь первые эксперименты и ориги­
нальное исследование по использованию деревьев решений даже в прошлом,
они весьма впечатляют. В качестве базового алгоритма символистов деревья
решений давно популярны, поскольку интуитивно понятны. Он просто преоб­
разует вывод в правила, а потому сделать вывод понятым людям довольно лег­
ко. Кроме того, деревья решений чрезвычайно удобны. Все эти характеристики
делают их эффективными и легко реализуемыми при создании моделей, тре­
бующих сложных входных преобразований матрицы данных или чрезвычайно
точной настройки гиперпараметров.

ЗАПОМНИ!

Символизм (symbolism) — это подход к созданию искусственного
интеллекта на базе логических операторов и широкого применения
дедукции. Дедукция (deduction) развивает знание от того, что уже
известно, а индукция (induction) формулирует общие правила, начи­
нающиеся с доказательства.

Предсказание результатов при разделении данных
Если есть группа показателей и вы хотите описать ее, используя одно чис­
ло, то вы используете среднее арифметическое значение (сумму всех пока­
зателей, деленную на их количество). Точно так же, если у вас есть группа
классов или качеств (например, набор данных, содержащий записи о мно­
жестве пород собак или типов товаров), чтобы представить все классы груп­
пы, вы можете использовать класс, встречающийся в группе наиболее часто,
т.е. моду. Мода (mode) — это такой же статистический показатель, как и сред­
нее значение, но он содержит конкретное значение (показатель или класс),
встречающееся чаще всего. И среднее значение, и мода стремятся выразить
число или класс, предоставляющий наиболее вероятный следующий элемент
группы, поскольку его предположение дает наименьшее количество ошибок.
В некотором смысле это предсказание на основании изучения существующих
данных. Деревья решений манипулируют средними значениями и модами как
прогнозами при разделении набора данных на меньшие наборы, средние зна­
чения или моды которых являются наилучшими возможными прогнозами для
текущей проблемы.

СОВЕТ

Разделение проблемы на меньшие задачи для облегчения поиска ре­
шения является весьма популярной стратегией многих алгоритмов
наподобие разделяй и властвуй. Это как с враждебными странами:
если удастся натравить их одна на другую, можно завоевать обе с
минимумом усилий.

Используя как отправную точку выборку наблюдений, алгоритм выводит
правила, создавшие выходные классы (или числовые значения при решении
задачи регрессией) за счет разделения исходной матрицы на все меньшие и
меньшие части, пока процесс не выработает правило для остановки. Такое вос­
создание от частностей к общим правилам типично для человеческой обратной
дедукции, проистекающей из логики и философии.

ЭАПОМНИ1

В контексте машинного обучения такое инверсное рассуждение до­
стигается за счет поиска среди всех возможных путей разделения
обучения на выборки и решения, жадным способом, использовать
ли разделение, максимизирующее статистические показатели в ре­
зультирующем разделении. Алгоритм считается жадным (greedy),
если он всегда решает максимизировать результат на текущем этапе
процесса оптимизации, независимо от того, что может случиться на
следующих этапах. В результате жадный алгоритм не может достичь
глобальной оптимизации.

Разделение осуществляется для приведения в действие простого принци­
па: каждое разделение начальных данных должно упростить предсказание ре­
зультата, характеризующееся другим, более благоприятным распределением
классов (или значений), чем исходная выборка. Алгоритм создает разделение,
разделяя данные. Разделение данных он определяет первой оценкой возмож­
ностей. Затем он вычисляет значения и возможности, способные обеспечить
максимальное улучшение некого статистического показателя, т.е. показателя,
играющего роль функции стоимости в дереве решений.
Решение о разделении в дереве решений принимается на основании мно­
жества статистических показателей. При этом разделение всегда должно изме­
нять к лучшему исходную выборку или другое возможное разделение, чтобы
сделать прогноз более достоверным. Среди показателей наиболее популярны­
ми являются индекс Джини (gini impurity), прирост информации (information
gain) и снижение дисперсии (variance reduction) (для регрессионных задач).
Эти показатели работают практически одинаково, поэтому данная глава со­
средоточивается на приросте информации, поскольку это наиболее интуитив­
но понятный показатель, вполне позволяющий продемонстрировать, как де­
рево решений способно повысить достоверность прогноза (или снизить риск)

ГЛАВА10 Машинное обучение в искусственном интеллекте

197

самым простым способом для некого разделения. Росс Квинлан создал алго­
ритм дерева решений на основании прироста информации (ID3) в 1970-х го­
дах, но он все еще весьма популярен благодаря своей недавно улучшенной
версии С4.5. Прирост информации полагается на формулу для информативной
энтропии (найдена американским математиком и инженером Клодом Шенно­
ном (Claude Shannon), известным как отец теории информации), обобщенная
формулировка которой описывает ожидаемое значение от информации, содер­
жавшейся в сообщении:
Энтропия Шеннона Е = - £ (р(i ) * l o g 2 (р(i )))

В формуле все классы учтены по одному, вы суммируете результат ум­
ножения каждого из них. При умножении каждый класс должен дать
р (i ) — вероятность для данного класса (выраженная в диапазоне от 0 до
1) и 1од2 — логарифм по основанию 2. Начнем со случая, когда необходи­
мо классифицировать два класса, имеющих одинаковую вероятность (рас­
пределение 50/50). Максимально возможная энтропия составит Энтропия =
- 0 , 5*1од2 (0,5) - 0 , 5*1од2 (0,5) = 1,0, Но когда алгоритм дерева решений об­
наруживает возможность разделить набор данных на два, где распределение
двух классов составит 40/60, средняя информативная энтропия уменьшается:
Энтропия = - 0 , 4*1од2(0,4) - 0 , 6*1од2(0,6) = 0,97

Обратите внимание на сумму энтропии для всех классов. При распределе­
нии 40/60 сумма оказывается меньше теоретического максимума 1 (снижение
энтропии). Считайте энтропию мерой беспорядочности данных: чем мень­
ше беспорядка, тем больше порядка и тем проще предположить правильный
класс. После первого разделения алгоритм пытается разделить полученные
части далее, используя ту же самую логику снижения энтропии. Это последо­
вательно разделяет все получаемые фрагменты данных до тех пор, пока даль­
нейшее деление не окажется невозможным, поскольку подвыборка сведется к
одиночному примеру или будет удовлетворено правило остановки.
Правило остановки (stopping rule) ограничивает развитие дерева. Эти пра­
вила работают с учетом трех аспектов разделения: размер исходного раздела,
размер результирующего раздела и прирост информации, достигнутый раз­
делением. Правила остановки важны, поскольку алгоритмы дерева решений
аппроксимируют большое количество функций; но искажения и ошибки в дан­
ных могут легко повлиять на этот алгоритм. Следовательно, в зависимости от
выборки неустойчивость и дисперсия результирующих оценок влияют на про­
гнозы дерева решений.

Принятие решений на основании деревьев
В качестве примера использования дерева решений в данном разделе ис­
пользуется тот же самый набор данных Росса Квинлана, который обсуждался
ранее, в разделе “Представление реального мира как графа”. Используя этот
набор данных, можно продемонстрировать и описать алгоритм ID3 — специ­
альный вид дерева решений, опубликованный в статье “Induction of Decision
Trees”, упоминавшейся ранее в этой главе. Набор данных очень прост, он со­
стоит всего из 14 наблюдений погодных условий, результаты которых указыва­
ют, имеет ли смысл играть в теннис.
Пример содержит четыре возможности: метеоусловия, температура, влаж­
ность и ветер, выражаемые с использованием качественных классов вместо
показателей (температуру, влажность и силу ветра можно выразить и в цифро­
вой форме), чтобы в более понятной форме объяснить влияние погоды на ре­
зультат. После обработки этих возможностей алгоритмом набор данных можно
представить в виде древовидной структуры, показанной на Рис. 10.3. Рисунок
демонстрирует, что вы можете просмотреть и прочитать набор правил разде­
ления набора данных для создания частей, прогнозы для которых проще при
поиске класса, встречающегося чаще (в данном случае результатом является
игра в теннис).

Сда)

Метеоусловия =
Солнечно,Дождливо [нёт]

Влажность = Высокая
4 случая

Ветер = Сильный

Метеоусловия = Солнечно

3 случая

1 случай

1 случай

1 случай

1 случай

Рис. 10.3. Визуализация дерева решений, созданного для данных
примера игры в теннис

Чтение узлов дерева начинается с верховного узла, соответствующего ис­
ходным учебным данным; затем читайте правила. Обратите внимание, что у
каждого узла есть два последствия: левая ветвь означает, что правило выше
истинно (надпись “Да” в прямоугольнике), а правая означает, что оно ложно
(надпись “Нет” в прямоугольнике).
Справа от первого правила находится важное конечное правило (конечный
лист), объявляющее о положительном результате (Да) который вы можете
прочитать как play tennis=True. Согласно этому узлу, когда погода солнечная
(Солнечно) или дождливая (Дождливо), играть можно. (Числа ниже конечного
листа отмечают четыре случая, подтверждающих это правило и нуль отказов.)
Обратите внимание, что правило можно было бы понять лучше, если бы вывод
просто гласил, что при пасмурной погоде игра возможна. Зачастую правила
дерева решений не являются непосредственно пригодными для использования,
их следует предварительно интерпретировать. Однако они однозначно понят­
ны (и намного лучше, чем коэффициент вектора значений).
Слева дерево продолжается другими правилами, связанными с влажнос­
тью. Далее слева, когда влажность высока и погода солнечна, большинство
конечных листьев содержит отказ, кроме тех случаев, когда ветер не силен.
Когда вы исследуете ветви справа, вы видите, что дерево прогнозирует воз­
можность игры всегда, когда ветер не сильный или когда ветер сильный, но не
идет дождь.

Отсечение переросших деревьев
Хотя набор данных для игры в теннис из предыдущего раздела иллюстри­
рует подробности дерева решений, у него практически нет проблем, посколь­
ку он предлагает набор детерминированных действий (т.е. у него нет никаких
противоречивых инструкций). При обучении на реальных данных таких одно­
значных правил обычно не бывает, поэтому имеют место неоднозначности и
вероятности желаемого результата.
У деревьев решений бывает и больше вариаций, чем пристрастия при оцен­
ках. Чтобы пример меньше зависел от данных, установим, что минимальное
разделение должно задействовать по крайней мере пять примеров; это также
сократит дерево. Отсечение применяется, когда дерево становится слишком
большим.
Начиная с листьев, пример сокращает ветви дерева, обеспечивая неболь­
шое преимущество за счет сокращения прироста информации. Вначале дере­
ву разрешают развертывать ветви при небольших преимуществах, поскольку
они могут открыть более интересные ветви и листья. Проход от листьев к

корню и сохранение только тех ветвей, которые имеют значение для прогноза,
ограничивает дисперсию модели, делая результирующие правила более одно­
значными.

О
С0ВЕТ

Отсечение в дереве решений напоминает коллективное обсуждение.
Сначала код создает все возможные ветвления дерева (как с идеями при мозговом штурме). Затем, когда обсуждение заканчивается,
остается только то, что действительно может работать.

Глава 11

шшшшяшшшш

Усиление
искусственного
интеллекта глубоким
обучением
В ЭТОЙ ГЛАВЕ...
» Сначала был ограниченный перцептрон
» Получение стандартных блоков нейронной сети
и обратное распространение ошибки
» Восприятие и распознавание объектов в образах
с использованием сверточности
» Последовательности и их получение с использованием RNN
» Признаки творчества со стороны искусственного
интеллекта благодаря GAN

азеты, бизнес-журналы, социальные сети и не технические веб-сайты —
все говорят одно и то же: искусственный интеллект — интересный мате­
риал, и он изменит мир благодаря глубокому обучению. Искусственный
интеллект — это намного более широкое поле, чем машинное обучение, а глу­
бокое обучение — лишь небольшая часть машинного обучения.

Г

Важно распознавать обман, которым обычно соблазняют инвесторов, и
представлять себе реальные возможности этой технологии, в чем, собствен­
но, и заключается задача этой главы. В статье https: //blogs.nvidia.com/
blog/2016/07/29/whats-difference-artificial-intelligence-machinelearning-deep-learning-ai/ сравниваются роли трех методов манипулиро­

вания данными (искусственный интеллект, машинное обучение и глубокое об­
учение), рассматриваемыми в этой главе.
Глава поможет понять, что такое глубокое обучение с практической и тех­
нической точек зрения, чего оно может достичь в ближайшем времени благо­
даря его возможностям и ограничениям. Глава начинается с истории и основ
нейронных сетей. Затем она знакомит с ультрасовременными результатами
сверточных нейронных сетей, рекуррентных нейронных сетей (обе — контро­
лируемого обучения) и генеративно-состязательных сетей (своего рода некон­
тролируемое обучение).

Формирование нейронных сетей,
подобных человеческому мозгу
В следующих разделах вы познакомитесь с семейством алгоритмов обу­
чения, черпающих вдохновение из работы человеческого мозга. Речь идет о
нейронных сетях — базовом алгоритме научной школы коннекционистов, наи­
лучшим образом подражающем нейронам внутри человеческого мозга, но в
меньшем масштабе.

о
ЗАП0МНИ1

Коннекционизм (connectionism) — способ машинного обучения на
базе неврологии, а также хороший пример биологически подобных
сетей.

Знакомство с нейронами
Мозг человека содержит миллионы нейронов, представляющих собой спе­
циализированные клетки, способные получать, обрабатывать и передавать
электрические и химические сигналы. Каждый нейрон обладает ядром с нитя­
ми, осуществляющими обмен данными: дендриты (dendrite) получают сигна­
лы от других нейронов, а единственная нить вывода, аксон (axon), завершается
синапсами, предназначенными для внешних коммуникаций. Нейроны соеди­
няются и передают информацию между собой, используя химические вещес­
тва, но в самом нейроне информация обрабатывается электрически. Больше о
нейронной структуре можно прочитать по адресу https : //www. dummies.сот/

ГЛ УБО КО Е О БУЧ ЕН И Е КАК П О Д КРЕП Л ЕН И Е
В главе 10 обсуж даю тся б ай есо в ски е сети и дем о н стр ир уется прим ер того,
как подобные сети способны давать врачу советы при ди агности ке. Для этого
байесовская сеть тр ебует хорош о подготовленны х зар ан ее данны х о вероят­
ности. Глубокое обучение позволяет переки н уть м о ст между возмож ностью
алгоритм ов вырабаты вать наилучш ие возможные реш ения, используя все
необходимы е данны е, и теми данными, которые фактически доступны , а они
редко бывают в формате, понятном алгоритмам м аш инного обучения. Ф ото­
графии, образы , звуковы е записи, данны е из веба (особенно из социальны х
сетей) и записи компаний — все они требуют, чтобы анализ данны х предвари­
тельно преобразовал их в подходящий формат.
Будущий алгоритм глубокого обучения вполне мож ет сущ еств ен н о помочь
врачам, применяя обш ирны е м едицинские знания (из всех доступны х источ­
ников, включая книги, официальны е документы и последние м едицинские ис­
следования) к информации о пациенте. Информация о пациенте, в свою о ч е ­
редь, может со сто я ть из предыдущ их диагнозов, выписанных р ан ее лекарств
и даже из публикаций в социальны х сетях (чтобы врач невыспраш ивал, был
ли пациент, наприм ер, в Азии, искусственны й интеллект просм отрит его фото­
графии в Instagram или Facebook). Это может показаться фантастикой, но соз­
д ан ие такой системы почти возможно уже сегодня. Например, искусственны й
и нтеллект глубокого обучения уже сп о собен д и агн о сти ро в ать пневмонию по
рентгеновском у сним ку даж е лучш е практикую щ его рентгенолога благодаря
стэнф ордской груп п е м аш инного обучения Stanford M achine Learning G roup

(https://stanfordmlgroup.github.io/projects/chexnet/).
Глубокое обучение уж е п ри сутствует во многих приложениях. Его можно найти
в социальны х сетях, при автом атической классификации образов и содерж и­
мого; в поисковых механизмах, при получении запросов; в сетевой рекламе,
при выявлении возможных потребителей; в мобильных телеф онах и цифровых
помощниках, для распознавания речи или перевода; в беспилотны х автомо­
билях, для наблюдения окружаю щей обстановки; а такж е в игре A lphaG o про­
тив чемпиона. М енее ш ироко известны такие области прим енения глубокого
обучения, как робототехника и про гн о зир о ван ие зем летрясений. Вы могли
бы такж е найти полезными такие приложения, к а к Т т Е у е

сот/): вы

(https://ti.neye.

п р ед оставляете TinEye образ, а она сама находит его в Интернете.

education/science/biology/whats-the-basic-structure-of-nerves/ или в
книге Neuroscience For Dummies Фрэнка Амтора (Frank Amthor).
Обратное проектирование обработки сигналов мозгом помогает коннекционистам создавать нейронные сети по аналогии с биологическими, и для их
ГЛАВА 11

Усиление искусственного интеллекта глубоким обучением

205

компонентов используются такие неврологические термины, как “нейроны”,
“активизация” и “соединения”, равно как и для математических операций.
Если проверить математические формулировки, то компоненты нейронных
сетей напоминают не более чем последовательности суммирований и умноже­
ний. Но все же эти алгоритмы очень эффективны при решении сложных задач,
таких как распознавание образов и звуков, а также машинный перевод. Ис­
пользуя специализированные аппаратные средства, они способны вычислять
результат очень быстро.

Сначала был чудесный перцептрон
Базовый алгоритм нейронной сети — это нейрон (neuron), он же модуль
(unit). Множество нейронов, упорядоченных во взаимосвязанной структуре,
составляют нейронную сеть, в которой каждый нейрон связан с вводами и вы­
водами других нейронов. Таким образом, нейрон может получать исходные
данные от одних нейронов и передавать результаты другим в зависимости от
своего расположения в нейронной сети.
Несколько десятилетий назад Фрэнк Розенблатт (Frank Rosenblatt) из Корнеллской лаборатории аэронавтики создал первый экземпляр нейрона этого
вида — перцептрон (perceptron). Он разработал его в 1957 году при финанси­
ровании научно-исследовательской лаборатории военно-морского флота США
(Naval Research Laboratory — NRL). Розенблатт был психологом, а также пи­
онером в области искусственного интеллекта. Будучи профессионалом в когнитивистике, он предложил создать компьютер, способный учиться методом
проб и ошибок, как человек.
Перцептрон был просто интеллектуальным способом выявления черты, раз­
деляющей простое пространство, образованное двумя координатами исходных
данных (в данном случае — размер и уровень приручения животного), как по­
казано на рис. 11.1, чтобы различить два класса (собаки и кошки в данном
примере). Формулировка перцептрона дает черту в декартовом пространстве,
в котором сущности причисляются к группам более или менее отчетливо. Этот
подход подобен подходу, используемому наивным байесовским классификато­
ром, описанным в главе 10, который для классификации суммирует условные
вероятности, умноженные на общую.
Перцептрон не оправдал в полной мере ожиданий ни его создателя, ни ин­
весторов. Он продемонстрировал весьма ограниченные способности даже в
своей специализации — распознавании изображений. Общее разочарование
запустило первую зиму искусственного интеллекта и стало причиной отказа от
коннекционизма до 1980-х годов. Несмотря на потерю финансирования неко­
торые исследования все же продолжались (больше о происходившем в те вре­
мена можно узнать из статьи доктора Нильса Ж. Нильссона (Dr. Nils J. Nilsson),

ныне уволенного, но прежде профессора по искусственному интеллекту в
Стэнфорде: https://www.singularityweblog.com/ai-is-so-hot-weve-forgotten-all-about-the-ai-winter/).

РАЗМЕР

ПРИРУЧЕНИЕ
Рис. 77.7. Пример перцептрона в простых и сложных зада­
чах классификации

Впоследствии эксперты пытались создать более усовершенствованный перцептрон, и им это удалось. Нейроны в нейронной сети — это дальнейшее раз­
витие перцептрона: их много, они соединены между собой и подражают чело­
веческим нейронам, когда активизируются определенным стимулом. Наблюдая
функции человеческого мозга, ученые обратили внимание на то, что нейроны
получают сигналы, но не всегда издают собственный сигнал. Подача сигнала за­
висит от объема полученного сигнала. Когда нейрон получает достаточно много
стимулов, он производит ответ, а в противном случае молчит. Подобным об­
разом действуют и алгоритмические нейроны: после получения данных они их
накапливают и используют функцию активизации, чтобы вычислить результат.
Если полученный ввод достигает определенного порогового значения, нейрон
преобразует их и передает, а в противном случае — просто бездействует.

О
СОВЕТ

Для выработки результата нейронные сети используют специальные
функции — функции активизации (activation function). Это ключевой
компонент нейронной сети, поскольку они позволяют сети решать
сложные задачи. Они похожи на двери, позволяя передавать сигнал
Усиление искусственного интеллекта глубоким обучением

207

или не передавать. Они не просто позволяют передачу сигнала, они
преобразуют его полезным способом. Глубокое обучение, например,
невозможно без эффективных функций активизации, таких как блок
линейной ректификации (Rectified Linear Unit — ReLU), а следова­
тельно, функции активизации — это важный аспект истории.

Подражание учащемуся мозгу
В нейронной сети сначала следует рассмотреть архитектуру — расположе­
ние компонентов нейронной сети. В следующих разделах обсуждаются архи­
тектурные соображения нейронной сети.

Простые нейронные сети
В отличие от других алгоритмов, обладающих фиксированным конвейером
получения и обработки данных, нейронные сети требуют решения об инфор­
мационных потоках при фиксированном количестве модулей (нейронов) и их
распределении по уровням, чтобы получилась архитектура нейронной сети
(neural network architecture), подобная представленной на рис. 11.2.
ввод ------------------------------------ ► вывод

Рис. 11.2. Архитектура нейронной сети от ввода до вывода

На рисунке представлена простая архитектура нейронной сети. Обратите
внимание, что уровни фильтруют и обрабатывают информацию прогрессивным
способом. Это ввод с прямой подачей (feed-forward input) поскольку данные в
сеть подаются с одного направления. Модули одного уровня соединяются ис­
ключительно с модулями следующего уровня (информация течет слева напра­
во). Нет никаких соединений между модулями на одном и том же уровне или
на уровне дальше следующего. Кроме того, информация продвигается только
слева направо. Обработанные данные никогда не возвращаются к нейронам
предыдущего уровня.

Нейронная сеть похожа на многослойный фильтр для воды: вы льете воду
сверху, она фильтруется и вытекает вниз. Вода не может подняться вверх; она
движется только вниз и никогда в стороны. Точно так же нейронные сети вы­
нуждают данные течь через сеть и объединяться между собой так, как дикту­
ет архитектура сети. При использовании соответствующей архитектуры сме­
шения данных нейронная сеть создает новые составные элементы на каждом
уровне и позволяет достичь наилучших прогнозов. К сожалению, нет никакого
способа определить наилучшую архитектуру иначе как опытным путем, опро­
буя различные решения и проверяя, помогают ли выходные данные лучше про­
гнозировать ваши цели после прохода сквозь сеть.

О
СОВЕТ

Иногда концепции становятся понятнее после непосредственной
проверки на практике. Компания Google предоставляет игровую мо­
дель нейронной сети (http: //playground.tensorflow.org), позво­
ляющую на практике проверить работу нейронной сети интуитивно
понятным способом, добавляя или удаляя уровни и изменяя виды
активизации.

Раскроем секреты коэффициентов
Нейронные сети имеют несколько уровней, каждый с собственным коэффи­
циентом. Коэффициенты (weight) определяют силу связей между нейронами
в сети. Когда коэффициент связи между двумя уровнями низок, это значит,
что сеть формирует дамп значений, передаваемых между ними, а также что
следование этим маршрутом, вероятно, не будет влиять на окончательный про­
гноз. Аналогично большое положительное или отрицательное значение коэф­
фициента существенно влияет на получаемое следующим уровнем значение, а
значит, оно существенно повлияет на прогноз. Этот подход аналогичен исполь­
зуемому клетками мозга, которые работают не самостоятельно, а совместно с
другими клетками. По мере накопления опыта человеком связи между его ней­
ронами слабеют или усиливаются, активизируя или деактивируя определен­
ные фрагменты сети клеток мозга, меняя способ обработки информации или
предпринимаемое действие (например, реакция на опасность, если обработка
поступивших информационных сигналов определила ситуацию как опасную).
На каждом последующем уровне модулей нейронной сети значения, полу­
ченные от предыдущих средств, обрабатываются, как ленточный конвейер.
По мере передачи по сети данные достигают каждого модуля как некое сум­
марное значение, созданное из предыдущих значений на предыдущем уровне
с учетом коэффициента связи текущего уровня. Когда полученные от других
нейронов данные превышают определенное пороговое значение, функция ак­
тивизации увеличивает значение, хранимое в модуле; в противном случае она

гасит сигнал, снижая его. После обработки функцией активизации результат
готов для передачи по связи на следующий уровень. Эти этапы повторяются на
каждом уровне, пока значение достигнет конца, это и будет результат.
Коэффициенты связей позволяют смешивать и компоновать входные дан­
ные новым способом, создавая новые средства за счет смешения обработан­
ных входных данных творческим способом благодаря функции активизации
и коэффициентам. Кроме того, активизация осуществляет обработку нелиней­
но, обеспечивая рекомбинацию входных данных, получаемых связью. Оба эти
компонента нейронной сети позволяют алгоритму изучить сложные целевые
функции, представляющие отношения между входными средствами и резуль­
татом.

Роль обратного распространения ошибки
В процессе обучения в человеческом мозге формируются и модифициру­
ются синапсы между нейронами на основании стимулов, получаемых при на­
коплении эмпирического опыта. Нейронные сети реплицируют этот процесс
как математическую формулировку — обратное распространение ошибки
(backpropagation). Вот как эта архитектура взаимосвязанных вычислительных
модулей может решать задачи: модули получают пример и, если не делают
правильного предположения, отслеживают проблему в обратном порядке по
системе существующих коэффициентов, используя обратное распространение
ошибки, а затем устраняют ее, изменяя некоторые значения. Этот процесс мо­
жет потребовать множества итераций, прежде чем нейронная сеть обучится.
Итерации в нейронной сети называют эпохами, и это хорошее название, по­
скольку нейронной сети могут понадобиться дни или недели обучения для ре­
шения сложных задач.

@

ТЕХНИЧЕСКИЕ
ПОДРОБНОСТИ

Математика обратного распространения ошибки довольно слож­
на, она требует знания таких концепций, как производные. Более
подробная информация по этой теме приведена в книге Machine
Learning For Dummies Джона Пола Мюллера и Луки Массарона.
Концептуально обратное распространение ошибок достаточно ин­
туитивно понятно, поскольку оно напоминает то, что делают люди,
когда решают задачи методом проб и ошибок, последовательно при­
ближаясь к решению.

С момента появления алгоритма обратного распространения в 1970-х го­
дах разработчики многократно совершенствовали его и в настоящее время об­
суждают, не стоит ли его переделать. (С мнением Джеффри Хинтона (Geoffrey
Hinton), одного из соавторов метода, можно ознакомиться по адресу https://

www.axios.com/ai-pioneer-advocates-starting-over-2485537027.html).
Обратное распространение ошибки лежит в основе нынешнего Ренессанса ис­
кусственного интеллекта. В прошлом, каждое усовершенствование процесса
обучения нейронной сети вело к новым приложениям и возобновлению инте­
реса к методу. Кроме того, текущая революция глубокого обучения, привед­
шая к возобновлению работ над нейронными сетями (остановленных в начале
1990-х годов), следовала из ключевых достижений в способе, которым нейрон­
ные сети учатся на своих ошибках.

Знакомство с глубоким обучением
После обратного распространения ошибок следующее усовершенствование
нейронных сетей привело к глубокому обучению. Исследования продолжались,
несмотря на зиму искусственного интеллекта, и нейронные сети преодолели
технические проблемы, такие как исчезающий градиент, ограничивающие раз­
мерность нейронных сетей. Для решения определенных задач разработчики
нуждались в больших нейронных сетях, настолько больших, что в 1980-х годах
они были невообразимы. Кроме того, исследователи использовали в своих ин­
тересах последние достижения в разработке процессоров CPU и GPU (графи­
ческие процессоры больше известны своим применением в играх).

ТЕХНИЧЕСКИЕ
ПОДРОБНОСТИ

Исчезающий градиент (vanishing gradient) — это когда вы пытае­
тесь передать сигнал через нейронную сеть, но он быстро затухает
почти до нуля и не может больше проходить через функции акти­
визации. Это происходит потому, что в нейронной сети происходит
поэтапное умножение. Каждое умножение на значение ниже нуля
быстро уменьшает значение сигнала, а функции активизации нуж­
даются в достаточно больших значениях, чтобы позволить даль­
нейшую передачу сигнала. Чем дальше уровень нейрона от ввода,
тем выше вероятность, что он не получит дополнений, поскольку
сигнал слишком слаб и функции активизации не пропускают его.
В результате сеть прекращает обучаться вообще или учится, но не­
вероятно медленно.

Новое решение позволило избежать проблемы исчезающего градиента и
многих других технических проблем, позволив создавать большие глубокие
сети (deep network) в отличие от более простых поверхностных сетей (shallow
network) прошлого. Глубокие сети появились благодаря исследованиям уче­
ных из Университета Торонто в Канаде, таких как Джеффри Хинтон (https://

ГЛАВА 11

Усиление искусственного интеллекта глубоким обучением

211

www.utoronto.ca/news/artificialintelligence-u-t),настаивавших на про­
должении работ над нейронными сетями, даже когда казалось, что они — уже
прошлое машинного обучения.
Процессор GPU — это мощнейший блок для матричных и векторных вы­
числений, необходимых для обратного распространения ошибки. Эти техноло­
гии сделали обучение нейронных сетей вполне осуществимым за более корот­
кое время и доступным для большего количества людей. Исследование также
открыло мир новых приложений. Нейронные сети могут учиться на огромных
объемах данных и использовать в своих интересах большие данные (образы,
текст, транзакции и данные социальных сетей), создавая, таким образом, такие
модели, которые непрерывно становятся лучше, в зависимости от путей пере­
даваемых им данных.
Новые тенденции определяют крупные игроки, такие как Google, Facebook,
Microsoft и IBM, и с 2012 года они начали приобретать компании и нанимать
экспертов (сейчас Хинтон работает в Google; Лекун, создатель сверточных
нейронных сетей, возглавляет исследования искусственного интеллекта в
Facebook) в новых областях глубокого обучения. Проект Google Brain реали­
зовали Эндрю Ын и Джефф Дин (Jeff Dean), соединившие 16 тысяч компьюте­
ров, чтобы создать сеть глубокого обучения с более чем миллиардом коэффи­
циентов, обеспечив, таким образом, неконтролируемое обучение из видео на
YouTube. Компьютерная сеть могла даже различать котов безо всякого челове­
ческого вмешательства (об этом можно прочитать в статье от Wired на страни­
це https://www.wired.com/2012/06/google-x-neural-network/).

Различия в глубоком обучении
Глубокое обучение может показаться просто большой нейронной сетью,
выполняющейся на большем количестве компьютеров. Другими словами, это
только математика и прорыв вычислительных технологий, который сделал та­
кие большие сети возможными. Однако глубокое обучение — это, несомненно,
качественное изменение по сравнению с поверхностными нейронными сетями.
Это куда больше, чем просто смещение парадигмы. Глубокое обучение смести­
ло парадигму машинного обучения со средств создания (средств, упрощающих
обучение и выполняющих предварительный анализ используемых данных) к
средствам обучения (автоматически создаваемым сложным средствам на осно­
вании фактических средств). Такой аспект не мог быть определен на меньших
сетях, но становится очевидным при использовании множества уровней ней­
ронной сети и больших объемов данных.
Рассматривая глубокое обучение, можно с удивлением обнаружить множес­
тво старых технологий, но еще удивительнее то, что все работает как никогда

П РО БЛ ЕМ Ы ГЛ УБО КО ГО О БУЧ ЕН И Я
При нынешнем положении дел у людей слож илось нереальное представление
о том, как глубокое обучение может помочь общ еству в целом. Вы видите, что
прилож ение глубокого обучения побеж дает кого-то в ш ахматах и думаете, что
если они способны на эту дей стви тельно удивительную вещь, то на какие ещ е
удивительны е вещи они способны ? Проблема в том, что в глубоком обучении
не очень хорош о разбираю тся даже его сторонники. В технических изданиях о
глубоком обучении авторы нередко описывают организованны е в сеть уровни
обработки тум анно, без каких-либо объ яснений ф актически происходящ его
в каждой из этих коробок. Главное — помнить, что даже глубокое обучение
фактически ничего не понимает. О н о использует огромны е массивы примеров,
чтобы получить статистически обоснованное соответствие шаблону, и исполь­
зует м атем атические принципы. Когда искусственны й интеллект выигрывает
игру, подразумеваю щ ую дей стви я в лабиринте, понятия о л абиринте он не
имеет; он про сто знает, что определенны е входные данны е при обработке не­
кими способам и создаю т о пределенны е выходные данные, ведущ ие к победе.
В отличие о т людей, глубокое обучение должно полагаться на огром ны е ко­
личества примеров, чтобы выявить конкретны е отнош ения между вводом и
выводом. Если вы скаж ете ребенку, что все люди от одного возраста до другого
(уже не ребенок, но ещ е не взрослый) являются подростками, то ребенок будет
в состоянии расп ознать любого соответствую щ его этой категории с высоким
процентом точности, даже если это соверш ен н о чужой человек. Для реш ения
той же задачи глубокое обучение требовало бы специального обучения, и его
будет довольно про сто ввести в заблуж дение, поскольку отсутствовавш ие в
его практике примеры ем у непонятны.
Люди способны такж е создавать иерархии знаний безо всякого обучения. На­
пример, без больш ого усилия понятно, что собаки и коты — это животные. Кро­
ме того, зная, что собаки и коты — это животные, человек может легко сделать
скачок и увидеть други х ж ивотных как животных даж е без специф ического
обучения. Глубокое обучение требовало бы отдельного обучения по каждому
объекту, который является животным. Короче говоря, глубокое обучение не
может п ер ен ести то, что оно знает, на др уги е ситуации, как люди.
Даже при этих ограничениях глубокое обучение — это удивительный, но не
единственны й инструм ент в ар сен але и скусственного интеллекта. Наилучший
способ прим енения этой технологии — поиск неочевидных людям ш аблонов.

Шаблоны (pattern) — это основной элем ент обнаруж ения чего-то нового. На­
пример, люди довольно давно борю тся с раком. Выявление глубоким обуче­
нием неочевидных людям шаблонов может стать серьезны м шагом к реш ению
с куда меньш ими усилиями, что очень нужно людям.

213

прежде. Поскольку исследователи, наконец, сумели заставить сотрудничать
некоторые простые, но очень хорошие решения, появилась возможность ав­
томатически фильтровать, обрабатывать и преобразовывать большие данные.
Например, такие новые активизации, как ReLU, не так уж и новы; они были
известны еще со времен перцептрона. Кроме того, возможности по распознава­
нию образов, сделавшие глубокое обучение столь популярным, тоже не новы.
Первоначально глубокое обучение получило хороший толчок благодаря свер­
точным нейронным сетям (Convolutional Neural Network — CNN), открытым
в 1980-х годах французским ученым Яном Лекуном (Yann LeCun) (чья личная
домашняя страница находится по адресу http://yann.lecun.com/).Такие сети
и сейчас дают удивительные результаты, поскольку используют много уровней
нейронов и много данных. То же самое относится к технологии, позволяющей
машине понимать человеческую речь или переводить с одного языка на дру­
гой; этим технологиям уже десятилетия, но исследователи вернулись к ним в
новой парадигме глубокого обучения.
Конечно, часть различий относится также к данным (подробности — далее),
улучшению применения GPU и работе с компьютерными сетями. Вместе
с параллелизмом (много собранных в кластеры компьютеров, работающих
параллельно), GPU позволяют создавать большие сети и успешно обучать их
на большом количестве данных. Фактически процессоры GPU выполняют
определенные операции примерно в 70 раз быстрее любого процессора CPU,
позволяя сократить время обучения нейронных сетей с недель до дней или
даже часов.

ТЕХНИЧЕСКИЕ
ПОДРОБНОСТИ

Более подробная информация о том, насколько процессоры GPU
способны ускорить машинное обучение с использованием нейрон­
ной сети, приведена в технической статье по адресу https://icml.
cc/2009/papers/218.pdf.

Поиск еще более умных решений
Глубокое обучение влияет на эффективность искусственного интеллекта
в решении таких задач, как распознавание образов, машинный перевод и
распознавание речи, которыми классический искусственный интеллект
и машинное обучение занимались изначально. Кроме того, оно представляет
новые, более выгодные решения.
»

Н епр еры вное обучение с и спользованием дистанционного обуче­

ния.
»

М ногократное использование реш ений с использованием переноса

обучения.

»

Демократизация искусствен н о го интеллекта с помощью среды с от­
крытым исходным кодом.

»

Просты е и понятные реш ения с использованием сквозного обучения.

Дистанционное обучение

Нейронные сети существенно гибче других машинных алгоритмов обуче­
ния, они способны не прекращать обучение, даже уже осуществляя прогно­
зирование и классификацию. Эта возможность следует из алгоритмов опти­
мизации, позволяющих нейронным сетям учиться не только на небольших
регулярных выборках примеров (групповое обучение (batch learning)), но даже
на отдельных примерах (дистанционное обучение (online learning)). Сети глу­
бокого обучения могут вырабатывать свои знания шаг за шагом и быть вос­
приимчивыми к новой информации (как ум ребенка, который всегда открыт
для новых стимулов и нового опыта). Приложение глубокого обучения на
веб-сайте социальной сети, например, может обучаться на образах кота. Когда
люди публикуют фотографии ютов, приложение распознает их и соответству­
ющим образом отмечает. Когда люди начинают публиковать в социальной сети
фотографии собак, нейронная сеть не обязана обучаться заново; она может
продолжить обучение и на образах собак. Эта возможность особенно полезна
при копировании столь разнообразных данных Интернета. Сеть глубокого об­
учения может быть открытой для нового и адаптировать свои коэффициенты
так, чтобы приспособиться к изменениям.
Перенос обучения

Гибкость удобна, ведь когда сеть закончит свое обучение, вы сможете ис­
пользовать ее многократно и для других целей, отличных от первоначальной.
Сети, различающие объекты и правильно их классифицирующие, требуют
долгого времени обучения и больших вычислительных мощностей. Расшире­
ние возможностей сети новым видам образов, которые не были частью перво­
начального обучения, означает перенос знаний на эту новую задачу (перенос
обучения (transfer learning)).
Например, вы вполне можете перестроить сеть, способную различать собак
и кошек, так, чтобы она отличала блюда с макаронами от блюд с сыром. Боль­
шинство уровней сети вы используете как есть (вы замораживаете их), а за­
вершающие уровни (уровни вывода), вы видоизменяете, осуществляя точную
настройку (finetuning). В скором времени и с меньшим количеством примеров
сеть применит то, что она изучила при различении собак и котов, к макаронам
и сыру. Получится даже лучше, чем нейронная сеть, обученная распознавать
только макароны и сыр.
ГЛАВА 11

Усиление искусственного интеллекта глубоким обучением

215

Перенос обучения — это нечто новое для большинства машинных алгорит­
мов обучения и открывающее рынок, возможный для передачи знаний из од­
ного приложения в другое, от одной компании другой. Компания Google уже
фактически делает это, позволяя совместно использовать свое огромное хра­
нилище данных публичным сетям, построенным на этих данных (см. подроб­
ности на https://techcrunch.com/2017/06/16/object-detection-api/).Это
этап демократизации глубокого обучения, когда доступ к его потенциальным
возможностям разрешается всем.
Среда с открытым исходным кодом

Сегодня сети доступны всем, включая доступ к инструментальным сред­
ствам создания сетей глубокого обучения. Это вопрос не только публичного
разглашения научных трудов, объясняющих принципы работы глубокого об­
учения, но и вопрос программирования. В первые дни глубокого обучения вы
должны были строить каждую сеть с самого начала, как приложение, разра­
ботанное на таком языке, как C++, что ограничивало круг посвященных не­
сколькими хорошо подготовленными специалистами. Возможности современ­
ных языков (таких, например, как Python; см. http://www.python.org) куда
лучше благодаря многочисленным реализациям глубокого обучения средами
с открытым исходным кодом, такими как TensorFlow от Google (https://www.
tensorflow.org/) или Ру Torch от Facebook (http://pytorch.org/).Используя
простые команды, эти среды выполнения позволяют повторить последние до­
стижения в области глубокого обучения.

ЗАП0МНИ1

Когда есть свет, есть и тени. Для работы нейронные сети нуждают­
ся в огромных объемах данных, а данные доступны не для всех, по­
скольку большие организации не стремятся разглашать их публич­
но. Перенос обучения может снизить влияние нехватки данных, но
только частично, поскольку определенные приложения действитель­
но требуют фактических данных. Следовательно, демократизация
искусственного интеллекта ограничивается. Кроме того, системы
глубокого обучения настолько сложны, что их выводы приходит­
ся объяснять, и иногда это довольно трудно (с учетом процветания
предвзятостей и дискриминаций) и неоднозначно, поскольку хитрос­
ти вполне могут ввести такие системы в заблуждение (см. https://
www.dvhardware.net/article67588.html).Любая нейронная сеть
может быть чувствительной к состязательным атакам (adversarial
attack), когда манипуляции входными данными позволяют обмануть
систему и обеспечить пристрастные ответы.

Сквозное обучение

И наконец, глубокое обучение допускает сквозное обучение (end-to-end
learning), а значит, и решение задачи более простым и понятным способом, чем
предыдущее решение для глубокого обучения, которое могло бы потребовать
куда больших усилий при решении задачи. Вы можете захотеть решить такую
трудную задачу искусственного интеллекта, как распознавание известных лиц
или управление автомобилем. Используя классический подход искусственного
интеллекта, вы разделили бы задачу на более простые части, чтобы достичь
приемлемого результата за вполне реальное время. Например, если вы хотите
распознавать лица по фотографии, то учтите, что существующие системы ис­
кусственного интеллекта делят эту задачу на следующие части.
1.

Поиск лица на фотографии.

2.

О брезка фотографии по лицу.

3.

Обработка вы резанного лица с учетом позы, подобно фотографии в удостове­
рении личности.

4.

Подача обр аб о тан н ого вы резанного лица в качестве учебн о го прим ера н ей ­
ронной сети для распознавания образов.

Сегодня вы можете передавать фотографии архитектуре глубокого обучения
и учить ее искать лица по образу, а затем классифицировать их. Вы можете ис­
пользовать тот же самый подход для языкового перевода, распознавания речи
или даже беспилотных автомобилей (они рассматриваются в главе 14). Во всех
этих случаях вы просто передаете ввод системе глубокого обучения и получа­
ете требуемый результат.

Выявление краев и форм образов
Сверточные нейронные сети (Convolutional Neural Network — ConvNet или
CNN) обусловили нынешний ренессанс глубокого обучения. В следующих
разделах обсуждается, как сети CNN помогают обнаруживать края образов и
форм для таких задач, как распознавание рукописного текста.

Распознавание символов
Идея сетей CNN не нова. Они появились в конце 1980-х годов как результат
работ Яна Лекуна (ныне директора по искусственному интеллекту в компа­
нии Facebook), когда он работал в исследовательской лаборатории AT&T LabsResearch вместе с Йошуа Бенгио, Леоном Ботгоу (Leon Bottou) и Патриком
Хаффнером (Patrick Haffner) над сетью LeNet5. Об этой сети можно узнать по

адресу h ttp ://y a n n .le c u n .c o m /e x d b /le n e t/, или можно посмотреть видео, в
котором о ней рассказывает сам молодой Лекун: h t t p s : //www. youtube. сот/
watch?v=FwFduRA_L6Q. В те времена наличие машины, способной декодировать
рукописные числа, было настоящим чудом, помогавшим почтовой службе в
автоматизации распознавания почтовых индексов при сортировке входящей и
исходящей почты.
Ранее разработчики достигли некоторых результатов, применив нейронную
сеть для образов искомых чисел. Каждый пиксель образа объединялся с узлом
в сети. Проблема использования такого подхода была в том, что сеть не могла
достичь трансляционной инвариантности (translation invariance), т.е. возмож­
ности декодировать число при различных условиях, включая размер, искаже­
ния или позицию в образе, как иллюстрируется на рис. 11.3. Эта нейронная
сеть могла обнаружить только подобные числа, т.е. те, которые она видела
прежде. Кроме того, она делала много ошибок. Предварительное преобразо­
вание образа перед его передачей нейронной сети частично решило проблему:
изменение размеров, перемещение, очистка пикселей и создание специальных
блоков информации улучшало вычисления в сети. Эта методика создания воз­
можностей (feature creation) требует как достаточно сложных преобразований
образа, так и множества вычислений в ходе анализа данных. Над задачами рас­
познавания образов тогда работали скорее умельцы, чем ученые.
Частичный
поворот

Оригинал

X

Изменение
размера

а

Рис. 11.3. Используя трансляционную инвариантность,
нейронная сеть способна различить собаку и ее вариации

Свертка легко решает проблему трансляционной инвариантности, посколь­
ку она предоставляет совершенно иной подход к обработке изображений в
нейронной сети. Свертка — это основа сети LeNet5, она обеспечивает фунда­
ментальные стандартные блоки практически для всех сетей CNN, осуществля­
ющих следующее.
»

Классификация образов. О пред елени е, какой о бъ ект при сутству­
е т на образе.

»

Обнаружение образов. Поиск, где именно о бъ ект находится на об­
разе.

»

Сегментация образа. Разделен и е о бр аза на обл асти со гл асн о их
содержимому; наприм ер, в обр азе дороги можно отделить саму до­
р о гу о т находящихся на ней автомобилей и пешеходов.

Как работает свертка
Начнем объяснение работы свертки с ввода, являющегося образом, со­
стоящим из одного или нескольких уровней пикселей, называемых каналами
(channel), используя значения от 0 (пиксель полностью выключен) до 256 (пик­
сель включен). Например, у образа в формате RGB есть индивидуальные ка­
налы для красного, зеленого и синего цветов. Смешение этих каналов создает
всю палитру цветов, которые вы видите на экране.
Входные данные подвергаются простым преобразованиям по смене диапа­
зона значений пикселя (например, можно задать диапазон от нуля до едини­
цы), а затем передаются. Преобразование данных упрощает работу свертки,
поскольку это просто операции умножения и суммирования, как показано на
рис. 11.4. Свертка — это нейронный уровень, получающий небольшие части
образа, умножающий значения пикселей в части решетки на специально раз­
работанные числа, а затем суммирующий все результаты умножения и проеци­
рующий это на следующий нейронный уровень.
Такая обработка очень гибка, поскольку основание для умножения в свертки
чисел формирует обратное распространение ошибки (см. статью h t t p s : / /
u j jw a lk a rn .m e / 2 016 / 0 8 / 1 1 / i n t u i t i v e - e x p l a n a t i o n - c o n v n e t s / о работе
свертки, включая анимацию), а значения, фильтруемые сверткой, являются
характеристиками образа, которые нужны нейронной сети для решения ее
задачи по классификации. Некоторые свертки захватывают только линии,
некоторые — только кривые или специальные шаблоны независимо от того, где
они присутствуют в образе (и это свойство трансляционной инвариантности
свертки). Поскольку данные образа проходят через разные свертки, они
преобразуются, собираются и представляются все более и более сложными
шаблонами, пока свертывание не создает обобщенный образ (например,
ГЛАВА 11

Усиление искусственного интеллекта глубоким обучением

219

образ среднего кота или собаки), который обучаемая сеть CNN впоследствии
использует для обнаружения новых образов.

Рис. 11.4. Сверточное сканирование образа

W

ТЕХНИЧЕСКИЕ
ПОДРОБНОСТИ

Если хотите узнать больше о свертывании, посмотрите визуализацию,
созданную исследователями Google из Research and Google Brain, —
визуализацию внутренней работы сети GoogleLeNet с 22 уровнями,
разработанной учеными Google (см. https://distill.pub/2017/feature-visualization/). В приложении https://distill.pub/2017/
feature-visualization/appendix/ приводятся примеры того, как
уровни обнаруживают вначале края, затем — текстуры, затем — об­
щие шаблоны, затем — части и наконец — все объекты.

Интересно, но установка базовой архитектуры ConvNet вовсе не сложна.
Достаточно знать, что чем больше уровней вы имеете, тем лучше. Вы задаете
количество уровней свертывания и некоторые характеристики поведения свер­
тывания: как создается решетка (значения фильтр, ядро и датчик средств),
как решетка перемещается по образу (шаг) и как он будет вести себя вокруг
границ образа (дополнение).

ЗАПОМНИ1

Рассматривая работу свертывания, приходишь к выводу, что оно
продвигается куда глубже в глубоком обучении, а значит, данные
подвергаются куда более глубоким преобразованиям, чем при обра­
ботке любым машинным алгоритмом обучения или поверхностной
нейронной сетью. Чем больше уровней, тем большим преобразова­
ниям подвергается образ и тем глубже он становится.

Соревнования с использованием образов
Сеть CNN — это хорошая идея. Телекоммуникационная компания AT&T
фактически реализовала сеть LeNet5 для проверки пользователей ATM. Однако
в середине 1990-х началась следующая зима искусственного интеллекта: мно­
жество исследователей и инвесторов потеряли веру в способность нейронных
сетей реализовать искусственный интеллект. Кроме того, в те времена наблю­
дался существенный недостаток данных. Исследователи достигли результатов,
сравнимых с LeNet5, используя такие новые алгоритмы машинного обучения,
как Support Vector Machine (от научной школы аналогистов) и Random Forest
(случайный лес), улучшенный вид деревьев решений от научной школы сим­
волистов (см. главу 10).
Лишь некоторые из исследователей, такие как Джеффри Хинтон, Ян Лекун
и Йошуа Бенгио, продолжили разработки технологий нейронной сети до появ­
ления новых наборов данных и обеспечили прорыв, закончивший зиму искус­
ственного интеллекта. Тем временем в 2006 году увидели свет работы Фей-Фей
Ли (Fei-Fei Li), профессора информатики в Иллинойском университете в Урба­
не-Шампейне (ныне руководитель исследовательских работ в Google Cloud, а
также профессор в Стэнфорде), позволившие обеспечить более реалистичные
наборы данных для лучшей проверки алгоритмов. Она начала накапливать не­
вероятные количества образов, представляя большие количества классов объек­
тов. Она и ее группа решили эту грандиозную задачу, используя такую службу
от Amazon как Mechanical Turk, которую вы используете для решения неболь­
ших задач (таких, как классификация образов) за небольшую плату.
Полученный набор данных, законченный в 2009 году, получил название
“ImageNet” и содержал 3,2 миллиона маркированных образов, упорядочен­
ных в 5247 иерархически организованных категорий. Вы можете ознако­
миться с этим набором данных по адресу http://www.image-net.org/ или
прочитать оригинальную публикацию http: //www.image-net.org/papers/imagenet_cvpr09.pdf.Довольно скоро набор данных ImageNet был использован
в 2010 соревнованиях, доказавших возможность нейронных сетей правильно
классифицировать образы, упорядоченные в 1000 классов.
Через семь лет соревнований (они прекращены в 2017 году) победившие
алгоритмы повысили точность распознавания образов с 71,8 до 97,3 процен­
та, что превосходит человеческие возможности (да, люди делают ошибки при
классификации объектов). Исследователи с самого начала обратили внимание,
что при больших количествах данных их алгоритмы начинали работать лучше
(тогда ничего такого, как ImageNet, еще не было), а затем они начали проверять
новые идеи и улучшили архитектуры нейронной сети.

Даже если соревнований ImageNet больше не будет, исследователи все рав­
но разработают больше архитектур CNN, увеличат их точность и возможности
распознавания, а также повысят надежность. Фактически многие решения для
глубокого обучения все еще экспериментальны и пока не применялись в та­
ких важных областях, как банковское дело или безопасность, и не только из-за
трудностей в интерпретации, но и из-за возможных уязвимостей.

ВНИМАНИЕ!

Уязвимости бывают разными. Исследователи выяснили, что внесе­
ние специально подобранных искажений, таких как изменение един­
ственного пикселя в изображении, способно радикально изменить
ответы CNN как не целенаправленно (когда достаточно только вве­
сти CNN в заблуждение), так и целенаправленно (когда CNN долж­
на дать некий конкретный ответ). Об этом вопросе можно узнать
больше в руководстве OpenAI по адресу https://Ыод.openai.сот/
adversarial-example-research/. OpenAI — это некоммерческая
компания по исследованию искусственного интеллекта. Статья “One
pixel attack for fooling deep neural networks” (https://arxiv.org/
abs/1710, 08864) также будет полезна. Дело в том, что технология
CNN еще недостаточно защищена. Вы не можете просто использо­
вать ее вместо собственных глаз; здесь пока следует соблюдать боль­
шую осторожность.

Обучение подражанию искусству и жизни
Сети CNN повлияли не только на задачи компьютерного зрения, но и на
многие приложения (например, они необходимы для функции зрения беспи­
лотных автомобилей). Сети CNN убедили многих исследователей инвестиро­
вать время и силы в революцию глубокого обучения. Последующие исследо­
вания и разработки взрастили новые идеи. Последующие разработки привели,
наконец, к нововведениям в искусственном интеллекте, позволив компьюте­
рам научиться понимать разговорный язык, переводить написанное на ино­
странные языки, а также создавать модифицированные тексты и изображения,
демонстрируя, таким образом, как сложные вычисления статистических рас­
пределений могут быть преобразованы в своего рода искусство, творческий
потенциал и воображение. Если вы говорите о глубоком обучении и его воз­
можных применениях, вы также должны упомянуть рекуррентные нейронные
сети (Recurrent Neural Network — RNN) и генеративно-состязательные сети
(Generative Adversarial Network — GAN), или у вас не будет ясной картины
того, что глубокое обучение может сделать для искусственного интеллекта.

Запоминание важных последовательностей
Одним из недостатков сети CNN была нехватка памяти. Она справлялась с
пониманием одиночного изображения, но попытки понять изображение в кон­
тексте, как кадр в видео, сталкивались с неспособностью найти правильные
ответы на трудные проблемы искусственного интеллекта. Наиболее важной
проблемой оказались последовательности. Если вы хотите понять книгу, то чи­
таете ее постранично. Последовательности бывают вложенными. В пределах
страницы есть последовательность слов, а в пределах слова — последователь­
ность символов. Чтобы понять книгу, необходимо понять последовательности
символов, слов и страниц. Ответом стали сети RNN, поскольку при обработке
текущих входных данных они отслеживают и прошлые входные данные. При
обработке в такой сети исходные данные продвигаются не только в одном на­
правлении от входа к выходу, как в обычной нейронной сети, но могут и по
кругу. Это как будто сеть слышит собственное эхо.
Если передать сети RNN последовательность слов, то она узнает, что, встре­
тив некое слово, которому предшествуют другие определенные слова, мож­
но решить, как закончить фразу. Сети RNN — не просто технология, способ­
ная автоматизировать компиляцию ввода (это как автоматическое завершение
строк в браузере при вводе искомых слов). Сеть RNN может получать последо­
вательности и предоставлять на выходе перевод, такой как общий смысл фра­
зы (таким образом, искусственный интеллект теперь может устранять неодно­
значность фраз, когда формулировка важна), или переводить текст на другой
язык (снова работа трансляции в контексте). Это работает даже со звуками,
посколькуопределенные звуковые модуляции вполне можно интерпретиро­
вать как слова. Сеть RNN позволяет компьютерам и мобильным телефонам
с высокой точностью понять не только то, что вы сказали (это та же самая
технология, что и в автоматическом создании субтитров), но и то, что вы хо­
тели сказать, позволяя компьютерным программам общаться с вами, как Siri,
Cortana и Alexa.

Магия общения искусственного интеллекта
Чатбот (chatbot) — это программное обеспечение, способное общаться с
вами двумя способами: устно (вы говорите с ним и слушаете ответы) и пись­
менно (вы вводите то, что хотите сказать, и читаете ответ). Возможно, вы слы­
шали об этом под другими названиями (диалоговый агент, виртуальный со­
беседник, токбот и др.), но дело в том, что вы уже можете использовать их на
своем смартфоне, компьютере или специальном устройстве. Такие примеры,
как Siri, Cortana и Alexa, известны всем. Когда вы обращаетесь в клиентскую
службу компаний, можете общаться с ее чатботом по телефону, через веб или
223

приложение на вашем мобильном телефоне, если используете Twitter, Slack,
Skype или другое приложение связи.
Чатботы — это серьезный бизнес, поскольку они позволяют компаниям эко­
номить деньги на операторах клиентской службы (поддержка контакта с по­
стоянными клиентами и их обслуживание), но сама идея не нова. Хотя назва­
ние было придумано не так давно (в 1994 году Майклом Молдином (Michael
Mauldin), разработчиком поискового механизма Lycos), чатботы считают вер­
шиной искусственного интеллекта. Согласно видению Алана Тьюринга, отли­
чить сильный искусственный интеллект от человека при разговоре не должно
быть возможно. Тьюринг разрабатывал известный тест на основании общения,
который позволяет удостовериться, достиг ли искусственный интеллект уров­
ня человека.

о
ЗАПОМНИ1

Когда искусственный интеллект демонстрирует осмысленное пове­
дение, но не сознательное, как человек, это слабый искусственный
интеллект. Сильный искусственный интеллект может действительно
думать, как человек.

Тест Тьюринга требует, чтобы являющийся арбитром человек общался
через компьютерный терминал с двумя субъектами: человеком и машиной.
В ходе общения он должен выяснить, какой из собеседников является искус­
ственным интеллектом. Тьюринг утверждал, что если искусственный интел­
лект сможет убедить человека в том, что он общается с другим человеком, то
можно утверждать, что искусственный интеллект равен человеку по уровню
интеллекта. Проблема довольно трудна, поскольку это вопрос не только грам­
матически правильного ответа с учетом контекста (место, время и характерис­
тики человека, с которым общается искусственный интеллект), но и демон­
страция собственной индивидуальности (искусственный интеллект должен
походить на реальную личность и по образованию, и по мировоззрению).
Начиная с 1960-х годов попытки прохождения Теста Тьюринга мотивиро­
вали разработку чатботов на базе модели подтверждения/опровержения гипо­
тезы (retrieval-based model). Таким образом, для обработки речевого ввода при
общении с человеком используется обработка текстов на естественном язы­
ке (Natural Language Processing — NLP). Определенные слова или наборы слов
приводят к заранее заданным ответам и реакциям чатбота, экономя память.

СОВЕТ

NLP — это анализ текстовых данных. Алгоритм разделяет текст на
лексемы (элементы фразы, такие как существительные, глаголы и
прилагательные) и удаляет любую бесполезную или неважную ин­
формацию. Размеченный текст обрабатывается с использованием
статистических операций или машинного обучения. Например, NLP

может отметить части речи, идентифицировать слова и их смысл, а
также определить, подобен ли один текст другому.
Первый чатбот этого вида, ELIZA, создал Джозеф Вейценбаум (Joseph
Weizenbaum) в 1966 году в форме компьютера-психолога. В основе ELIZA
была простая эвристика, она выбирала подходящий ответ из фиксированного
набора ответов исходя из базовых фраз и ключевых слов в соответствующем
контексте. Сетевую версию ELIZA можно опробовать по адресу http: //www.
masswerk.at/elizabot/. Вас может удивить осмысленность общения с ELIZA,
например ее диалоге ее создателем: http://www.masswerk.at/elizabot/eliza_test.html.
Модели подтверждения/опровержения гипотезы работают прекрасно, ког­
да общаются с использованием предварительно заданных тем, поскольку они
включают человеческое знание, подобно экспертным системам (как обсужда­
лось в главе 3), поэтому они вполне могут отвечать адекватными грамматиче­
ски правильными фразами. Проблемы возникают, когда вопросы не относятся
к заданным темам. Чатбот может парировать эти вопросы, возвращая их назад
в несколько иной форме (как это делает ELIZA) и выглядеть, как искусствен­
ный собеседник. Решение заключается в создании новых фраз на основании,
например, статистических моделей, машинного обучения или даже предвари­
тельно обученных сетей RNN, способных произносить нейтральную речь или
отражать индивидуальность конкретного человека. Это подход генеративной
модели (generative-based model), являющейся последним достижением совре­
менных ботов, поскольку создание речи “на лету” вовсе не просто.
Генеративные модели не всегда отвечают адекватными фразами, но иссле­
дователи недавно добились новых успехов, особенно в сетях RNN. Как уже
упоминалось, секрет кроется в последовательностях: вы предоставляете ис­
ходную последовательность на одном языке, и эта последовательность выво­
дится на другом языке, как в задаче машинного перевода. В данном случае вы
предоставляете и исходную последовательность, и результирующую на том же
языке. Ввод — это часть сеанса общения, а вывод — последующая реакция.
С учетом текущего состояния в создании чатботов сети RNN прекрасно
подходят для коротких диалогов, но получить хорошие результаты для более
длинных или более четко сформулированных фраз куда сложнее. Подобно мо­
делям подтверждения/опровержения гипотезы, сети RNN помнят полученную
информацию, но не организованным способом. Если темы беседы ограничены,
такие системы способны обеспечить хорошие ответы, но все становится куда
хуже, когда контекст не задан, поскольку они нуждались бы в знании, сравни­
мом с приобретенным человеком на протяжении жизни. (Люди являются хоро­
шими собеседниками благодаря имеющимся знаниям и опыту.)
ГЛАВА 11

Усиление искусственного

глубоким обучением

225

Данные для обучения сети RNN действительно являются ключом. Напри­
мер, чатбот Google, Google Smart Reply, довольно быстро отвечает на элек­
тронные сообщения. Более подробная информация о предполагаемой работе
этой системы приведена в статье h ttp s ://a i.g o o g le b lo g .c o m /2 0 1 5 /ll/c o m p u te r -r e sp o n d -to -th is-e m a il.h tm l. В реальности он предпочитал отвечать
на большинство вопросов фразой “I love you” (я вас люблю), поскольку ис­
пользованные для его обучения примеры оказались тенденциозными. Нечто
подобное случилось с чатботом Тау от Microsoft Twitter, которого подвела спо­
собность учиться на общении с пользователями ( h t t p s : / / w w w .businessinsid er.co m /m ic r o so ft-d e le te s-r a c ist-g e n o c id a l-tw e e ts-fr o m -a i-c h a tb o ttay-2016-3).

О
СОВЕТ

Если хотите узнать о современном положении дел с чатботами в
мире, можете почитать о ежегодных соревнованиях чатботов, в ко­
торых тест Тьюринга применяется к текущей технологии. Послед­
ним лауреатом приза Lobner на момент написания этой книги была
программа Mitsuku, которая хотя и не смогла пройти тест Тьюринга,
вполне смогла рассуждать о конкретных объектах, предложенных во
время беседы; она может также играть в игры и даже показывать
фокусы (http://www.m itsuku.com /).

Соревнования между двумя искусственными интеллектами
Сеть RNN может позволить компьютеру общаться с вами, и если вы по­
нятия не имеете, что нейронная сеть просто реагирует на последовательности
слов, изученные ею ранее, может создаться впечатление о наличии внутри нее
некоего интеллекта. В действительности никаких мыслей или рассуждений
здесь нет, хотя эта технология и не просто произносит предварительно задан­
ные фразы, она их формулирует.
Генеративно-состязательные сети (Generative Adversarial Network —
GAN) являются другим видом технологии глубокого обучения, способной
создать даже более сильную иллюзию наличия у искусственного интеллекта
творческого потенциала. Эта технология также полагается на запоминание
предыдущих примеров и понимание машиной того, что примеры содержат
правила, которыми машина может играть, как ребенок играет кубиками (тех­
нически правила — это статистические распределения, лежащие в основе при­
меров). Тем не менее сети GAN — это невероятная технология, которую, веро­
ятно, мы увидим во многих приложениях будущего.
Сети GAN возникли из работ нескольких исследователей из отде­
ла Departement d’informatique et de recherche operationnelle Монреальско­
го университета в 2014 году, самым известным из которых является Айан
226

ЧАСТЬ 3 Программно-ориентированные приложения...

Гудфеллоу (lam Goodfellow) (см. официальный документ https://arxiv.org/
pdf/1406.2661 .pdf). Предложенный новый подход глубокого обучения немед­
ленно вызвал интерес и теперь является одной из наиболее исследованных тех­
нологий, с постоянными разработками и усовершенствованиями. По мнению
Яна Лекуна, генеративно-состязательные сети — “самая интересная идея в ма­
шинном обучении за прошлые десять лет”. В интервью MIT Technology Review
Айан Гудфеллоу объясняет нынешний уровень энтузиазма таким интригую­
щим заявлением: “Вы можете считать генеративные модели некой формой во­
ображения для искусственного интеллекта” (https: //www.technologyreview.
com/lists/innovators-under-35/2017/inventor/ian-goodfellow/).
Чтобы увидеть простую сеть GAN в действии (сейчас есть множество слож­
ных вариаций, и разрабатывается еще больше), необходим набор справочных
данных, обычно состоящий из реальных данных, примеры которых вы хотели
бы использовать для обучения сети GAN. Например, если у вас есть набор
данных из образов собаки, используя его, можно объяснить сети GAN, как вы­
глядит собака. Узнав о том, как выглядят собаки, сеть GAN может предложить
вероятные, реалистичные образы собак, отличающиеся от находившихся в на­
чальном наборе данных. (Образы будут новыми; простую репликацию суще­
ствующих образов считают ошибкой сети GAN.)
Отправная точка — это набор данных. Вы также нуждаетесь в двух ней­
ронных сетях, каждая из которых специализируется на другой задаче и обе со­
ревнуются между собой. Одна сеть является генератором (generator), получает
случайный ввод (например, последовательность случайных чисел) и создает
вывод (например, образ собаки), который является артефактом (artifact), по­
скольку он искусственно создан сетью-генератором. Вторая сеть — это дис­
криминатор, который должен правильно различать произведения генератора,
артефакты, согласно примерам из учебного набора данных.
Когда сеть GAN начинает обучение, обе сети пытаются улучшаться, исполь­
зуя обратное распространение ошибки на основании результатов дискрими­
натора. Ошибки, которые допускает дискриминатор, отличая реальный обра­
за от артефакта, распространяются дискриминатору (как при классификации
нейронной сетью). Правильные ответы дискриминатора распространяются как
ошибки генератору (поскольку он не смог сделать артефакты подобными об­
разам из набора данных, и дискриминатор их определил). Эти отношения де­
монстрируются на рис. 11.5.
Первоначальные образы, выбранные Гудфеллоу для объяснения работы
сети GAN, — это работы фальсификатора и эксперта. Эксперт становился все
более и более квалифицированным в распознавании поддельных картин, но и
фальсификатор совершенствовался, чтобы избежать разоблачения экспертом.

ГЛАВА 11

Усиление искусственного интеллекта глубоким обучением

227

R: РЕАЛЬНЫЕДАННЫЕ
Фотографии предоставлены (по часовой стрелке от левой нижней):
Lileephoto/Shutterstock; Menno Schaefer/Shutterstock; iofoto/Shutterstock;
vilainecrevette/iStockphoto; посредине: Rana Faure/Corbis/VCG/Getty
Images.
Рис. 11.5. Как р аб о т а ет сет ь GAN, колеблю щ аяся м еж ду ген ерат ором и
ди скри м и нат ором

Вы можете задаться вопросом, как генератор учится создавать правильные
артефакты, если он никогда не видел оригиналов. Только дискриминатор видит
оригинальный набор данных, когда пытается отличать реальное искусство от
артефактов генератора. Даже если генератор никогда ничего не исследует из
исходного набора данных, он получает подсказки от дискриминатора. Это не­
большие подсказки, получаемые генератором в результате многих неудачных
попыток. Это как научиться рисовать Мону Лизу, никогда ее не видев, только
с помощью друга, говорящего вам, хорошо ли ваше предположение. Ситуа­
ция напоминает теорему о бесконечных обезьянах, с некоторыми отличиями.
В этой теореме вы ожидаете, что обезьяны напишут всего Шекспира, просто
угадав (см. h t t p s : //www.npr. o r g /s e c t io n s /1 3 . 7 /2 0 1 3 /1 2 /1 0 /2 4 9726951/
th ein fin ite-m on k ey-th eorem -com es-to-life). В данном случае генератор ис­
пользует случайность только в начале, а затем он медленно учится на реакции

дискриминатора. После некоторых модификаций эта простая идея сетей GAN
стала способна на следующее.
»

Создание фотореалистичных образов объектов, таких как предметы
одежды, интерьеры или промышленный дизайн, на основании сло­
весных описаний (вы просите желто-белый цветок и получаете его,
как описано в статье h ttp s: //arxiv.org/pdf/1605.05396.pdf).
» Изменение существующих образов при повышении их разрешения,
добавлении специальных шаблонов (превращение лошади в зебру
h ttp s: //junyanz. github. io/CycleGAN/) и заполнении отсутству­
ющих частей (при удалении человека с фотографии сеть GAN заменя­
ет пустое место неким вероятным фоном, как на этом образе http : //
h i . c s .waseda. а с . jp /~ iizu ka /p ro j ects/completion/en/).
» Многие передовые приложения, такие как создающие движение из
статических фотографий, сложные объекты как законченные тек­
сты (называемые ст рукт урирован ны м п р о гн о зо м , поскольку это
не просто ответ, а скорее набор взаимосвязанных ответов), дан­
ные для контролируемого машинного обучения или даже мощную
криптографию (h ttp s : //a rste ch n ic a . com/informationtechnology/2016/10/google-ai-neural-netw ork-cryptography/)

СОВЕТ

Сети GAN — это передовая технология глубокого обучения со мно­
гими неисследованными и новыми областями применения в искус­
ственном интеллекте. Если у искусственного интеллекта будет об­
разное и творческое мышление, он, вероятно, получит его от таких
технологий, как GAN. Вы можете узнать больше об этой технологии
из статей о GAN от OpenAI — некоммерческой компании по иссле­
дованию искусственного интеллекта, основанной Грегом Брокмэ­
ном (Greg Brockman), Ильей Суцкевером (Ilya Sutskever), Илоном
Маском (Elon Musk) (основателем PayPal, SpaceX и Tesla) и Сэмом
Альтманом (Sam Altman) (h ttp s : //b lo g .o p e n a i. com /generativemodels/).

Работа
с и ск у с с тв е н н ы м
и н те л л е к то м
в ап п ар атн ы х
прилож ениях

В ЭТОЙ ЧАСТИ. . .
» Работа с роботами
» Полеты с дронами
» Позвольте искусственному интеллекту вести автомо­
биль вместо вас

Глава 12

Разработка роботов
В ЭТОЙ ГЛАВЕ...
» Различение роботов в научной фантастике
и в действительности
» Рассуждение об этике роботов
» Поиск применения роботов
» Взгляд на работу робота изнутри

Л

юди часто принимают робототехнику за искусственный интеллект, но
робототехника отличается от искусственного интеллекта. Искусствен­
ный интеллект нацелен на поиск решения некоторых трудных задач,
связанных с человеческими способностями (такими, как распознавание объек­
тов либо понимание речи или текста); робототехника стремится использовать
машины для решения задач в физическом мире за счет частичной или полной
автоматизации. Поэтому искусственный интеллект можно считать программ­
ным обеспечением для решения задач, а робототехнику — аппаратными сред­
ствами для того, чтобы сделать эти решения реальностью.
Робототехнические аппаратные средства могут использовать программные
средства систем искусственного интеллекта, а могут и не использовать. Не­
которые роботы люди контролируют дистанционно, как робот da Vinci, об­
суждавшийся в разделе “Помощь хирургу” главы 7. Во многих случаях ис­
кусственный интеллект действительно обеспечивает усиление способностей
человека, но контролирует ситуацию все еще человек. Роботы могут быть

очень разными, от получающих абстрактные распоряжения от людей (такие,
как переместиться из точки А в точку В по карте или поднять объект) до по­
лагающихся на искусственный интеллект для выполнения этих распоряжений.
Некоторые роботы способны решать задачи автономно, безо всякого челове­
ческого вмешательства. Интеграция искусственного интеллекта делает робот
более умным и более полезным в решении задач, но роботам искусственный
интеллект для работы нужен отнюдь не всегда. Человеческое воображение сде­
лало эти два понятия неразделимыми благодаря научно-фантастическим рома­
нам и фильмам.
В этой главе рассматривается, как произошло это совмещение, а также со­
временные реалии роботов и то, как широкое употребление решений с исполь­
зованием искусственного интеллекта могло бы их преобразить. Промышлен­
ные роботы существуют с 1960-х годов. В главе упоминается также, что люди
все чаще используют роботы в промышленности, в научных изысканиях, в ме­
дицине и в военных целях. Новейшие исследования в области искусственного
интеллекта ускоряют этот процесс, поскольку они решают такие трудные для
роботов задачи, как распознавание объектов в реальном мире, прогнозирова­
ние поведения людей, понимание голосовых команд, правильная речь, ходьба
и (да!) кувырки. Об этом можно прочитать в следующей статье о недавних
достижениях в робототехнике: h ttp s://w w w .th e ve rg e .co m /circu itb re akег/2017/11/17/16671328/b osto n d yn am ics-b ackflip -ro b o t-atlas.

Роли роботов
Роботы — это относительно недавняя идея. Слово возникло от чешского
слова robota, что означает принудительную рабочую силу. Термин впервые
появился в 1920 году в пьесе Россумские универсальные роботы чешского
автора Карела Чапека. Однако человечество давно мечтало о механических
существах. Древние греки придумали миф о бронзовом механическом чело­
веке, Талосе, созданном богом металлургии, Гефестом, по требованию Зевса,
отца богов1. Греческие мифы содержат также упоминания других автоматов
Гефеста, кроме Талоса. Автомат (automata) — это самоуправляемая машина,
способная выполнять конкретную заранее заданную последовательность за­
дач (в отличие от роботов, обладающих гибкостью для выполнения широкого
диапазона задач). Греки фактически создали водно-гидравлические автоматы12,
1См. лучше h ttp s : //ru . w ikiso u rce .o rg /w ik i/ЭСБЕ/Талос. —

П рим ем , р е д .

2 Вероятно, имеется в виду торговый автомат Герона Александрийского, разработан­
ный им в Египте по заказу жрецов приблизительно в Iвеке н.э.— П р и м е м , р е д .

работавшие подобно алгоритмам, но в физическом мире. Подобно алгоритмам,
автоматы имеют интеллект их создателя, а потому только создают иллюзию на­
личия самосознания у машин.
В Европе вы найдете примеры автоматов повсюду, начиная с греческой ци­
вилизации, средневековья и эпохи Возрождения и заканчивая новейшей исто­
рией. Множество проектов было создано ближневосточным математиком и
изобретателем аль-Джазари (см. http://w w w .m uslim heritage.com /article/
a l-ja za ri-m e ch a n ica l-g e n iu s). В Китае и Японии были собственные версии
автоматов. Одни автоматы были очень сложными механизмами, а другие —
хитрым розыгрышем, таким как Механический Турок, машина XVIII века,
которая, казалось, была в состоянии играть в шахматы, но скрывала внутри
человека.

ВНИМАНИЕ!

Важно отличать автоматы от других подобных человеку объектов.
Например, Голем (http s://w w w .m yjew ish learning.co m /article/
golem/) является смесью глины и волшебства. Никаких механизмов,
поэтому его нельзя отнести к устройствам, обсуждаемым в этой главе.

Роботы, описанные Чапеком, тоже не были абсолютно механическими авто­
матами, скорее живыми существами, спроектированными и собранными так,
как будто они были автоматами. Его роботы обладали формой, подобной фор­
ме человека, и играли определенные роли в сообществе, заменяя людей-рабочих. Напоминающие Франкенштейна Мэри Шелли, роботы Чапека были тем,
что сегодня считается андроидами (android) — искусственными биоинженерными существами, описанными Филипом Киндредом Диком (Philip К. Dick) в
книге Мечтают ли андроиды об электроовцах? (по мотивам которой был снят
фильм Бегущий по лезвию). Таким образом, под роботами имеет смысл под­
разумевать автономные механические устройства, призванные не поражать и
восхищать, а скорее производить товары и оказывать услуги. Кроме того, робо­
ты стали центральной идеей в научной фантастике, в книгах и фильмах, благо­
даря которым в общественном воображении сложился образ робота как чело­
векоподобного искусственного интеллекта, созданного, чтобы служить людям,
что не так уж и далеко от первоначальной идеи слуги Чапека. Идея постепенно
переходила от искусства к науке и технике, а также стала вдохновением для
ученых и инженеров.

©
ЗАПОМНИ!

Чапек создал идею как роботов, так и апокалипсиса роботов, ког­
да искусственный интеллект в научно-фантастических фильмах
уничтожает все. С учетом этого недавний прогресс в области ис­
кусственного интеллекта вызывает опасения у таких значительных
фигур, как основатель компании Microsoft Билл Гейтс, физик Стивен

Хокинг, а также изобретатель и бизнесмен Илон Маек. Робототехни­
ческие рабы Чапека бунтуют против создавших их людей и, в юнце
концов, уничтожают почти все человечество.

Разоблачение научно-фантастических представлений о роботах
Первый коммерческий робот, Unimate, появился в 1961 году (h ttp s: //www.
r o b o tic s.o rg /jo sep h -en g elb erg e r/u n im a te.cfm ). Это был просто роботи­
зированный манипулятор (программируемая механическая рука, состоящая
из металлических балок и суставов), рабочий конец которого мог держать,
вращать или сваривать объекты согласно инструкциям, заданным человекомоператором. Он был продан компании General Motors для использования в ав­
томобилестроении. Робот Unimate должен был извлекать отливки из форм на
сборочной линии и сваривать их вместе — задача физически опасная для рабочих-людей. Чтобы понять возможности такой машины, посмотрите видео:
h ttp s : / /www. youtube. com/watch?v=hxsWeVtb-JQ. Реалиям современных робо­
тов посвящены следующие разделы.
Законы роботехники

Еще до появления Unimate и задолго до появления многих других промыш­
ленных манипуляторов, которые начали работать рядом с рабочими-людьми на
сборочных линиях, люди уже знали, как роботы должны выглядеть, действо­
вать и даже думать. Американский писатель Айзек Азимов, известный своими
работами в научной фантастике и популяризации науки, выпустил в 1950-х
годах серию романов, в которых была предложена концепция роботов, совер­
шенно отличных от используемых в промышленных условиях.

О

ЗАП0МНИ1

Азимов придумал термин роботехника (robotics) и использовал его
в том же смысле, в каком люди используют термин механика. Его
богатое воображение до сих пор устанавливает нормы ожидаемого
людьми от роботов. Азимов перенес роботов в эпоху исследования
космоса, снабдив их позитронным мозгом, для помощи людям в
ежедневном решении ординарных и экстраординарных задач. По­
зитронный мозг (positronic brain) — это вымышленное устройство,
позволяющее роботам в романах Азимова действовать автономно и
быть способными помочь или заменить людей во многих задачах.
Кроме подобных человеческим возможностей в понимании и дей­
ствии (сильный искусственный интеллект), позитронный мозг ра­
ботает согласно трем законам роботехники, являющихся частью ап­
паратных средств, контролирующих поведение роботов моральным
способом (moral way).

1. Робот не может причинить вред человеку или своим бездействием допустить,
чтобы человеку был причинен вред.
2 . Робот должен повиноваться всем приказам, которые дает человек, кроме тех
случаев, когда эти приказы противоречат первому закону.
3 . Робот должен заботиться о своей безопасности в той мере, в которой это не
противоречит первому и второму законам.
Впоследствии автор добавил нулевое правило, с наиболее высоким прио­
ритетом, чтобы гарантировать действия робота по обеспечению безопасности
многих.
0 . Робот не может причинить вред человечеству или своим бездействием допус­
тить, чтобы человечеству был причинен вред.
В центре всех историй Азимова о роботах находится то, что эти три закона
позволяют роботам работать вместе с людьми безо всякого риска апокалипсиса
искусственного интеллекта или восстания машин. Эти три закона невозможно
ни обойти, ни изменить, они выполняются в порядке приоритетов и присут­
ствуют как математические формулировки в функциях позитронного мозга.
К сожалению, в законах есть лазейки и неоднозначности, на которых основаны
сюжеты большинства его романов. Эти три закона зафиксированы в вымыш­
ленном Руководстве по роботехнике, 56-е издание, 2058 год, и основаны на
принципах безопасности, повиновения и самосохранения.
Азимов представлял себе Вселенную, в которой вы можете свести весь мо­
ральный мир (moral world) к нескольким простым принципам при наличии
лишь некоторых рисков, которые и лежат в основе сюжетов его рассказов.
В действительности Азимов полагал, что роботы — это инструменты и что
эти три закона могли бы работать даже в реальном мире, если контролиро­
вать их использование (читайте подробности в интервью журналу Compute! за
1981 год: https://archive.org/stream /1981-ll-com pute-m agazine/C om pute_
lssue_018_1981_Nov#page/nl9/m ode/2up). Несмотря на оптимизм Азимова
у современных роботов нет следующих возможностей.
»
»
»

Понять три закона роботехники.
Выбрать действия согласно этим трем законам.
Обнаружить и осознать возможное нарушение этих трех законов.

Некоторые могут полагать, что современные роботы действительно не
очень интеллектуальны, поскольку им не хватает этих возможностей, и они
правы. Однако Исследовательский совет инженерных и физических наук
(Engineering and Physical Sciences Research Council — EPSRC), являющийся

основным агентством Великобритании по финансированию исследований в
технике и физике, рекомендовал в 2010 году пересмотреть законы роботехники
Азимова применительно к реальным роботам с учетом текущих технологий.
Результат получился весьма отличным от первоначальных установок Азимова
(см. h t t p s : //w w w .ep sr c .a c .u k /r e se a r c h /o u r p o r tfo lio /th e m e s/e n g in e e r in g / a c t i v i t i e s / p r i n c i p l e s o f r o b o t i c s / ). Эти пересмотренные принципы
признают, что роботы могут даже убивать (в целях национальной безопасно­
сти), поскольку они — инструмент. Подобно всем другим инструментам, вы­
полнение существующих законов и нравственных норм лежит на их пользователе-человеке, а не на машине, робот считается только исполнителем. Кроме
того, некто (человек) всегда должен нести ответственность за результаты дей­
ствий робота.

О
СОВЕТ

Принципы EPSRC представляют более реалистичную точку зрения
на роботы и мораль, учитывая используемую сегодня технологию
слабого искусственного интеллекта, но они могли бы также обеспе­
чить частичное решение в случаях более совершенных технологий.
В глава 14 обсуждаются проблемы, связанные с использованием бес­
пилотных автомобилей, своего рода мобильных роботов, способных
самостоятельно управлять автомобилем. Например, при рассмотре­
нии проблемы вагонетки (trolley problem) далее в этой главе перед
вами встанут возможные, хотя и маловероятные, моральные про­
блемы, которые поколеблют уверенность относительно автоматизи­
рованных машин, когда придет время сделать определенный выбор.

Фактические возможности роботов

Возможности существующих роботов все еще далеки от таковых для чело­
векообразных роботов из романов Азимова, они принадлежат к разным катего­
риям. Тип двуногого робота, придуманного Азимовым, является в настоящее
время самым редким и наименее совершенным.
Наиболее распространена такая категория роботов, как манипулятор, по­
добный описанному ранее Unimate. Роботы этой категории так и называют­
ся: манипуляты. Вы можете найти их на фабриках работающими как инду­
стриальные роботы, где они осуществляют сборку и сварку со скоростями и
точностью, недоступными рабочим-людям. Некоторые манипуляторы исполь­
зуются даже в больницах для помощи в хирургических операциях. Диапазон
движения манипуляторов ограничен, поскольку они интегрируются по месту
применения (они могут немного перемещаться, но немного, поскольку у них
нет ни мощных моторов, ни электрического сцепления), поэтому им требует­
ся помощь специального технического персонала для перемещения на новое

место. Кроме того, используемые в промышленности манипуляторы обычно
полностью автоматизированы (в отличие от хирургических устройств, дистан­
ционно контролируемых хирургом, принимающим медицинские решения при
операции). Сейчас во всем мире работает более миллиона манипуляторов, по­
ловина из которых расположена в Японии.
Второй по величине и скорости роста является категория мобильных робо­
тов. В отличие от манипуляторов их специализация — перемещение с помо­
щью колес, роторов, крыльев или даже ног. В этой большой категории можно
найти роботы, подающие еду (https://nypost.com/2017/03/29/dominos-delivery-robots-bring-pizza-to-the-final-frontier/) или книги (https://
www.digitaltrends.com/cool-tech/amazon-prime-air-delivery-droneshistory-progress/),используемые на коммерческих предприятиях или даже
в исследовании Марса (https: //mars.nasa.gov/mer/overview/). Мобильные
роботы являются главным образом беспилотными (в них никого нет) и контро­
лируемыми дистанционно, но их автономность постоянно увеличивается, и вы
можете ожидать увидеть в этой категории более независимые роботы. Есть два
специальных вида мобильных роботов: летающие дроны (drone) (глава 13) и
беспилотные автомобили (глава 14).
Последний вид роботов — это мобшьный манипулятор, способный пере­
мещаться (как мобильные роботы) и манипулировать (как манипуляторы). Вер­
шина этой категории — не просто робот, способный перемещаться и имеющий
механическую руку, но также подражающий человеку по форме и поведению.
Гуманоидный робот — это двуногое существо (с двумя ногами), имеющее че­
ловеческий торс и общающееся с людьми с помощью голоса и жестов. Этот
тот вид робота, о котором мечтала научная фантастика, но создать его не так
просто.

Почему так трудно быть гуманоидом
Человекоподобные роботы развиваются трудно, и ученые все еще работа­
ют над ними. Мало того что гуманоидные роботы требуют повышенных воз­
можностей искусственного интеллекта, чтобы быть автономными, они также
должны перемещаться, как люди. Самое большое затруднение, тем не менее,
заключается в том, чтобы люди приняли машину, выглядящую, как человек.
В следующих разделах рассматриваются различные аспекты создания гуманоидного робота.
Создание ходящего робота

Рассмотрим проблему робота, ходящего на двух ногах (двуногий робот).
Люди этому учатся опытным путем, не задумываясь, но для робота это
весьма проблематично. Четвероногие роботы легко держат равновесие и не
239

расходуют на это много энергии. Люди, напротив, расходуют энергию даже
просто стоя, удерживая равновесие, как и при ходьбе. Гуманоидные роботы —
как люди; они должны держать равновесие непрерывно, причем делать это
эффективно и экономно. В противном случае роботу понадобится большой
аккумулятор, который тяжел и громоздок, что усложняет проблему равнове­
сия еще больше.
Предоставленное IEEE Spectrum видео дает куда лучшее представление о
сложности реализации ходьбы. Видео демонстрирует роботов, участвующих в
конкурсе DARPA Robotics Challenge (DRC), организованных агентством U.S.
Defense Advanced Research Projects Agency c 2012 no 2015 год: https://www.
youtube.com/watch?v=gOTaYhjpOfo. Цель конкурса DRC заключалась в стиму­
лировании робототехнических исследований, способных помочь при ликвида­
ции последствий стихийных бедствий и проведении гуманитарных операций
в обстановках, опасных для людей (https://www.darpa.mil/program/darparobotics-challenge). Поэтому вы видите, что роботы идут по пересеченной
местности, открывают двери, берут инструменты (такие, как электродрель)
или пытаются повернуть вентиль клапана. Недавно разработанный робот At­
las, от Boston Dynamics, оказался довольно многообещающим, как описано в
статье https://www.theverge.com/circuitbreaker/2017/ll/17/16671328/
bostondynamics-backflip-robot-atlas. Робот Atlas действительно является
исключительным, но ему все еще предстоит долгий путь обучения.

ЭАПОМНИ1

Робот с колесами может легко двигаться по дороге, но в определен­
ных ситуациях необходим робот человеческой формы, удовлетворя­
ющий специфическим требованиям. Большинство инфраструктур в
мире создано для человека. Наличие таких препятствий, как узкий
проход, дверь или лестница, делает использование роботов других
форм затруднительным. Например, во время чрезвычайной ситуа­
ции роботу, возможно, придется зайти на атомную электростанцию
и перекрыть клапан. Человеческая форма позволяет роботу подойти,
подняться по лестнице и закрутить колесо клапана (valve wheel).

Преодоление человеческого нежелания: зловещ ая долина

У людей есть проблема с гуманоидными роботами, выглядящими слишком
похожими на людей. В 1970 году профессор Токийского технологического ин­
ститута Масахиро Мори (Masahiro Mori) изучал влияние роботов на японское
общество. Он предложил термин
(букими но тани), который пере­
водится как “эффект зловещей долины”. Согласно исследованиям Мори чем
реалистичнее выглядит робот, тем больше симпатий люди испытывают к нему.
Симпатия растет, пока робот не достигнет определенной степени реализма,

после которой он нравиться перестает (даже вызывает отвращение). Отвраще­
ние увеличивается до тех пор, пока робот не достигает уровня реализма, дела­
ющего его копией человека. Эта зависимость приведена на рис. 12.1 и описана
в оригинальной статье Мори https://spectrum, ieee.org/automaton/robotics/humanoids/the-uncanny-valley.
Здоровый человек

Кукла Бунраку

Протез руки

О причинах отвращения, испытываемого людьми при контакте с робо­
том, почти, но не полностью похожего на человека, было сформулировано
несколько гипотез. Предполагается, что люди обращают внимание на тон
голоса робота, жесткость его движений и искусственную текстуру кожи. Не­
которые ученые приписывают эффект зловещей долины культурным причи­
нам, другие — психологическим или биологическим. Недавний эксперимент
на обезьянах показал, что приматы подвержены подобной практике, когда
им демонстрируют более или менее реалистично обработанные фотографии
обезьян, выполненные по трехмерной технологии (см. https: //www.wired.
com/2009/10/uncanny-monkey/). Участвующие в эксперименте обезьяны де­
монстрировали небольшое отвращение к реалистичным фотографиям, намекая
на наиболее популярную биологическую причину эффекта зловещей долины.
Причиной, таким образом, может быть реакция самозащиты против существ,
выглядящих неестественно, поскольку они, возможно, либо больны, либо даже
мертвы.
Интересный момент эффекта зловещей долины: если необходимы гуманоидные роботы, чтобы помогать людям, следует также учитывать их уровень
реализма и уделять внимание эстетическим деталями, чтобы получить положи­
тельную эмоциональную реакцию, которая позволит пользователям принимать

помощь робота. Недавние наблюдения показали, что роботы даже с неболь­
шим подобием человеку вызывают привязанность у их пользователей. Напри­
мер, согласно многим отчетам американских солдат они чувствовали потерю,
когда подрывались их небольшие тактические роботы для обнаружения и обез­
вреживания взрывных устройств. (Статью об этом можно прочитать по адресу
https://www.technologyreview.com/s/609074/how-we-feelabout-robotsthat-feel/.)

Сотрудничество с роботами
У разных типов роботов разные области применения. Пока люди разработа­
ли и улучшили только три класса роботов (манипуляторы, мобильные и гума­
ноиды), для робототехники открылись новые области применения. Сейчас уже
невозможно перечислить все случаи использования роботов, и в следующих
разделах затрагивается лишь часть наиболее перспективных и революционных
направлений их использования.
Увеличение экономической отдачи

Манипуляторы, или индустриальные роботы, все еще составляют наи­
больший процент работающих роботов в мире. Согласно World Robotics 2017,
исследованию, проведенному International Federation o f Robotics в конце
2016 года, в промышленности работало более 1 800 000 роботов. (Отчет до­
ступен по адресу https: /7ifr.org/downloads/press/Executive_Suimary_
WR_2017_lndustrial_Robots.) К 2020 году в результате быстрого развития
автоматизации производства количество индустриальных роботов, вероятно,
возрастет до 3 000 000. Фактически фабрики (как сущность) будут использо­
вать роботы, чтобы стать более интеллектуальными; концепция выдвинута
Industry 4.0. Благодаря широкому распространению и использованию Интер­
нета, сенсоров, данных и роботов решения Industry 4.0 упрощают настройку и
повышают качество продукции куда лучше, чем можно достичь без роботов.
Роботы уже не только работают в опасных окружающих условиях, решая такие
задачи, как сварка, сборка, покраска и упаковка; они работают быстрее, точнее
и за более низкую плату, чем люди.
Забота о вас

С 1983 года роботы помогают хирургам в сложных операциях, обеспечивая
точность и аккуратность разрезов, которой могут достичь только роботизиро­
ванные манипуляторы. Помимо дистанционного управления ходом операции
(устранение хирурга из рабочей зоны для повышения стерильности), совер­
шенствование автоматизации операций открывает возможность полной авто­
матизации хирургических операций в ближайшем будущем, как упоминается в

статье https://www.huffingtonpost.com/entry/is-the-future-of-roboticSurgery-already-here_us_58e8d00fe4b0acd784ca589a.
Оказание услуг

Роботы оказывают и другие вспомогательные услуги как в частных, так и в
публичных местах. Наиболее известен робот-пылесос Roomba, способный са­
мостоятельно чистить пол дома (это настоящий бестселлер, его продажи пре­
высили 3 миллиона экземпляров), но есть и другие сервисные роботы, также
заслуживающие внимания.
)> Доставщик. Примером является робот — доставщик пиццы Domino
(h t t p s ://www.bloomberg.com/news/articles/2017-03-29/
domino-s-will-begin-using-robots-to-deliver-pizzas-ineurope).

»

Газонокосилка. Роботизированных газонокосилок уже так много,
что вы, вероятно, можете найти их в местном садоводческом мага­
зине.

»

Информация и развлечения. Один из примеров — робот Pepper,
находящийся в каждом Японском магазине SoftBank (http: //mashable. com/2016/01/27/softbank-pepper-robot-store/).

»

Забота о пожилых. Примером такого робота является Hector, финан­
сируемый Европейским союзом (https://www.forbes.сот/sites/
jenniferhicks/2012/08/13/hector-robotic-assistance-forthe-elderly/#539ac7f82443).

Вспомогательные роботы для пожилых людей далеки от предоставления
общей помощи, оказываемой реальным медперсоналом. Роботы сосредо­
точиваются на критически важных задачах, таких как запоминание времени
приема лекарств, помощь в перемещении пациентов от кровати до каталки,
проверка физического состояния пациентов, объявление тревоги, если чтото пошло не так, или просто для компании. Например, терапевтический ро­
бот Раго обеспечивает биологическую терапию пожилым людям (https://
www.huffingtonpost.com/the-conversation-global/robotrevolution-whytech_b_14559396.html)3.
Р и ск в опасной окружающей среде

Роботы идут туда, куда люди пройти не могут или могут, но сильно риску­
ют. Некоторые роботы отправлены в космос (наиболее известны марсоходы
NASA Opportunity и Curiosity) для дальнейших его исследований. (Роботы в
космосе обсуждаются в главе 16.) Многие другие роботы остаются на Земле
3См. лучше https://ru. wikipedia.org/wiki/napo_(робот).— П р и м еч . ped.

ГЛАВА 12 Разработка роботов

2ДЗ

и используются для подземных работ, таких как транспортировка руды в шах­
тах или создание карт туннелей и пещер. Подземные роботы исследуют даже
сйстемы коллекторов, как Luigi (имя как у знаменитого коллеги-водопровод­
чика из видеоигры). Робот Luigi предназначен для чистки коллекторов, он
разработан лабораторией Senseable City Lab Массачусетсского технологиче­
ского института. Он предназначен для исследования мест, куда люди не мо­
гут проникнуть из-за высоких концентраций химикатов, бактерий или вирусов
(см. https://money.cnn.com/2016/09/30/technology/mit-robots-sewers/
index.html).

Роботы используются даже там, где люди неизбежно умрут, например при
авариях на атомных электростанциях в Три-Майл-Айленде, Чернобыле и Фу­
кусиме. Эти роботы удаляют радиоактивные материалы и делают обстановку
более безопасной. Высокие дозы радиации влияют даже на роботов, поскольку
приводят к электронным помехам и искажениям сигналов, которые со време­
нем наносят роботам ущерб. Только радиационно-стойкая интегральная схема
позволяют роботам сопротивляться радиации в достаточной мере, чтобы ре­
шать задачи, подобные решаемым подводным роботом Little Sunfish, работав­
шим в одном из затопляемых реакторов Фукусимы, где произошло расплавле­
ние топлива (см. http://www.bbc.com/news/in-pictures-40298569).
Кроме того, опасные для жизни ситуации возникают в военной или крими­
нальной обстановке, когда роботы используются для транспортировки оружия
или обезвреживания бомб. Эти роботы способны также исследовать различные
пакеты, в которых могут находиться и многие другие вредные вещи, помимо
бомб. Такие модели роботов, как PackBot от iRobot (от той же компании, ко­
торая создала чистильщика Rumba) или Talon от QinetiQ North America, обез­
вреживают опасные взрывчатые вещества при дистанционном управлении, т.е.
их действия дистанционно контролирует эксперт по взрывным устройствам.
Некоторые роботы могут даже действовать вместо солдат или полицейских,
решая задачи разведки или прямого вмешательства (например, полиция в
Далласе использовала робот для ликвидации стрелка https://edition.cnn.
com/2016/07/09/opinions/dallas-robot-questions-singer/index.html).

©
ЗАПОМНИ!

Люди ожидают, что в будущем вооруженные силы будут все чаще
использовать роботы. Если отбросить этические соображения о
применении этого нового оружия, все сводится к старому вопро­
су об электронных пушках вместо масла (https://www.huffingtonpost.com/entry/guns-versus-butter-our-re_b_60150.html),

а значит, нация вполне может обменять экономическую мощь на
военную. Роботы кажутся более пригодными для этой модели, чем
традиционное вооружение,нуждающееся в обученном персонале.

Использование страной роботизированных средства для немедлен­
ного создания эффективной армии роботов в любой момент — это
именно то, что слишком хорошо продемонстрировали предыстории
Звездных войн.
Роль специальных роботов

К специальным роботам относят дроны и беспилотные автомобили. Дроны
спорны из-за своего военного применения, но беспилотные воздушные транс­
портные средства (Unmanned Aerial Vehicle — UAV) используются также для
мониторинга сельхозугодий и многих других мирных целей, обсуждающихся
в главе 13.
Люди долго фантазировали об автомобилях, способных к самостоятельному
вождению. Эти автомобили быстро превратились в действительность после
достижений DARPA Grand Challenge. Большинство производителей автомоби­
лей пришло к мнению, что производство и продажа беспилотных автомобилей
может изменить фактическое экономическое равновесие в мире (а следова­
тельно, порыв в создании рабочих экземпляров таких транспортных средства
возможен в ближайшее время: https://www.washingtonpost.com/news/innovations/wp/2017/11/20/robot-driven-ubers-without-a-human-drivercould-appear-as-early-as-2019/). Более

подробная информация о беспилот­
ных автомобилях, их технологии и значении приведена в главе 14.

Сборка простого робота
Обзор роботов не будет полон без обсуждения его устройства с учетом со­
временного состояния дел и того, как искусственный интеллект может улуч­
шить свое функционирование. Основы роботостроения обсуждаются в следу­
ющих разделах.

Компоненты
Робот должен действовать в реальном мире, поэтому он нуждается в испол­
нительных элементах (effector) — ногах для хождения или колесах для обес­
печения возможности передвижения. Он также нуждается в руках и щипцах,
чтобы держать, вращать или обрабатывать предметы, обеспечивая, таким об­
разом, возможности манипулирования. В разговоре о возможности робота
сделать нечто можно также услышать такой термин, как исполнительный ме­
ханизм (actuator), используемый как синоним термина “исполнительный эле­
мент”. Исполнительный механизм — это один из механизмов, составляющих

исполнительные элементы и обеспечивающий одиночное движение. Таким об­
разом, у ноги робота есть несколько разных исполнительных механизмов, таких
как электромоторы или гидравлические цилиндры, выполняющих такие движе­
ния, как ориентация стоп или изгиб колена.
Действие в реальном мире требует определения его композиции и пони­
мания, где именно робот находится. Сенсоры (sensor) обеспечивают исходные
данные о происходящем вне робота. Такие устройства, как камеры, лазеры,
гидролокаторы и сенсоры давления, измеряют параметры окружающей обста­
новки и информируют робот о происходящем, а также подсказывают его ме­
стоположение. Поэтому робот состоит главным образом из организованного
набора сенсоров и исполнительных элементов. Все они разрабатываются для
взаимодействия в архитектуре, которая и составляет робота. (Сенсоры и испол­
нительные элементы — это фактически механические и электронные части,
которые можно использовать как автономные компоненты в разных случаях.)
Наиболее популярна внутренняя архитектура из параллельных процессов,
собранных в уровни, специализирующиеся на решении задачи одного вида.
Параллелизм важен. Как люди мы имеем единый процесс мышления и внима­
ния; мы не должны думать о таких базовых функциях, как дыхание, сердцеби­
ение и пищеварение, поскольку эти процессы выполняются параллельно про­
цессу мышления. Зачастую мы можем даже выполнить несколько действий,
идти или бежать, одновременно разговаривая или делая что-то еще (хотя в
некоторых ситуациях это может оказаться опасным). То же самое происходит
у роботов. Например, в архитектуре с тремя уровнями множество процессов
робота собрано на трех уровнях, каждый из которых характеризуется своим
временем ответа и сложностью ответа.
»

Реактивный (reactive). Непосредственно получает данные от сенсо­
ров как канал для восприятия роботом мира и немедленно реагиру­
ет на внезапные проблемы (например, сразу сворачивать, чтобы не
врезаться в неожиданную преграду).

»

Управляющий (executive). Обрабатывает ввод сенсоров, опреде­
ляет положение робота в пространстве (важная функция локализа­
ции) и решает, какое действие выполнять с учетом требований пре­
дыдущего уровня (реактивного) и следующего (совещательного).

»

Совещательный (deliberative). Планирует выполнение таких задач,
как переход из одного пункта в другой, а также вырабатывает после­
довательность действий по взятию объекта. Этот уровень преобра­
зует поставленную роботу задачу в набор инструкций, исполняемых
уровнем управления.

Другая популярная архитектура — это конвейерная архитектура, обычно
используемая в беспилотных автомобилях. Она просто делит параллельные
процессы робота на отдельные фазы, такие как считывание, восприятие (под­
разумевающее понимание считываемого), планирование и контроль.

Восприятие мира
Более подробно сенсоры рассматриваются в главе 14, при обсуждении их
практического применения в беспилотных автомобилях. Существует множе­
ство видов сенсоров; одни сосредоточиваются на внешнем мире, другие — на
самом роботе. Например, роботизированный манипулятор должен знать, на­
сколько распространяется его рука и достанет ли он до предмета. Кроме того,
некоторые сенсоры являются активными (они активно ищут информацию на
основании решения робота), а другие — пассивными (они получают инфор­
мацию постоянно). Каждый сенсор предоставляет электронный ввод, который
робот может использовать немедленно или предварительно обработав, чтобы
получить о нем представление.
Восприятие (perception) подразумевает создание локальной карты реальных
объектов и определение расположения робота на более общей карте известно­
го мира. Процесс комбинации данных от всех сенсоров, сочетание датчиков
(sensor fusion), создает список основных фактов, используемых роботом. Ма­
шинное обучение в данном случае помогает выработать алгоритмы зрения, а
использование глубокого обучения позволяет распознавать объекты и образы
(как обсуждалось в главе 11). Он также объединяет все данные в осмыслен­
ное представление, используя алгоритмы неконтролируемого машинного об­
учения. Это задача малоразмерного встраивания (low-dimensional embedding),
подразумевающего преобразование сложных данных от всех сенсоров в прос­
тую плоскую карту или другое представление. Расположение робота опреде­
ляет метод одновременной локализации и построения карты (Simultaneous
Localization And Mapping — SLAM), работающий точно так же, как когда вы
смотрите на карту, чтобы понять, где вы находитесь.

Управление роботом
После предоставления сенсорами всей необходимой информации система
планирования предоставляет роботу список действий, которые следует пред­
принять для достижения цели. Планирование осуществляется программно
(с использованием экспертной системы, например, как описано в главе 3) или
с помощью алгоритма машинного обучения, такого как байесовские сети, опи­
санного в главе 10. Разработчики экспериментируют с применением обучения
с подкреплением (машина учится методом проб и ошибок), но робот — не

малыш (он тоже учится ходить методом проб и ошибок); эксперименты могут
доказать неэффективность метода, а кроме того, они требуют автоматического
создания плана обучения, поскольку довольно дорогой робот может быть по­
врежден в процессе.
И наконец, планирование — это не просто вопрос интеллектуальных алго­
ритмов, поскольку, когда дело доходит до его исполнения, все обычно проходит
не так, как планировалось. Давайте взглянем на эту проблему с человеческой
точки зрения. Вслепую вы не сможете идти прямо, если у вас не будет некоего
ориентира для внесения постоянных поправок. Иначе вы будете ходить кру­
гами. Ваши ноги являются исполнительными механизмами, но они не всегда
отлично выполняют инструкции. Роботы стоят перед той же самой проблемой.
Кроме того, роботы сталкиваются с такими проблемами, как задержки систе­
мы (технически запаздыванием), или робот выполняет инструкции не точно
вовремя, в результате чего получаются смешные вещи. Но чаще всего возника­
ет проблема с окружающей робота обстановкой.

О
ЗАПОМНИ!

»

Неопределенность. Робот не знает, где он находится; он может на­
блюдать ситуацию только частично и не может понять ее точно. При
неопределенности разработчики говорят, что робот работает в сто­
хастической среде (stochastic environment).

»

Состязательная ситуация. Люди или объекты находятся в дви­
жении. В некоторых ситуациях эти объекты м огут быть опасны
(см. https://www.businessinsider.com/kids-attack-bullyrobot-japanese-mall-danger-avoidance-ai-2015-8).3TO проб­
лема многоагентности (m ultiagent problem).

Роботы должны работать в окружающих средах, являющихся час­
тично неизвестными, изменчивыми, а главное — непредсказуемы­
ми, без постоянных путей. Все его действия связаны, и робот дол­
жен непрерывно обрабатывать поток информации и действовать в
режиме реального времени. Нужна способность приспосабливать­
ся к такому виду окружающей обстановки, который не может быть
полностью предусмотрен или запрограммирован, а это требует спо­
собности к обучению, все чаще предоставляемой роботам алгорит­
мами искусственного интеллекта.

Глава 13

Полеты с дронами
В ЭТОЙ Г Л А В Е ...
» Различие меж ду военными и граж данскими дронами
» Возможности использования дронов
» Что искусственны й интеллект может дать дронам
» Правила применения дронов

роны (drone) — это мобильные роботы, способные перемещаться в
окружающей среде по воздуху. Первоначально предназначенные для
военных целей, дроны стали великолепной новинкой для досуга, ис­
следований, коммерческой доставки и многого другого. Однако за всеми их
разработками все еще скрываются военные цели, что вызывает беспокойство
у многих экспертов по искусственному интеллекту и общественных деятелей,
которые видят в них возможную непобедимую машину для убийства.
Люди летают с тех пор, как братья Райт совершили первый полет 17 декабря
1903 года (см. https://www.nps.gov/wrbr/learn/historyculture/thefirstflight.htm). Однако летать люди хотели всегда, и легендарные мыслители, та­
кие как Леонардо да Винчи в эпоху Возрождения (см. статью Смитсоновского
музея: https://airandspace.si.edu/stories/editorial/leonardo-da-vinci-and-flight), всегда обращали внимание на эту задачу. Технология полета
уже довольно совершенна, поэтому дроны являются более зрелыми, чем дру­
гие мобильные роботы, поскольку ключевая технология их работы хорошо из­
вестна. Ограничением дронов является применение искусственного интеллек­
та. Полет накладывает некоторые существенные ограничения на возможности

Д

дронов, например вес, который они могут нести, или действия, которые они
могут совершать, достигнув места назначения.
В этой главе обсуждаются текущее состояние дронов (потребительского,
коммерческого и военного классов), а также роли, которые дроны могут играть
в будущем. Частично эти роли зависят от интеграции с решениями для искус­
ственного интеллекта, которые дадут им больше автономности и дополнитель­
ных возможностей при перемещении и работе.

На грани искусства
Дроны, мобильные роботы, способные летать, существуют довольно давно,
в военной области (откуда и произошла эта технология). Официальное военное
название таких летательных аппаратов — беспилотный самолет (Unmanned
Aircraft System — UAS). На публике такие мобильные роботы больше известны
как дроны, поскольку их звук напоминает жужжание трутня. Но вы не встрети­
те этот термин в официальных публикациях, поскольку чиновники предпочита­
ют такие термины, как “UAS”, или беспилотные воздушные боевые средства
(Unmanned Aerial Combat Vehicle — UACV), или беспилотные воздушные сред­
ства (Unmanned Aerial Vehicle — UAV), или даже дистанционно пилотируемые
самолеты (Remotely Piloted Aircraft — RPA).

9
СОВЕТ

Названий много. Следующая статья ABC News поможет понять наи­
более популярные аббревиатуры и официальные названия дронов:
http://www.abc.net.au/news/2013-03-01/drone-wars-the-definition-dogfight/4546598.

Беспилотный вылет на задание
Напоминающие обычный самолет (но меньшего размера) военные дроны
летают на крыльях, т.е. имеют крылья, а также один или несколько пропелле­
ров (или реактивных двигателей) и в некоторой степени не очень отличаются
от самолетов, на которых путешествуют гражданские лица. Сейчас использу­
ются военные дроны шестого поколения, как описано в статье https://www.
military.com/dailynews/2015/06/17/navy-air-force-to-develop-sixthgeneration-unmanned-fighter.html. Военные дроны являются беспилотными

и дистанционно контролируются по спутниковой связи даже с другой стороны
земли. Военные операторы дронов получают от контролируемых дронов теле­
метрическую информацию, преобразуемую в изображение. Операторы могут
использовать эту информацию при управлении аппаратом, которому пере­
даются определенные команды. Одни военные дроны выполняют задачи на­
блюдения и разведки, поэтому несут только камеры и другие устройства сбора
250

ЧАСТЬ 4

Работа с искусственным интеллектом...

информации. Другие вооружены и могут атаковать цели. Некоторые из наибо­
лее оснащенных моделей сравнимы по возможностям с пилотируемыми бое­
выми самолетами (см. h t t p s : / / w w w .m ilita ry .co m /d efen setech /2 0 1 4 /ll/2 0 /
n a v y -p la n s-fo r-fig h te r-to -rep la ce -th e-fa -1 8 -h o rn et-in -2 0 3 0 s) и способ­
ны достичь даже тех мест на планете, которых обычный пилот достичь не мо­
жет (h t t p s : //sp acen ew s. c o m /u - s - m ilit a r y - g e t s - t a s t e - o f - n e w - s a t e llit e technology-for-unm anned-aircraft/).
История военных дронов длинна. Хотя ее начало и является темой для де­
батов, Королевский флот начал использовать подобные дрону аппараты для
учебных стрельб в 1930-х годах (см. h ttp s ://d r o n e w a r s .n e t/2 0 1 4 /1 0 /0 6 /
r i s e - o f - t h e - r e a p e r s - a - b r i e f - h is t o r y - o f - d r o n e s / ) . В США практиче­
ски настоящие дроны регулярно использовались в качестве мишеней уже с
1945 года (см. h ttp ://w w w .d e sig n a tio n -sy ste m s.n e t/d u sr m /m -3 3 .h tm l).
С 1971 года исследователи начали применять любительские дроны в военных
целях. Джон Стьюарт Фостер (John Stuart Foster), физик-ядерщик, работавший
на американское правительство, увлекался моделями самолетов и предполо­
жил идею ставить на них оружие. Это привело к разработке двух прототипов
DARPA в 1973 году, но применение подобных дронов Израилем в ближнево­
сточных конфликтах прошлого десятилетия вызвало интерес и потребовало
дальнейшей разработки военных дронов. Довольно интересно, что в 1973 году
военные впервые сбили дрон, используя лазер (см. статьи Popular Science в
h ttp s://w w w .p op sci.co m /la ser-g u n s-a re-ta rg etin g -u a v s-b u t-d ro n es-a refig h tin g -b a c k и Popular Mechanics в https://w w w .popularm echanics.com /
m ilitary/research /a22627/drone-laser-sh ot-d ow n -1973/). Первое убийство
с помощью дрона произошло в 2001 году в Афганистане (см. h t t p s : //www.
t h e a t l a n t i c .c o m /in te r n a tio n a l/a r c h iv e /2 0 1 5 /0 5 /a m e r ic a -fir st-d r o n e strik e-a fg h a n ista n /3 9 4 4 6 3 /). Конечно, на курок нажимал человек на другом
конце канала связи.
Люди обсуждают, предоставлять ли военным дронам возможности искус­
ственного интеллекта. Некоторые полагают, что наличие у дронов собствен­
ного процесса принятия решений могло бы привести, при неисправности, к
уничтожению людей. Однако возможности искусственного интеллекта могли
бы также позволить дронам лучше избегать повреждений или выполнять дру­
гие задачи, не связанные с убийством, как сегодня искусственный интеллект
помогает водить автомобили. Он мог бы помогать пилотам стабилизировать
полет при плохой погоде, как роботизированная система da Vinci помогает
хирургам (см. раздел “Помощь хирургу” главы 7). Сейчас военные дроны с
возможностями убийства также спорны, поскольку искусственный интеллект
может сделать военные действия просто абстракцией с дальнейшей дегумани­
зацией, сводя их к передаче дронами образов операторам и отдаче ими команд

ГЛАВА

Полеты с дронами

251

дистанционно. Да, решение об убийстве все еще принимал бы оператор, но
фактическое убийство осуществлял бы дрон, ограждая оператора от ответ­
ственности за это.

СОВЕТ

Обсуждение военных дронов существенно для этой главы, поскольку
они неотделимы от разработки гражданских дронов, и это влияет на
обсуждение данной технологии в обществе. Кроме того, предоставление военным дронам полной автономии дает аргументацию ста­
тьям об апокалипсисе искусственного интеллекта уже вне области
научной фантастики и несколько беспокоит общество. Более под­
робный технический обзор моделей и их возможностей приведен в
статье Deutsche Welle https://www.dw.com /en/a-guide-to-m ilitarydrones/a-39441185.

Знакомство с квадрокоптером
Многие люди сначала услышали о дронах-квадрокоптерах потребительско­
го и любительского классов и только затем — о коммерческих дронах-квадро­
коптерах (таких, как используемый компанией Amazon и обсуждаемый в статье
https://www.amazon.com/Amazon-Prime-Air/b?node=8037720011). Большин­
ство современных военных дронов не имеет вида вертолета, но вы можете най­
ти некоторые и из таких, как дрон TIKAD от Университета Дьюка. Он описан
в статье h ttp s://w w w .d e fe n se o n e .c o m /te c h n o lo g y /2 0 1 7 /0 7 /isr a e li-m ilitary-buying-copter-drones-m achine-guns/139199/ и продемонстрирован на
h ttp s : / / www.youtube. com/watch?v=VaTW8uAo_6s. Военные дроны вертолетно­
го типа фактически были сначала любительскими прототипами (см. h t t p s : / /
www.popularmechanics. com /m ilitary/research/new s/a27754/hobby-drones n ip e r /).
Однако неотъемлемой частью всех этих работ являются мобильные телефо­
ны. По мере того как мобильные телефоны становились все меньше, их бата­
реи становились все легче. Мобильные телефоны имеют также миниатюрные
камеры и беспроводное подключение — все, что необходимо для современно­
го дрона. Несколько десятилетий назад у маленьких дронов был целый набор
ограничений.
»

Они были радиоуправляемыми с большими наборами команд.

»

Они нуждались в прямой видимости (или вы будете лететь вслепую).

»

Это были маленькие самолеты с жестким крылом (без возможности
зависания).

»

Они имели шумные дизельные или бензиновые двигатели (ограни­
чивающие их диапазон и простоту применения).

Новые легкие литиевые батареи обеспечили дронам следующее.
»

Меньшие, более тихие и надежные электромоторы.

»

Беспроводное дистанционное управление.

»

Видеосигнал от дрона (прямая видимость больше не нужна).

Сейчас дроны обладают также датчиком GPS, акселерометрами и гироско­
пами — все из комплектующих обычных мобильных телефонов. Эти средства
позволяют контролировать позицию, высоту и ориентацию, что для телефон­
ных приложений весьма полезно, а для полета дрона крайне важно.
Благодаря всем этим усовершенствованиям дроны изменились от подобия
моделям самолетов с фиксированным крылом до некого подобия вертолетам,
но с несколькими роторами, чтобы поднять себя в воздух и выбрать направ­
ление. Использование нескольких роторов предоставляет ряд преимуществ.
В отличие от вертолетов, дроны не нуждаются в роторах с изменяемым шагом
для ориентации. Роторы с переменным шагом дороже и их сложнее контроли­
ровать. Вместо этого дроны используют простые пропеллеры фиксированного
шага, способные совместно выполнять те же самые функции роторов перемен­
ного шага. Следовательно, дроны теперь многороторные: трикоптеры, квадрокоптеры, гексакоптеры и октокоптеры с 3, 4, 6 и 8 роторами соответственно.
Из всех возможных конфигураций квадрокоптер стал наиболее популярной
конфигурацией дрона для коммерческого и гражданского использования. Имея
четыре небольших ротора, вращающихся навстречу друг другу, оператор легко
может повернуть и переместить дрон, изменив скорость вращения разных ро­
торов, как показано на рис. 13.1.

Рис. 13.1. Квадрокоптер летит при противовращении его
роторов в указанных направлениях

Области применения дронов
У каждого типа дрона есть различные возможности для использования ис­
кусственного интеллекта. У больших и маленьких военных дронов уже есть
свои параллельные наработки в смысле технологии, и эти дроны, вероятно,
будут использованы для разведки и наблюдения. Эксперты предсказывают, что
военные дроны будут отличаться от личных и коммерческих, поскольку в по­
следних используются технологии, отличные от военных. (Некоторые сходства
существуют, например TIKAD от Университета Дьюка фактически начал ис­
пользоваться как потребительский дрон.)
Небольшими дешевыми и легко настраиваемыми дронами интересуются не
только повстанцы и террористические группы (см. пример http://www.popularm ech anics. co m /m ilita r y /w ea p o n s/a l8 5 7 7 /isi-sp a ck in g -d ro n es-w ith e x p lo s iv e s /), но и правительства для военных действий в условиях города и
внутри помещений. Помещения, такие как коридоры или комнаты, существен­
но ограничивают боевые возможности таких военных дронов, как Predator или
Reaper, имеющих размер самолета (если только не нужно снести все здание).
То же самое относится к дронам-разведчикам, таким как Raven и Puma, по­
скольку они созданы для действий на открытом поле боя, а не для уличных
боев. (Более подробный анализ возможного военного развития ранее безоруж­
ных потребительских дронов приведен в статье от Wired h t t p s : //www. wired.
com /2017/01/m ilitary-m ay-soon-buy-drones-hom e/).
Коммерческие дроны далеки от того, чтобы быть использованными на поле
боя сразу после покупки в магазине, хотя и предоставляют подходящую плат­
форму. Важнейшая причина интереса военных к использованию коммерческих
дронов в том, что они общедоступны и недороги по сравнению со стандартным
вооружением, что делает их как разовыми в применении, так и применимыми
во многих ситуациях. Несложные для взлома и модификации, они требуют
большей защиты, чем их уже защищенные военные аналоги (их каналы связи
и элементы управления могут быть блокированы электронными средствами),
и нуждаются в интеграции некоторых ключевых частей программного обеспе­
чения и оборудования, прежде чем они могут быть эффективно применены в
любом задании.
Для навигации в закрытом пространстве необходимы улучшенные способ­
ности избегать столкновений и контролировать направления без GPS (сигналы
которого в здании обычно экранируются), а также избегать привлечения вни­
мания потенциального противника. Кроме того, для разведки дроны нуждались
бы в способностях планирования (определения засад и угроз) и выявления
целей. Такие дополнительные характеристики отсутствуют у существующих
коммерческих технологий и потребовали бы для решения искусственного

интеллекта, разработанного специально для этой цели. Военные исследовате­
ли активно работают над необходимыми дополнениями, чтобы получить во­
енные преимущества. Недавние разработки в сложных сетях глубокого обуче­
ния, устанавливаемых на стандартных мобильных телефонах, такие как YOLO
(h ttp s : //p jr e d d ie . com /darknet/yolo/) или MobileNets от Google (h ttp s: / /
ai.googleb log.com /2017/06/m obilenets-open-source-m odels-for.htm l), до­
казывают, что установка сложного искусственного интеллекта на маленький
дрон вполне возможна уже при существующих технологических достижениях.

Дроны на невоенных ролях
В настоящее время у коммерческих дронов нет многих возможностей, ко­
торыми обладают военные модели. Коммерческий дрон может лишь сделать
ваш снимок и снимок вашего участка с воздуха. Но даже коммерческие дроны
находят применение сейчас и будут находить в ближайшем будущем.
»

Своевременная доставка товаров независимо от транспортных за­
торов (разрабатывается Google X, Amazon и многими другими).

»

Мониторинг при обслуживании и руководстве проектом.

»

Оценка ущерба в страховании.

»

Создание карт полей и подсчет поголовья стад для фермеров.

»

Помощь при поисково-спасательных операциях.

»

Поддержка подключения к Интернету в удаленных, неподключен­
ных областях (идея разрабатывается Facebook).

»

Производство электричества с использованием высотных ветров.

»

Перемещение людей из одного места в другое.

Доставка товаров дроном недавно поразила воображение публики благо­
даря усилиям больших компаний. Одним из первых и наиболее известных
примеров является компания Amazon (пообещавшая, что служба Amazon
Prime Air вскоре начнет работу: https://www.am azon.com /Am azon-Prim eAir/b?node=8037720011). Компания Google обещает подобную службу, Project
Wing (h t t p s ://w w w .b u sin e ssin sid e r .c o m /p r o je c t-w in g -u p d a te -fu tu r e g o o g le -d ro n e-d eliv er y -p ro je ct-2 0 1 7 -6 ? IR = T ). Однако мы можем еще на
протяжении многих лет ожидать запуска реальной масштабной службы воз­
душной доставки на базе дронов.

©

ЗАП0МНИ1

Хотя идея была в том, чтобы убрать посредников из цепочки ло­
гистики наиболее выгодным способом, остается еще урегулиро­
вать некоторые неоднозначности и решить множество технических
проблем. Средствам массовой информации продемонстрировали
255

дрон, успешно доставляющий небольшие пакеты и предметы, такие
как пицца или бурито, по назначению экспериментальным спосо­
бом (h t t p s : / /www. th e v e r g e . com/2 017/10/16/16486208/a lp h b e tg o o g le -p r o j e c t - w in g - d r o n e - d e liv e r y - t e s t in g - a u s t r a lia ) , но
правда в том, что дроны не могут летать далеко и нести большой
вес. Одна из самых больших проблем — регулирование полетов це­
лых роев дронов, каждый из которых должен доставить что-то из
одного пункта в другой. Есть и вполне очевидные проблемы, напри­
мер уклонение от таких препятствий, как линии электропередачи,
здания и другие дроны, устойчивость к плохой погоде и поиск под­
ходящего места посадки. Дроны должны также избегать опреде­
ленных воздушных пространств и отвечать всем требованиям без­
опасности полетов, предъявляемым к самолетам. Искусственный
интеллект станет ключом к решению большинства этих проблем, но
не всех. В настоящее время доставка дронами кажется прекрасной,
пока ее масштабы не велики, а задачи куда важнее доставки бури­
то вам на дом (пример приведен в статье h ttp : // t im e . com/rwandad r o n e s-z ip lin e /).
Дроны могут стать вашими глазами, позволяя видеть в ситуациях, которые
слишком опасны, затруднительны или дороги. Дистанционно контролируемые
или полуавтономные (с использованием решений искусственного интеллекта
для обнаружения образов и обработки данных сенсоров) дроны могут осма­
тривать местность и оказывать поддержку в выживании, т.е. найти и спасти,
поскольку они способны осмотреть любую инфраструктуру сверху и позво­
лить оператору-человеку принять соответствующие меры. Например, дроны
успешно инспектируют линии электропередачи, трубопроводы ( h t t p s : / /
w w w .w sj.c o m /a r tic le s/u tilitie s-tu r n -to -d r o n e s-to in sp e c t-p o w e r -lin e sa n d -p ip e lin e s-1 4 3 0 8 8 1 4 91) и железнодорожные пути (h t t p : / / f o r t u n e .
com /2015/05/29/bnsf-drone-program /), обеспечивая более частый и менее
дорогой мониторинг жизненно важных, но не легкодоступных инфраструк­
тур. Даже страховые компании посчитали их полезными для оценки ущерба
(h t t p s : //www.wsj. c o m /a r tic le s /in s u r e r s -a r e -s e t-to -u s e -d r o n e s -to -a s sess-harveys-property-dam age-1504115552).
Полиция и службы быстрого реагирования по всему миру нашли дроны
полезными для множества действий, от поисково-спасательных операций
до поиска лесных пожаров, а также от пограничного патрулирования до мо­
ниторинга скопления масс. Полицейские находят более новые способы ис­
пользования дрон ов (h ttp ://w w w .fo x n ew s. c o m /te c h /2 0 1 7 /0 7 /1 9 /d r o n e sb e c o m e - n e w e s t - c r im e - f ig h t in g - t o o l- f o r - p o lic e . htm l), включая поиск
нарушителей дорожного движения (см. статью h ttp s: / / www.motorauthority.

com /new s/1113849_french-police-using-drones-to-catch-drivers-breakingthe-law ).
Сельское хозяйство — еще одна важная область применения дронов. Мало
того что они могут контролировать посевы зерновых, сообщая об их состоянии
и выявляя проблемы, они также способны применять пестициды или удобре­
ния только там, где это на самом деле необходимо, как описано в обзоре Мас­
сачусетсского технологического института (h ttp s : //www. technologyreview .
com /s/526491/agricultural-drones/). Дроны предоставляют образы, которые
подробнее и дешевле получаемых от орбитального спутника, и применимы для
следующего.
»

Картографирование почв, а также анализ полученных образов и
результатов трехмерного лазерного сканирования для повышения
эффективности планирования посевов.

»

Контроль движения тракторов.

»

Контроль созревания урожая в реальном времени.

»

Распыление химикатов, когда и где необходимо.

»

Ирригация, когда и где необходимо.

»

Оценка состояния урожая с использованием инфракрасного зре­
ния, чего сам фермер сделать не может.

Точное земледелие (precision agriculture) подразумевает использование воз­
можностей искусственного интеллекта для управления движением, локализа­
ции, зрения и обнаружения. Точное земледелие способно повысить продук­
тивность сельского хозяйства (более здоровые зерновые культуры — больше
пищи для всех) при снижении затрат на него (нет необходимости распылять
пестициды повсюду).
Дроны способны и на большие подвиги. Идея в том, чтобы переместить су­
ществующую инфраструктуру в небо, используя дроны. Например, компания
Facebook намеревается обеспечить соединение с Интернетом (h ttp s: / /www.
th eg u a rd ia n .co m /tech n o lo g y /2 0 1 7 /ju l/0 2 /fa ceb o o k -d ro n e-a q u ila -in tern e t-te s t-flig h t-a r iz o n a ) там, куда кабель связи недотянули или где повреди­
ли, используя специальные дроны Aquila (h ttp s : / / www.facebook.com/notes/
m a rk -zu ck erb erg /th e-tech n o lo g y -b eh in d -a q u ila /1 0 1 5 3 916136506634/).
Планируется также использовать дроны для транспортировки людей, заме­
нив такие популярные транспортные средства, как автомобиль (h ttp : //www.
bbc.com /new s/technology-41399406). Еще одна возможность — производ­
ство электроэнергии в верхних слоях атмосферы, где дуют постоянные силь­
ные ветры и никто не жалуется на шум от ротора ( h t t p s : / / www.bloomberg.
co m /n ew s/a rticles/2 0 1 7 -0 4 -ll/fly in g -d ro n es-th a t-g en era te-p o w er-fro m wind-get-backing-from -eon).

Усиление дронов искусственным интеллектом
.Независимо от области применения дрона (потребительской, коммерчес­
кой или военной) искусственный интеллект играет для него важнейшую роль
и является решающим фактором. Улучшив автономность и координацию, ис­
кусственный интеллект делает возможными новые области применения и по­
вышает эффективность в старых. Раффаэлло Д’Андреа (Raffaello D’Andrea),
канадско-итальянско-швейцарский инженер, профессор динамических систем
и управления в ЕТН Цюриха, а также изобретатель дронов, продемонстри­
ровал свои достижения на следующем видео: h ttp s://w w w .y o u tu b e.co m /
watch?v=RCXGpEmFbOw. Видео демонстрирует, что дроны могут стать более ав­
тономными при использовании алгоритмов искусственного интеллекта. Авто­
номность влияет на то, как дрон летает, снижая роль отдающих команды лю­
дей, ведь дрон автоматически обнаруживает препятствия и реагирует на них,
обеспечивая безопасную навигацию в сложных условиях. Координация подраз­
умевает способность дронов взаимодействовать без обмена данными с центром
управления и получения от него инструкций, дроны могут обмениваться ин­
формацией между собой и взаимодействовать в реальном времени, чтобы вы­
полнить свою задачу.
Полная автономность может даже исключить человека из управления дроном,
чтобы он мог сам проложить маршрут и сам выполнить поставленную задачу.
(Люди отдают только высокоуровневые распоряжения.) Если дрон не управля­
ется пилотом, он полагается на GPS, чтобы выбрать оптимальный путь к точке
назначения, но это возможно только на открытом воздухе и маршрут не всегда
точен. Применение внутри зданий повышает требования к точности полета, а
значит, требует использования других сенсоров, позволяющих дрону контроли­
ровать ближайшее окружение (такие элементы здания, как выступы стен, в ко­
торые он может врезаться). Самым дешевым и легким из этих сенсоров является
камера, которую большинство коммерческих дронов использует как стандартное
устройство. Однако наличия камеры не достаточно, поскольку еще нужны ма­
стерство в обработке образов, использовании компьютерного зрения и методов
глубокого обучения (обсуждаемого в главе 11 в контексте сверточных сетей).
Компании ожидают от коммерческих дронов автономного решения задач,
например, чтобы они были способны доставить пакет со склада клиенту и
справиться со всеми проблемами в пути. (Как и с роботами, всегда что-то идет
не так, как надо, чтобы принимать решения на месте, устройство должно об­
ладать искусственным интеллектом). Исследователи из лаборатории реактив­
ного движения НАСА в Пасадене, Калифорния, недавно сравнили полет ав­
томатизированного дрона и дрона, управляемого профессиональным пилотом
дронов (см. h ttp s://w w w .n a sa .g o v /featu re/jpl/d ron e-race-hu m an -versu sa r t i f i c i a l - i n t e l l i g e n c e ). Интересно, что пилот-человек побеждал в этом

соревновании, пока не устал, и с этого момента более медленный, но более
стабильный и менее подверженный ошибкам дрон его догнал. В будущем того
же самого можно ожидать в шахматах и игре Го: автоматизированные дроны
опередят людей, как пилота дронов, и в летных навыках, и в выносливости.
Полная координация позволила бы сотням, если не тысячам, дронов летать
вместе. Такая возможность могла бы иметь смысл для коммерческих и потре­
бительских дронов, когда дроны переполнят небеса. Использование координа­
ции было бы полезным с точки зрения избегания столкновений, совместного
использования информации на препятствиях и анализа трафика способом, по­
добным используемому частично или полностью автоматизированными авто­
мобилями (искусственный интеллект, управляющий автомобилем, обсуждает­
ся в главе 14).
Существующие алгоритмы дронов уже пересматриваются, и уже существу­
ют некоторые решения по координации действия дронов. Например, Массачу­
сетсский технологический институт недавно разработал алгоритм децентра­
лизованной координации дронов (см. h ttp s://tech cru n ch .c o m /2 0 1 6 /0 4 /2 2 /
m it-cr ea tes-a -c o n tr o l-a lg o rith m -fo r -d ro n e-sw a rm s/). Однако большин­
ство исследований остаются незамеченными, поскольку координация дронов
имеет возможное военное применение. Рой дронов может быть куда эффек­
тивнее при прорыве обороны противника и нанесении существенного урона,
предотвратить который будет куда сложнее. У врага больше не будет цели в
виде одного большого дрона, а будут сотни маленьких. Есть также и решения
по устранению подобных угроз (см. http://www.popularm echanics.com /m ilita ry /w ea p o n s/a 2 3 8 8 1 /th e-a rm y -is-testin g -a -rea l-life-p h a ser-w ea p o n /).
Недавняя проверка на рое из ста дронов (специальной модели Perdix, изготов­
ленной по заказу Министерства обороны Соединенных Штатов), выпущенных
из трех F/A-18 Super Hornet и выполняющих разведывательную миссию, были
перехвачены (h t t p s : //www. tech n ologyreview . co m /s/603337/а - l 00-dronesw arm d -ro p p ed -fro m -jets-p la n s-its-o w n -m o v es/). Другие страны также
включаются в эту новую гонку вооружений.

О
ЗАПОМНИ!

Когда Илон Маек, соучредитель Apple Стив Возняк, физик Стивен
Хокинг и многие другие известные общественные деятели и иссле­
дователи искусственного интеллекта подняли тревогу по поводу не­
давних разработок вооружения с искусственным интеллектом, они
имели в виду не таких роботов, как в фильмах Терминатор или Я,
робот, а скорее, вооруженные летающие дроны и другое автомати­
зированное оружие. Автономное оружие может начать гонку воору­
жений и навсегда изменить лик войны. Больше об этой теме можно
прочитать в статье h ttp s: //m ashable.com /2017/08/20/ai-w eaponsb an -op en -letter-u n /.

ПОНЯТИЕ ОРИЕНТАЦИИ ОБУЧЕНИЯ
По большей части в этой книге описано создание обстановки и обеспечение
данных для обучения искусственного интеллекта. Кроме того, вы уделили мно­
го времени рассмотрению того, что возможно, а что нет для искусственного
интеллекта, исключительно с точки зрения обучения. В некоторых частях кни­
ги рассматриваются даже мораль и этика применительно к искусственному ин­
теллекту и его пользователям-людям. Однако ориентация обучения (teaching
orientation) искусственного интеллекта также важна.
В фильме Военные игры (https://w w w .am azon.com /exec/obidos/A SIN /
B0089J2818/datacservip0f-20/) военный компьютер WOPR (W arOperation
Plan Response) содержит сильный искусственный интеллект, способный выра­
ботать наилучший комплекс действий в ответ на угрозу. В начале фильма ком­
пьютер WOPR является просто советником ответственных политиков. Затем,
после взлома хакером, он начинает играть в игру'Термоядерная война". К со­
жалению, WOPR предполагает, что все игры реальны, и фактически начинает
выполнять план термоядерной войны с Советским Союзом. Фильм, кажется,
находится на грани подтверждения всех когда-либо существовавших страхов
относительно искусственного интеллекта и войны.
Вот странная часть этого фильма. Хакер найден и работает теперь на хоро­
ших парней, он разрабатывает метод объяснить искусственному интеллекту
тщетность его действий. Таким образом, искусственный интеллект попадает в
обстановку, в которой он узнает, что победа в некоторых играх ("крестики-но­
лики" в данном случае) невозможна. Независимо от того, как хорошо каждый
начнет, игра, в конце концов, закончится безвыходным положением. Затем ис­
кусственный интеллект проверяет это новое знание на термоядерной войне.
В конце концов, искусственный интеллект приходит к выводу, что единствен­
ный способ победить — это не играть вообще.
В большинстве статей в средствах массовой информации, в научной фантасти­
ке и в кино никогда не рассматривается окружающая обстановка обучения. Но
все же окружающая обстановка обучения — это основная часть уравнения, по­
скольку то, как вы настроите окружающую обстановку, определяет то, что из­
учит искусственный интеллект. В контексте военного оборудования, вероятно,
имеет смысл не только учить искусственный интеллект побеждать, но и давать
ему представление о том, что в некоторых сценариях победителей просто не
будет, поэтому наилучший выход — не играть вообще.

Проблемы регулирования
Вполне очевидно, что дроны — не первые и не единственные вещи, лета­
ющие над облаками. Десятилетия коммерческих и военных полетов перепол­
нили небеса, требуя строгого регулирования и человеческого контроля воз­
душного трафика, чтобы гарантировать безопасность. В США полномочной
организацией по регулированию всей гражданской авиации, принимающей
решения об управлении воздушным трафиком и аэропортами, является Феде­
ральное управление гражданской авиации (Federal Aviation Administration —
FAA). Управление FAA выработало серию правил для UAS (дронов), и вы
можете прочитать их по адресу h ttp s ://w w w .fa a .g o v /u a s /re so u rc e s /u a s _
re g u la tio n s_ p o licy /.
Управление FAA выработало набор правил, Part 107, в августе 2016 года.
Этот свод правил ограничивает использование коммерческих дронов только
дневным временем суток. Полный список правил доступен по адресу h ttp s : / /
www.faa.gov/new s/fact_sheets/new s_story. cfm?newsld=20516. Правила сво­
дятся к следующим пяти простым пунктам.
»

Летать на высотах ниже 400 футов (120 м).

»

Летать не быстрее 100 миль в час (161 км/ч).

»

Всегда находиться в зоне видимости.

»

У оператора должна быть соответствующая лицензия.

»

Никогда не летать возле пилотируемых самолетов, особенно возле
аэропортов.

»

Никогда не пролетать над группами людей, стадионами или местами
проведения спортивных мероприятий.

»

Никогда не летать в местах работы аварийно-спасательных служб.

Вскоре FAA издаст правила для полетов дронов ночью, когда они могут
быть вне зоны видимости и в городских условиях, хотя и сейчас уже можно
получить специальные формуляры от FAA. Цель таких регулирующих правил
состоит в обеспечении общественной безопасности в условиях, когда влияние
дронов на нашу жизнь все еще не ясно. Эти правила не сдерживают также тех­
нологический и экономический рост данной технологии.

ЗАПОМНИ!

В настоящий момент многие страны вырабатывают правила регу­
лирования полетов дронов. Эти инструкции гарантируют безопас­
ность и увеличивают области применения дронов в экономических
целях. Например, во Франции закон позволяет использование дро­
нов в сельском хозяйстве с весьма немногими ограничениями, что
позиционирует эту страну среди пионеров в их применении.
ГЛАВА 13 Полеты с дронами

2б1

Сейчас отсутствие искусственного интеллекта означает, что дроны легко
могут потерять связь и повести себя беспорядочно, иногда принося ущерб
(см. h ttp s://w w w .th ea tla n tic.co m /tech n o lo g y /a rch iv e/2 0 1 7 /0 3 /d ro n esin v is ib le -fe n c e -p r e s id e n t /5 1 8 3 6 1 /). Даже при том, что у некоторых из них
есть меры по обеспечению безопасности в случае потери связи с контролле­
ром, такие как функция автоматического возвращения в точку запуска, FAA
ограничивает их применение областью прямой видимости их оператора.
Другая важная мера безопасности — геозонирование (geo-fencing). У дронов, использующих службу GPS для локализации, есть программное обеспе­
чение, ограничивающее их доступ к предопределенным периметрам (описан­
ным координатами GPS), таким как аэропорты, военные зоны и другие области
национальных интересов. Вы можете получить список параметров по адресу
h t t p : / / t f r . f a a .g o v / t f r 2 / l i s t . h t m l или прочитать больше на эту тему по
адресу h ttp s://w w w .th ea tla n tic.co m /tech n o lo g y /a rch iv e/2 0 1 7 /0 3 /d ro n es in v is ib le -fe n c e -p r e s id e n t/518361/.
Алгоритмы и искусственный интеллект приходят на помощь при выра­
ботке подходящего технологического решения по безопасному применению
дронов, доставляющих товары в городах. Исследовательский центр НАСА
Ames Research Center работает над системой Unmanned Aerial Systems Traffic
Management (UTM), предназначенной играть роль авиадиспетчерской службы
для дронов, подобной используемой для пилотируемых самолетов. Эта систе­
ма полностью автоматизирована; она учитывает возможности дронов общаться
между собой. Система UTM помогает идентифицировать дроны в небе (у каж­
дого будет код идентификации, подобно номерам автомобилей), а также за­
дает маршрут и высоту полета каждого дрона, позволяя избегать возможных
столкновений, последствий потери управления или потенциального ущерба
гражданам. Система UTM может быть передана FAA для возможного при­
менения или дальнейших разработок в 2019 году или позже. Веб-сайт НАСА
предоставляет дополнительную информацию об этой революционной системе
управления для дронов, которая может сделать коммерческое применение дро­
нов реальным и безопасным: h t t p s : //utm . a r c . n asa. gov/.

ЗАПОМНИ!

На случай, если ограничений недостаточно и незаконные дроны бу­
дут представлятьугрозу, у полиции и военных есть несколько эффек­
тивных контрмер: поражение дрона дробовиком, его захват в сети,
заклинивание его элементов управления и поражение лазером, ми­
кроволнами либо даже управляемыми ракетами.

Глава 14

Автомобиль,
управляемый
искусственным
интеллектом
В ЭТОЙ ГЛАВЕ...
. » Пути к автономии беспилотного автомобиля
» Будущее в мире беспилотных автомобилей
» Цикл "восприятие-планирование-действие"
» Применение и объединение различных сенсоров

еспилотный автомобиль (SD саг) является автономным транспортным
средством, способным проехать от отправной точки до места назначе­
ния без человеческого вмешательства. Автономность подразумевает не
просто автоматизацию выполнения некоторых задач (таких, как система актив­
ной помощи при парковке h ttp s: / / www.youtube.com/watch?v=xW-MhoLImqg);
это хороший шаг в правильном направлении. Беспилотный автомобиль выпол­
няет все необходимые задачи самостоятельно, человек может только наблю­
дать. Поскольку история беспилотных автомобилей насчитывает более ста лет
(да, невероятно, но это так), эта глава начинается с их краткой истории.

Б

ЗАПОМНИ!

Для успеха технология должна предоставлять некое преимущество,
в котором люди видят необходимость и которого не так легко до­
биться другими методами. Именно поэтому беспилотные автомоби­
ли настолько захватывающи. Они обеспечивают не только вождение.
В следующем разделе речь пойдет о том, как беспилотные автомо­
били изменят движение весьма существенно и помогут понять, по­
чему эта технология столь неотразима.

Когда беспилотные автомобили распространятся немного больше и мир
примет их как нечто повседневное, они все равно продолжат влиять на общес­
тво. Следующая часть главы поможет вам понять эти проблемы и их важность.
Вы узнаете, на что это будет похоже и как сесть в беспилотный автомобиль
и предположить, что он доставит вас из одного места в другое без проблем.
И наконец, беспилотные автомобили требуют работы сенсоров многих ти­
пов. Да, в некотором смысле эти сенсоры можно отнести к тем, которые видят,
слышат и ощущают, но это было бы слишком большим упрощением. Заключи­
тельный раздел главы поможет понять функции различных сенсоров беспилот­
ного автомобиля и что они дают беспилотному автомобилю в целом.

Краткая история
Разработка самоуправляемых автомобилей долго была частью футуристичес­
кого предвидения, поддерживаемого научной фантастикой и фильмами начиная
с первых экспериментов над радиоуправляемыми автомобилями в 1920-х годах.
Об этом факте в истории автономных автомобилей можно прочитать в статье
h ttp s : / / q z . com /814019/d riverless-cars-are-100-years-old /. Проблема этих
первых транспортных средств была в том, что они не были практичны; кто-то
должен был следовать за ними, чтобы управлять ими по радио. Следовательно,
несмотря на давние мечты о беспилотных автомобилях у существующих проек­
тов не много общего с прошлым, кроме самого видения автономности.
Современные беспилотные автомобили серьезно улучшились в проектах,
начатых в 1980-е годы (h ttp s://w w w .te c h n o lo g y re v iew .c o m /s/6 0 2 8 2 2 /in th e -1 9 8 0 s th e -s e lf-d r iv in g -v a n -w a s -b o r n /). В этих новых проектах пред­
полагалось использовать искусственный интеллект для устранения необходи­
мости в радиоуправлении, как в прежних проектах. Эти усилия финансируют
многие университеты и военные (особенно армия США). Когда-то задача за­
ключалась в том, чтобы выиграть конкурс DARPA Grand Challenge (h ttp : / /
arch ive.d arp a.m il/gran dchallen ge/), который закончился в 2007 году. Одна­
ко сейчас множество стимулов для продолжения разработок инженерам предо­
ставляют уже военные и коммерческие задачи.

Поворотным моментом конкурса стало создание Stanley, разработанного
ученым и предпринимателем Себастьяном Труном (Sebastian Thrun) и его груп­
пой. Они выиграли конкурс DARPA Grand Challenge в 2005 году (см. видео
h t t p s : //www. youtube. com/watch?v=LZ3bbHTsOL4). После победы Трун начал
разработку беспилотных автомобилей в компании Google. Сегодня вы можете
видеть Stanley на выставке в Смитсоновском музее.

ЗАПОМНИ!

Автономные транспортные средства нужны не только военным.
Довольно давно автомобильная промышленность пострадала от
перепроизводства, поскольку было произведено больше автомоби_
г
леи, чем было необходимо на рынке. Рыночный спрос снижается
в результате всякого рода давлений, таких как долговечность авто­
мобилей. В 1930-х годах долговечность автомобилей составляла в
среднем 6,75 года, но сегодня она составляют в среднем 10,8 и бо­
лее лет, позволяя водителям проходить по 250 и более тысяч миль
(402 336 км). Снижение уровня продаж вынудило некоторых про­
изводителей уйти из отрасли или слиться в большие компании. Бес­
пилотные автомобили — серебряная пуля для индустрии — способ
благоприятно изменить рыночный спрос, повысив потребление. Эта
полезная технология приведет к увеличению количества рабочих
мест и появлению новых транспортных средств.

Будущее мобильности
Беспилотные автомобили — это прорыв не только потому, что они радикаль­
но изменят восприятие людьми автомобилей, а также и потому, что их введение
в эксплуатацию окажет существенное влияние на общество, экономику и ур­
банизацию. В настоящее время никаких беспилотных автомобилей на дорогах
еще нет — это только модели. (Вы можете полагать, что беспилотные автомо­
били — это уже коммерческая действительность, но факт в том, что все они —
только прототипы. Ознакомьтесь, например, со статьей h ttp s://w w w .w ired ,
c o m /sto r y /u b e r -se lf-d r iv in g -c a r s-p ittsb u r g h /, и вы найдете такие фразы,
как пилотный проект, под которыми следует понимать прототипы, которые на
настоящий момент еще не готовы.1) Многие полагают, что введение беспилот­
ного автомобиля потребует по крайней мере еще пары десятилетий, а замена
всех существующих автомобилей беспилотными отнимет значительно больше
времени. Но даже если беспилотные автомобили все еще в будущем, от них
можно уверенно ожидать великих вещей, как описано в следующих разделах.
1h ttp s : / / www.bbc.com/russian/news-37187602. — Примеч. ред.

Восхождение на шестой уровень автономности
Предсказать формы будущего невозможно, но многие люди по крайней
мере задумываются о характеристиках беспилотных автомобилей. Для яснос­
ти группа SAE International (http://www.sae.org/), орган стандартизации
автомобилей, опубликовала классификационный норматив для автономных
автомобилей (см. стандарт J3016 по адресу https://www.smmt.co.uk/wp-content/uploads/sites/2/automated_driving.pdf).Наличие стандарта является
серьезной вехой автоматизации автомобилей. Вот пять уровней автономности,
определяемых стандартом SAE.
»

Уровень 1. Помощь водителю. Управление все еще находится
в руках водителя, но автомобиль может выполнять простые вспо­
могательные действия, такие как контроль скорости. Этот уровень
автоматизации подразумевает систему автоматического регулиро­
вания скорости, когда вы задаете для автомобиля предел скорости,
и он стабилизирует ее, притормаживая.

»

Уровень 2. Частичная автоматизация. Автомобиль может чаще
действовать вместо водителя, справляясь с ускорением, торможе­
нием и рулевым управлением, если нужно. Задача водителя — не
терять бдительности и обеспечить контроль над автомобилем. При­
мер частичной автоматизации — автоматическое торможение, осу­
ществляемое автомобилями некоторых моделей, если они опреде­
ляют возможность столкновения (пешеходный переход или другой
внезапно остановившийся автомобиль). Еще пример — адаптивная
система автоматического регулирования скорости (которая не толь­
ко контролирует скорость автомобиля, но и адаптирует ее согласно
текущей ситуации, например когда впереди движется автомобиль) и
стабилизации курса. Этот уровень доступен коммерческим автомо­
билям с 2013 года.

»

Уровень 3. Условная автоматизация. Большинство автомобиле­
строителей работало над этим на момент написания этой книги.
Условная автоматизация означает, что автомобиль может взять
на себя управление при некоторых условиях (например, только
на магистралях или на дорогах с односторонним движением), при
ограничении скорости и под бдительным человеческим контролем.
Автомат может также потребовать передать управление человеку.
Одним из примеров этого уровня автоматизации являются недав­
ние модели автомобилей, самоуправляемые на магистрали и авто­
матически тормозящие, когда трафик замедляется.

»

Уровень 4. Высокая автоматизация. Автомобиль выполняет все
задачи вождения (руль, газ и тормоз) и контролирует любые из­
менения в дорожных условиях от начала до конца поездки. Этот

уровень автоматизации не требует человеческого вмешательства и
доступен только в определенных местах и ситуациях, поэтому во­
дитель должен быть готов при необходимости вернуть управление
себе. Производители ожидают появления такого уровня автомати­
зации примерно в 2020-х годах.
»

Уровень 5. Полная автоматизация. Автомобиль способен сделать
все сам от места отправления до места назначения, без человечес­
кого вмешательства. Способности автоматики такого уровня срав­
нимы или превосходят таковые у водителя. У автоматизированных
автомобилей уровня 5 не будет рулевого колеса. Этот уровень авто­
матизации ожидается к 2025-му году.

Даже когда беспилотные автомобили достигнут пятого уровня автономнос­
ти, вы не увидите их слоняющимися по всем дорогам. Такие автомобили все
еще в далеком будущем, а в будущем могут возникнуть трудности. В разде­
ле “Преодоление неопределенности восприятия”, приведенном далее в этой
главе, обсуждаются некоторые из препятствий, с которыми встретится искус­
ственный интеллект при вождении автомобиля. Внезапно беспилотный ав­
томобиль явно не появится; вероятнее всего, он будет получен в ходе серии
модификаций одновременно со все большим и большим количеством автомо­
билей автоматизированных моделей. Люди будут держаться за рулевое колесо
еще достаточно долго. То, что вполне можно ожидать увидеть, — это искус­
ственный интеллект, помогающий как в повседневном вождении, так и в опас­
ных условиях, повышая безопасность на дорогах. Даже когда производители
коммерциализируют беспилотные автомобили, на замену имеющегося парка
могут уйти годы. Процесс полного изменения дорожного движения в город­
ских условиях беспилотными автомобилями может занять лет 30.

ВНИМАНИЕ!

В этом разделе содержится много дат, и некоторые люди склонны
полагать, что любая присутствующая в книге дата точна. Однако
случиться может всякое, что способно ускорить или задержать при­
нятие беспилотных автомобилей. Например, система страхования в
настоящее время с подозрением относится к беспилотным автомо­
билям, поскольку опасается, что в будущем их страхование будет
затруднительно, поскольку снизится риск дорожно-транспортных
происшествий. (Консалтинговая фирма McKinsey прогнозирует,
что количество дорожно-транспортных происшествий снизится на
90 процентов: https://www.mckinsey.com/industries/automotive-and-assembly/our-insights/ten-ways-autonomous-drivingcould-redefine-the-automotive-world).Лоббирование системой
страхования может задержать принятие беспилотных автомобилей.
С другой стороны, люди, перенесшие потерю близкого человека в

ГЛАВАМ

Автомобиль, управляемый искусственным интеллектом

2б7

дорожно-транспортных происшествиях, вероятно, поддержат то,
что снизит количество таких происшествий. Они могли бы поспо­
собствовать успеху и ускорить принятие беспилотных автомобилей.
Следовательно, множество разнообразных факторов, включая соци­
альное давление, способно изменить историю, и точное прогнози­
рование дат принятия беспилотных автомобилей абсолютно невоз­
можно.

Пересмотр мнения о роли автомобилей
Мобильность неразрывно связана с цивилизацией. Это не только транспор­
тировка людей и грузов, но и доступность отдаленных мест. Когда автомобили
впервые появились на дорогах, лишь немногие полагали, что они скоро заменят
лошадей и кареты. У автомобилей все же много преимуществ перед лошадьми:
они практичнее в обслуживании, их скорость выше, а проходимые ими дис­
танции длиннее. Автомобили также требуют большего контроля и внимания от
людей, поскольку лошади видят дорогу и реагируют на препятствия, избегая
возможных столкновений, но люди пожертвовали этим в обмен на большую
мобильность.
Сегодня использование автомобилей формирует и городскую среду, и эко­
номическую жизнь. Автомобили позволяют людям преодолевать дальние рас­
стояния от дома до работы каждый день (делая пригороды возможными для
реализации недвижимости). Фирмы легко доставляют товары на большие рас­
стояния, автомобили создают новые компании и рабочие места, а рабочие авто­
мобильной промышленности давно стали основными действующими лицами в
новом перераспределении богатств. Автомобиль — первый реальный продукт
рынка товаров массового потребления, созданный одними рабочими для дру­
гих рабочих. Когда автомобильный бизнес процветает, общество благополучно;
когда он гибнет, может последовать катастрофа. Поезда и самолеты привязаны
к заранее определенным рейсам, а автомобили — нет. Автомобили обеспечили
мобильности куда больший масштаб и повлияли на повседневную жизнь людей
куда больше, чем другие транспортные средства. Как сказал Генри Форд, осно­
ватель автомобильной компании Ford, “автомобили освободили простых людей
от географических ограничений”.
Когда беспилотные автомобили появятся на рынке, цивилизация окажется
на грани новой вызванной ими революции. Когда производители достигнут
пятого уровня автономности и беспилотные автомобили станут господствую­
щей тенденцией, вполне можно ожидать существенных смещений акцентов в
градостроении, экономике и всеобщем образе жизни. Есть очевидные и менее
очевидные способы, которыми беспилотные автомобили изменят жизнь. Наи­
более очевидны и наиболее обсуждаемы следующие.

»

Меньше дорожно-транспортных происшествий. ДТП станет
меньше потому, что искусственный интеллект будет соблюдать пра­
вила дорожного движения и безопасности; он куда более умный
водитель, чем люди. Сокращение количества происшествий суще­
ственно повлияет на способ создания автомобилей производителя­
ми, которые будут намного безопаснее, чем в прошлом, из-за струк­
турных пассивных средств защиты. В будущем, с учетом их абсолют­
ной безопасности, беспилотные автомобили могли бы стать легче
из-за меньшего количества средств защиты, чем теперь. Они могут
быть сделаны даже из пластмассы. В результате автомобили будут
расходовать меньше ресурсов, чем сегодня. Кроме того, снижение
количества несчастных случаев будет означать снижение страховых
выплат, обусловив существенное влияние на систему страхования,
имеющую отношение к происшествиям.

»

Меньше задач, связанных с вождением. Многие задачи, связан­
ные с вождением, исчезнут или потребуют меньшего количества
рабочих. Это позволит сэкономить на рабочей силе в транспортной
сфере, сделав транспортировку товаров и людей более доступной,
чем теперь. Это также создаст проблемы поиска новой работы для
людей. (В одних только Соединенных Штатах на транспорте занято
около трех миллионов человек.)

»

Больше времени. Беспилотные автомобили подарят людям самую
драгоценную вещь в жизни — их время. Беспилотные автомобили
не помогут людям жить дольше, но помогут сэкономить время, ко­
торое они тратили на вождение, для использования в других целях
(поскольку вести будет искусственный интеллект). Кроме того, даже
если трафик повысится (из-за меньшей стоимости транспортировки
и других факторов), он станет более плавным, с небольшими пере­
грузками или даже без них. Кроме того, пропускная способность
существующих транспортных магистралей увеличится. Это может
показаться парадоксальным, но в том и мощь искусственного интел­
лекта, когда люди остаются не у дел, как демонстрируется в видео

h ttp s : //www.youtube. com/watch?v=iHzzSao6ypE.

Кроме этих непосредственных эффектов, будут и менее уловимые, которые
могут быть незаметны сразу, но впоследствии станут очевидными. Бенедикт
Эванс (Benedict Evans) указывает на некоторые из них в своем сообщении
“Cars and second order consequences” (Автомобили и последствия второго по­
рядка) (h t t p s : //w w w .ben-evans. co m /b en ed ictev a n s/2 0 1 7 /3 /2 0 /ca rs-a n d secon d -ord er-con seq u en ces). В этой статье рассматриваются последствия
появления на рынке электрических автомобилей пятого уровня автономно­
сти и беспилотных автомобилей. В качестве одного из примеров беспилот­
ные автомобили могли сделать антиутопический паноптикум реальностью
ГЛАВАМ

Автомобиль, управляемый искусственным интеллектом

2б9

(см. h t t p s : //w w w .th eg u a rd ia n .co m /tech n olo g y /2 0 1 5 /ju l/2 3 /p a n o p tico n d ig it a l- s u r v e illa n c e - j eremy-bentham). Паноптикум — это административ­
ное здание из теорий английского философа конца XVIII века Иеремии Бентама (Jeremy Bentham), в котором все находятся под наблюдением, не зная об
этом. Когда беспилотные автомобили выйдут на улицы в большом количестве,
автомобильные камеры будут повсюду, отслеживая и, возможно, сообщая обо
всем, что увидят. Ваш автомобиль может шпионить за вами и другими, когда
вы меньше всего ожидаете этого.
Размышление о будущем не является простым упражнением, поскольку это
не просто вопрос причин и следствий. Даже приблизительные предположения
могут оказаться неэффективными, поскольку сам контекст ожидаемого спо­
собен измениться. Например, паноптикум никогда не сможет появиться пото­
му, что законодательная система могла бы вынудить беспилотные автомобили
скрывать снимаемые изображения. Поэтому предлагаемые предсказателями
сценарии являются весьма приблизительными в описании возможного буду­
щего; эти сценарии могут сбыться, а могут и не сбыться, в зависимости от
различных обстоятельств. Эксперты размышляют над тем, что автомобиль, об­
ладающий возможностями автономного вождения, может оказаться в четырех
разных сценариях, полностью переопределяющих то, как люди используют
автомобиль.
»

Автономное вождение на дальних дорогах и магистралях. Ког­
да водитель может добровольно позволить искусственному интел­
лекту вести автомобиль, водитель может уделить внимание другим
задачам. Многие считают этот сценарий возможной причиной ис­
пользования автономных автомобилей. Однако, с учетом высоких
скоростей на магистралях, передача управления искусственному
интеллекту не особенно безопасна, поскольку другие автомобили,
ведомые людьми, могут вызвать аварийную ситуацию. Люди долж­
ны учитывать последствия, такие как текущее дорожное законо­
дательство, разное в разных странах. Вопрос в том, что некоторые
законодательства могут рассматривать водителя, использующего
искусственный интеллект, как невнимательного. Этот сценарий от­
носится к автономности уровня 3.

»

Действия при парковке. В этом сценарии искусственный интел­
лект вмешивается, когда пассажиры оставили автомобиль искать
место для парковки. Беспилотный автомобиль экономит время вла­
дельцам, поскольку открывает возможность как оптимизации места
для стоянки автомобилей (беспилотный автомобиль будет знать, где
лучше всего парковаться), так и совместного использования авто­
мобилей. (После того как вы оставили автомобиль, некто еще может
использовать его; позже вы воспользуетесь другим автомобилем,

БЕСПИЛОТНЫЕ АВТОМОБИЛИ И ПРОБЛЕМА ВАГОНЕТКИ

Некоторые говорят, что страховая ответственность и проблема вагонетки се­
рьезно препятствуют использованию беспилотного автомобиля. Страховая
проблема подразумевает вопрос, кто виноват, если что-то пошло не так, как
надо. ДТП случаются и теперь, и хотя беспилотные автомобили должны вызы­
вать меньше происшествий, чем люди, казалось бы, легко решаемая автомо­
билестроителями проблема остается и система страхования не может обеспе­
чивать беспилотные автомобили страховкой. (Система страхования опасается
беспилотных автомобилей потому, что их использование может в корне изме­
нить сам бизнес.) Создатели беспилотных автомобилей, такие как Audi, Volvo,
Google и Mercedes-Benz, уже обязались принимать на себя ответственность,
если их транспортные средства вызовут происшествие (см. h ttp s ://www.

co h en -la w y ers. com /w p-content/uploads/2016/08/W estLaw -A utom otive-Cohen-Commentary.pdf). Это значит, что автомобилестроители станут
страховщиками для большей пользы продвижения беспилотных автомобилей
на рынок.
Проблема вагонетки (trolley problem) — это моральная задача, поставленная
британским философом Филиппой Фут (Philippa Foot) в 1967 году (но сама ди­
лемма довольно древняя). Это проблема неконтролируемой вагонетки, кото­
рая, двигаясь по рельсам, переезжает нескольких привязанных к ним чело­
век, но вы можете их спасти, переведя вагонетку на другой путь, на котором
к рельсам привязан только один человек. Необходимо сделать выбор, зная,
что кто-то точно умрет. Существует довольно много вариантов проблемы ваго­
нетки, и Массачусетсский технологический институт даже предлагает веб-сайт,
h ttp : / /moralmachine. m it. edu/, с альтернативными ситуациями, более под­
ходящими для беспилотного автомобиля.

оставленным поблизости в месте для стоянки автомобилей.) Учиты­
вая ограниченность автономного вождения только некоторыми ав­
томобилями, этот сценарий является переходным с третьего уровня
автономности на четвертый.
»

Автономное вождение в любой поездке, кроме поездки в те мес­
та, где беспилотные автомобили вне закона. Этот дополнительный
сценарий позволяет искусственному интеллекту управлять в любых
местах, кроме мест, запрещенных по соображениям безопасности (та­
ких, как новые дорожные инфраструктуры, отсутствующие в системе
навигации). Этот сценарий для беспилотных автомобилей ближе к
зрелости (уровень автономности — 4).

»

Такси по требованию. Это продолжение сценария 2, когда беспи­
лотные автомобили уже достаточно зрелы, чтобы водить постоян­
но (уровень автономности — 5) как с пассажирами, так и без, ока­
зывая транспортные услуги любому по требованию. Это сценарий
полного использования автомобилей (сегодня автомобили 95 про­
центов времени проводят на парковке; см. h ttp : / /f o r t u n e .
c o m /2 0 1 6 /0 3 /1 3 /c a r s -p a r k e d -9 5 -p e r c e n t-o f-tim e /), что в
корне изменит идею владения автомобилем, поскольку вы не буде­
те нуждаться в одном и собственном.

Введение в беспилотные автомобили
Создание беспилотного автомобиля, вопреки воображению людей, не под­
разумевает водружение робота на переднее сиденье и вручение ему управле­
ния автомобилем. Люди решают бесчисленные задачи, управляя автомобилем,
с которыми робот не знал бы что делать. Создание подобного человеческому
интеллекта требует гармоничного взаимодействия многих систем, обеспечива­
ющих правильную и безопасную дорожную обстановку. Понадобится много
усилий, чтобы получить комплексное решение, а не полагаться на отдельные
решения искусственного интеллекта для каждой потребности. Проблема разра­
ботки беспилотного автомобиля требует решения многих отдельных проблем и
наличия индивидуальных решений для эффективного взаимодействия. Напри­
мер, распознавание дорожных знаков и изменение маршрутов требует разных
систем.

О

ЗАПОМНИ!

Комплексное решение (end-to-end solution) — это то, что вы часто
слышите при обсуждении роли глубокого обучения в искусственном
интеллекте. Мощь обучения на примерах столь велика, что многие
задачи не требуют отдельных решений, являющихся, по существу,
комбинацией многих меньших задач, каждая из которых решает­
ся в соответствии с другим решением искусственного интеллекта.
Глубокое обучение может решить проблему в целом, имея примеры
решений и вырабатывая уникальные решения, охватывающие все
проблемы, требовавшие отдельных решений искусственного интел­
лекта в прошлом. Проблема в том, что сегодня возможности глубо­
кого обучения слишком ограничены для фактического решения этой
задачи. Единое решение глубокого обучения может работать для
некоторых задач, но другие все еще требуют комбинации меньших
решений искусственного интеллекта, если необходимо получить на­
дежное полное решение.

Над комплексными решениями глубокого обучения работает компания
NVidia — производитель графических процессоров. Посмотрите видео h ttp s : / /
www.youtube.com/watch?v=-96BEoXJMsO, демонстрирующее пример эффектив­
ности решения. Но все же и это справедливо для любого применения глубокого
обучения: уровень совершенства решения непосредственно зависит от полно­
ты и количества использованных примеров. Чтобы получить функцию беспи­
лотного автомобиля как комплексное решение глубокого обучения, требуется
набор данных, который научит управлять автомобилем в контекстах огромного
количества ситуаций, которые еще недоступны, но могут возникнуть в будущем.

Ф

ТЕХНИЧЕСКИЕ
ПОДРОБНОСТИ

Есть надежда, что комплексные решения упростят структуру бес­
пилотных автомобилей. В статье h ttp s ://d e v b lo g s .n v id ia .c o in /
e x p la in in g -d e e p -le a r n in g -s e lf-d r iv in g -c a r / объясняется, как
работает процесс глубокого обучения. Вы можете также прочитать
оригинальную статью NVidia о том, как сквозное обучение помогает
водить автомобиль h t t p s : //a r x iv . o rg/p d f/1 7 0 4 .07911.pdf.

Объединение всех технологий
Под покровом беспилотного автомобиля кроются системы, взаимодей­
ствующие согласно робототехнической парадигме считывания, планирования
и действия. Все начинается на уровне считывания, где множество разных сен­
соров сообщают автомобилю различную информацию.
»

Датчик GPS указывает, где автомобиль находится (по системе карт),
выдавая координаты широты, долготы и высоты.

»

Такие устройства, как радар, сонар и лидар, обнаруживают объекты
и предоставляют данные об их расположении и движении в терми­
нах изменения их координат в пространстве.

»

Камеры оповещают автомобиль о его окружении, преобразуя сним­
ки в цифровые образы.

В беспилотном автомобиле применяется множество специализированных
сенсоров. В разделе “Преодоление неопределенности восприятия”, приведен­
ном далее в этой главе, они описаны подробнее; также в нем демонстрируется,
как система объединяет их вывод. Система должна объединить и обработать
данные сенсоров, прежде чем необходимый автомобилю уровень восприятия
начнет работать и станет полезным. Поэтому объединение данных сенсоров и
определяет различные точки зрения на мир вокруг автомобиля.
Локализация позволяет узнать, где именно находится автомобиль. Эта зада­
ча решается главным образом обработкой данных от устройства GPS. Система
GPS — это система навигации на базе космических спутников, первоначально
ГЛАВА 14 Автомобиль, управляемый искусственным интеллектом

273

созданная в военных целях. Будучи использованной в гражданских целях, она
обнаружила некоторую встроенную погрешность (чтобы только уполномочен­
ный персонал мог использовать ее с максимальной точностью). Те же погреш­
ности присутствуют и в других системах, таких как GLONASS (российская
система навигации), GALILEO (или GNSS, европейская система) и BeiDou
(или BDS, китайская система). Следовательно, независимо от используемой
спутниковой системы автомобиль может понять, где он находится на конкрет­
ной дороге, но не может установить используемую полосу движения (или даже
может закончить тем, что окажется на параллельной дороге). В дополнение к
грубому определению местоположения по GPS система уточняет данные GPS
данными сенсора оптического локатора, чтобы определить точную позицию в
окружающей среде.
Система обнаружения определяет происходящее вокруг автомобиля. Ей
требуется много подсистем, каждая из которых предназначена для конкретной
цели и использует уникальный комплекс сенсорных данных и результаты их
анализа.
»

Определение полосы движения осуществляется в результате обра­
ботки изображений с камеры и их анализа либо в результате приме­
нения специализированной сети глубокого обучения для сегмента­
ции изображения, при котором изображение делится на отделенные
области, размеченные по типу (т.е. дорога, автомобили и пешеходы).

»

Обнаружение дорожных знаков и светофоров, а также их классифи­
кация (classification) осуществляются с помощью обработки изобра­
жений с камер с использованием сети глубокого обучения, которая
сначала определяет область содержащего знак изображения или
светофора, а затем маркирует их (тип знака или цвет светофора).
Следующая статья NVidia поможет понять, как видит беспилотный
автомобиль: h t t p s : //b lo g s .n v id ia .c o m /b lo g /2 0 1 6 /0 1 /0 5 /

eyes-on-the-road-how -autonom ous-cars-understand-w hatth ey re-seein g /.
»

Объединенные данные от радара, лидара, сонара и камер позво­
ляют обнаруживать внешние объекты и отслеживать их движение,
включая направление, скорость и ускорение.

»

Данные лидара используются главным образом для обнаружения
свободного пространства на дороге (свободная полоса или место
для стоянки).

Появление на сцене искусственного интеллекта
После фазы считывания, позволяющей беспилотному автомобилю опреде­
лить, где он находится и что происходит вокруг него, начинается фаза пла­

нирования. Теперь искусственный интеллект выходит на сцену полностью.
Планирование беспилотных автомобилей сводится к решению следующих
конкретных задач.
»

Маршрут. Определить путь, которым должен следовать автомо­
биль. Находясь в автомобиле, едущем по назначению (хорошо, это
не всегда так, но так обычно бывает), вы хотите достичь места назна­
чения самым быстрым и самым безопасным способом. В некоторых
случаях следует учитывать стоимость. Здесь должны помочь класси­
ческие алгоритмы маршрутизации.

»

Прогноз окружающей обстановки. Необходимо помочь автомо­
билю спроецировать себя в будущее, поскольку ему нужно время,
чтобы понять ситуацию, выбрать маневр и завершить его. За вре­
мя, необходимое для осуществления маневра, другие автомобили
могли решить изменить свою позицию или начать собственные ма­
невры. При вождении вы пытаетесь понять намерения других во­
дителей, чтобы избежать возможных столкновений. Беспилотный
автомобиль делает то же самое, используя прогноз машинного об­
учения для оценки того, что произойдет далее, а затем принимает
во внимание будущее.

»

Планирование поведения. Это базовый интеллект автомобиля. Он
включает практики (practices), необходимые для успешного участия
в дорожном движении: следование по полосе; смена полосы; съезд
и выезд на дорогу; поддержание дистанции; учет светофоров, зна­
ков и надписей; избегание препятствий; и многое другое. Все эти
задачи выполняет искусственный интеллект, такой как экспертная
система, включающая опыт многих водителей, или вероятностная
модель, такая как байесовская сеть, или даже упрощенная модель
машинного обучения.

»

Планирование траектории. Определяет фактическое выполнение
автомобилем необходимых задач при наличии нескольких путей ее
решения. Например, когда автомобиль решает сменить полосу, это
должно быть сделано без резкого ускорения или чрезмерного сбли­
жения с другим автомобилем, т.е. перемещаться приемлемым, без­
опасным и лишенным неприятных маневров способом.

Не искусственным интеллектом единым
После считывания и планирования наступает время беспилотному автомо­
билю действовать. Считывание, планирование и действие являются частями
бесконечного цикла, повторяемого до тех пор, пока автомобиль не достигнет
места назначения и не остановится на парковке. Действие подразумевает такие
базовые функции, как ускорение, торможение и применение системы рулевого

управления. Инструкции вырабатываются на фазе планирования, а автомо­
биль просто выполняет действия с помощью системы контроллера, такой как
контролер PID (Proportional-Integral-Derivative) или МРС (Model Predictive
Control), обладающей алгоритмами проверки правильности выполнения этих
действий; в противном случае он немедленно предпринимает подходящие
контрмеры.
Это может показаться немного сложным, но на всем протяжении поездки
система выполняет только эти три действия, одно за другим. Каждая систе­
ма содержит подсистемы, решающие одну задачу вождения, используя самые
быстрые и самые надежные алгоритмы, как изображено на рис. 14.1.
СЕНСОРЫ

----------------►

ВОСПРИЯТИЕ

------- ►

ПЛАНИРОВАНИЕ И КОНТРОЛЬ

I-------------------------------------------------- 1 I-------------------------------------------------- 1 I-------------------------------------------------- 1

* - ( ЛОКАЛИЗАЦИЯ ) ------------- ►

( п лан и ро вщ и кпути )

Рис. 14.1. Общая схема систем, работающих в беспилотном автомобиле

Таким было состояние на момент написания книги. Но беспилотные авто­
мобили, вероятно, так и останутся комплексом программного обеспечения и
оборудования, выполняющим различные функции и действия. В некоторых
случаях системы будут обладать избыточными функциональными возможнос­
тями, такими как использование нескольких сенсоров для отслеживания того
же самого внешнего объекта, или применять уровень восприятия нескольких
систем для гарантии нахождения на правильной полосе. Избыточность по­
зволяет существенно снизить количество ошибок, а следовательно, и проис­
шествий. Например, даже когда система глубокого обучения для распознава­
ния дорожных знаков откажет или ошибется (см. h t t p s : //th e h a c k e rn e w s.

c o m /2 0 1 7 /0 8 /se lf-d r iv in g -c a r -h a c k in g .h tm l), другие системы смогут ее
продублировать и минимизировать или аннулировать последствия для авто­
мобиля.

Преодоление неопределенности восприятия
Стивен Пинкер (Steven Pinker), профессор в Отделе психологии Гарвард­
ского университета, пишет в своей книге The Language Instinct: How the Mind
Creates Language, что “в робототехнике простые проблемы трудны, а трудные
проблемы просты”. Фактически искусственный интеллект играет в шахматы
против гроссмейстеров невероятно успешно; однако более обыденные дей­
ствия, такие как распознавание объектов в таблице, уклонение от столкновения
с пешеходом, распознавание лиц или правильный ответ на вопрос по телефону,
могут оказаться весьма трудными для искусственного интеллекта.

ЭАПОМНИ1

Парадокс Моравека гласит, что то, что просто для людей, трудно
для искусственного интеллекта (и наоборот). Он был сформулиро­
ван в 1980-х годах робототехниками-когнитивистами Хансом Моравеком (Hans Moravec), Родни Бруксом (Rodney Brooks) и Марви­
ном Минском (Marvin Minsk). У людей бывает достаточно времени
для выработки таких навыков, как ходьба, бег, удержание объектов,
речь и наблюдение; эти навыки вырабатывались в ходе эволюции и
естественного отбора на протяжении миллионов лет. Чтобы выжить
в этом мире, люди делают то, что делали все живые существа с мо­
мента появления жизни на Земле. И наоборот, высокая абстракция
и математика — это относительно новое изобретение людей, и мы,
естественно, еще не адаптировались к ним.У

У автомобилей есть некоторые преимущества перед роботами, которые
должны прокладывать путь в зданиях и на пересеченной местности. Авто­
мобили работают на специально созданных для них дорогах, обычно хорошо
картографированных, у автомобилей уже есть все механические решения для
движения по дорожной поверхности.
Исполнительные механизмы — не самая большая проблема беспилотных
автомобилей. Серьезные проблемы создают планирование и считывание. Пла­
нирование — это самый высокий уровень (здесь искусственный интеллект
превосходен). Но когда дело доходит до общего планирования, беспилотные
автомобили уже могут полагаться на навигаторы GPS, тип искусственного
интеллекта, специализированного для поддержания направления. Считыва­
ние — это реально узкое место для беспилотных автомобилей, поскольку без
ГЛАВА 14 Автомобиль, управляемый искусственным интеллектом

277

него невозможны ни планирование, ни действия. Водители считывают дорогу
все время, чтобы удержать автомобиль на полосе, заменить препятствия и со­
блюсти необходимые правила.

ЭАПОМНИ1

На данном этапе развития беспилотных автомобилей аппаратные
средства считывания непрерывно модернизируются в поисках бо­
лее надежных, точных и менее дорогих решений. С другой стороны,
для обработки данных сенсоров и их использования применяются
более эффективные и надежные алгоритмы, такие как фильтр Кол­
мана (см. http://www.bzarg.com /p/how-a-kalm an—filte r -w o r k s in -p ic tu r e s / и h ttp s://h o m e.w lu .ed u /~ lev y s/k a lm a n _ tu to ria l/),
которые известны уже несколько десятилетий.

Знакомство с сенсорами автомобиля
Сенсоры — это ключевые компоненты восприятия окружающей обстанов­
ки, и беспилотный автомобиль может считывать информацию в двух направ­
лениях — внутрь и вовне.
»

Проприоцептивные сенсоры. Отвечают за считывание таких со­
стояний транспортного средства, как состояние его систем (двига­
тель, передача, тормоза и рулевое управление) и позиция по датчи­
ку GPS, а также вращение колес, скорость и ускорение транспорт­
ного средства.

»

Экстероцептивные сенсоры. Отвечают за считывание окружаю­
щей обстановки с использованием таких сенсоров, как камера, лидар, радар и сонар.

И проприоцептивные, и экстероцептивные сенсоры способствуют автоном­
ности беспилотного автомобиля. В частности, локализация GPS обеспечивает
представление о примерном местоположении беспилотного автомобиля, что
полезно при общем планировании направлений и действий по его успешному
следованию к месту назначения. Датчик GPS помогает беспилотному автомо­
билю в такой же степени, как и любому водителю: указывает правильное на­
правление.
Экстероцептивные сенсоры (представленные на рис. 14.2) помогают авто­
мобилю при собственно вождении. Они усиливают или заменяют человечес­
кие органы чувств в данной ситуации. Каждый из них предлагает собственную
точку зрения на окружающую обстановку; каждый имеет свои конкретные
ограничения; и каждый имеет свои преимущества.
Ограничения бывают разными. По мере понимания того, что сенсоры дела­
ют для беспилотного автомобиля, становятся заметными проблемы стоимости,

чувствительности к освещению, чувствительности к погоде и помехам (что
означает чувствительность к замене сенсора, затрагивающей его точность),
диапазону и разрешению. С другой стороны, они могут точно отслеживать
скорость, позицию, высоту и дистанцию до объектов, а также обнаруживать
объекты и классифицировать их.

Радары
Рис. 14.2. С хем ат и ческое п р ед ст авл ен и е эк ст е р о ц е п т и в н ы х сен со р о в в
бесп илот ном авт ом обиле

Камера

Камеры — это пассивные зрительные сенсоры. Они могут обеспечить мо­
нокулярное или бинокулярное зрение. С учетом их низкой цены вы можете
оснастить автомобиль множеством камер: на ветровом стекле, на переднем
бампере, на боковых зеркалах, на задней двери и на заднем стекле. Обычно
стереокамеры подражают человеческому зрению и предоставляют информа­
цию о дороге и соседних транспортных средствах, тогда как монокулярные
камеры обычно специализируются на обнаружении дорожных знаков и свето­
форов. Получаемые ими данные обрабатываются алгоритмами для обработки
изображений или нейронными сетями глубокого обучения, чтобы обеспечить
их обнаружение и классификацию (например, распознать красный свет свето­
фора или знак ограничения дозволенной скорости). У камер может быть высо­
кое разрешение (они могут распознавать маленькие детали), но они чувстви­
тельны к освещению и погоде (ночь, туман или визуальные помехи).
ГЛАВАМ

Автомобиль, управляемый искусственным интеллектом

279

Лидар

Лидар использует инфракрасные лучи (длина волны — порядка 900 нм, они
невидимы для человеческого глаза), позволяющие оценить расстояние до объ­
ектов. Они используют вращающуюся платформу, чтобы проецировать луч по
кругу, а затем возвращают результат в виде облака из точек до препятствий, что
позволяет оценить форму и размеры свободного пространства. В зависимости
от цены (обычно чем дороже, тем лучше) у лидара вполне может быть более
высокое разрешение, чем у радара. Но лидар непрочен и может быть загрязнен
куда быстрее, чем радар, поскольку расположен вне автомобиля. (Лидар — это
вращающееся устройство, которое вы видите наверху автомобиля Google в ви­
део от CBS: https://www. youtube. com/watch?v=_qE5VzuYFPU.)
Радар

Это устройство работает по принципу отражения радиоволн от препят­
ствий, а время следования радиоволн к препятствию и обратно позволяет
установить дистанцию и скорость до него. Радар может быть установлен на
переднем и заднем бамперах, а также по бокам автомобиля. Производители
уже довольно давно используют их на автомобилях для адаптивной системы
автоматического регулирования скорости, предупреждения о препятствиях в
непросматриваемых зонах, предупреждения и предотвращения столкновений.
В отличие от других сенсоров, нуждающихся в нескольких последовательных
показаниях, радар может выяснить скорость объекта одним импульсом благо­
даря эффекту Доплера (см. http://www.physicsclassroom.coin/class/waves/
Lesson-3/The-Doppler-Ef feet). Радар может быть дальним или ближним, мо­
жет создать схему окружающей среды, а может использоваться для локали­
зации. На радар погодные условия воздействуют куда меньше, чем на другие
средства обнаружения, в частности дождь или туман; он имеет угол зрения
порядка 150 градусов и дальность 30-200 метров. Его наибольшая слабость —
недостаток разрешения (радар не способен предоставлять подробности и об­
наруживать статические объекты).
Сонары

Сонары подобны радару, но используют вместо микроволн высокочастот­
ный звук (ультразвук, неслышимый людьми, но слышимый некоторыми жи­
вотными). Главным недостатком сонаров, используемых изготовителями вмес­
то весьма непрочных и более дорогих лидаров, является их малая дальность.

Объединение обнаруженного
Когда дело доходит до считывания обстановки вокруг беспилотного автомо­
биля, можно полагаться на различные показатели в зависимости от того, какие

сенсорыустановлены на автомобиле. Но все же у каждого сенсора — соб­
ственные разрешение, дальность и чувствительность к помехам, что приводит
к разным показателям для одной и той же ситуации. Другими словами, ни один
из них не совершенен, и иногда их недостатки препятствует надлежащему об­
наружению. Сигналы сонара и радара могут быть поглощены; лучи лидара не
могут пройти сквозь твердые частицы. Кроме того, отражения и плохое осве­
щение вполне могут вводить камеры в заблуждение, как описано в статье М П
Technology Review https://www.technologyreview.com/s/608321/this-image-is-why-self-driving-cars-come-loaded-with-many-types-of-sensors/.

Беспилотные автомобили призваны улучшить нашу мобильность, а значит,
они должны быть безопасны и для пассажиров, и для окружающих. Нельзя раз­
решить беспилотному автомобилю оказаться не в состоянии обнаруживать пе­
шехода, который внезапно появился перед ним. Из соображений безопасности
производители сосредоточивают большие усилия на комбинировании и объеди­
нении данных от разных сенсоров, чтобы получить объединенный показатель,
который куда лучше любого отдельного показателя. Объединение сенсоров —
это зачастую результат использования вариантов фильтра Калмана (таких,
как расширенный фильтр Калмана или даже более сложный сигма-точечный
фильтр Калмана). Рудольф Калман был венгерским инженером-электриком и
изобретателем, иммигрировавшим в Соединенные Штаты во время второй ми­
ровой войны. За свои изобретения, нашедшие весьма многочисленные приме­
нения в управлении, навигации и контроле транспортных средств, от автомо­
билей и самолетов до космических кораблей, Калман получил Национальную
научную медаль США в 2009 году от президента США Барака Обамы.
Алгоритм фильтра Калмана осуществляет фильтрацию результатов не­
скольких разных измерений, полученных на протяжении некоторого времени,
в единую последовательность показателей, которые обеспечивают реальную
оценку (предыдущие показатели были не особенно точны). Это работает так:
объект обнаруживается при первом проведении всех измерений и обработке
их результатов (фаза прогноза состояния), что позволяет оценить текущую по­
зицию объекта. Затем, когда поступают новые показатели, новые результаты
используются для модификации предыдущих, чтобы получить более надеж­
ную оценку позиции и скорость объекта (фаза обновления показателей), как
показано на рис. 14.3.
Таким образом, беспилотный автомобиль может передать алгоритму пока­
затели сенсоров и использовать их для получения результирующей оценки по­
ложения окружающих объектов. Оценка объединяет преимущества показаний
всех сенсоров и избегает их недостатков. Это возможно потому, что фильтр
использует более сложную версию вероятностей и теоремы Байеса, рассматри­
ваемых в главе 10.

о

Рис. 14.3. Ф ильт р К алм ана оценивает т раект орию движ е­
ния велосипеда, объединяя данные л и д ар а и рад а р а

Будущ ее
и ск у сств е н н о го
и н тел л е к та

В ЭТОЙ ЧАСТИ. . .
» О п р е д е л е н и е , к о гд а п р и л о ж е н и е н е б у д е т р а б о т а ть
» И сп о л ь зо в ан и е и ск у сств е н н о го и н тел л ек та в ко см о се
» С о зд ан и е новы х пр о ф есси й

Глава 15

Причины неудач
приложений
В ЭТОЙ Г Л А В Е . . .
» Сценарии применения искусственного интеллекта
и последствия его отказа
» Поиск реш ений несущ ествую щ их проблем

предыдущих главах этой книги исследовалось, чем искусственный ин­
теллект является и чем не является, а также задачи, некоторые из кото­
рых искусственный интеллект может решать хорошо, а некоторые — не
может. Даже обладая всей этой информацией, вы можете легко распознать при­
ложения, которые никогда не выйдут в свет, поскольку искусственный интел­
лект просто не может удовлетворить данную конкретную потребность. В этой
главе рассматриваются приложения, обреченные на неудачу. Возможно, эту
главу следовало бы назвать “Почему нам всем еще нужны люди”, но текущее
название более понятное.
Часть этой главы посвящена попыткам создания неудачных приложений.
Самым серьезным последствием таких попыток стала зима искусственного ин­
теллекта. Зима искусственного интеллекта случается всякий раз, когда обя­
зательства сторонников искусственного интеллекта превышают возможности
их выполнения, что приводит к потере финансирования от предпринимателей.
Искусственный интеллект может также попасть в ловушку поиска решения
проблемы, которой на самом деле не существует. Да, выдающиеся решения

В

действительно выглядят весьма странно, но если решение не относится к ре­
альной потребности, никто его покупать не будет. Технологии процветают
только тогда, когда удовлетворяют некие потребности и пользователи согласны
потратить на это деньги. Эта глава завершается рассмотрением решения про­
блем, которых на самом деле не существуют.

Использование искусственного интеллекта
там, где он не будет работать
В табл. 1.1 в главе 1 перечислены семь видов интеллекта. Общество в целом
обладает всеми семью видами интеллекта, а люди по отдельности выделяются
способностями в некоторых видах интеллекта.
Объединив усилия всех людей, можно использовать все семь видов интел­
лекта таким способом, который удовлетворяет потребностям общества.

О
ЗАПОМНИ!

Из табл. 1.1 ясно, что искусственный интеллект не способен на два
вида интеллекта вообще и демонстрирует весьма скромные спо­
собности еще в трех. Искусственный интеллект превосходен, когда
дело касается математики, логики и кинестетического интеллекта;
его способности ограничены решением множества видов задач, ко­
торые должно решать сообщество в целом. В следующих разделах
описаны ситуации, в которых искусственный интеллект просто не
сможет работать, поскольку это лишь технология, а не человек.

Определение границ искусственного интеллекта
Когда говоришь с Alexa, иногда забываешь, что это всего лишь машина. Ма­
шина понятия не имеет, о чем вы говорите; она не воспринимает вас как челове­
ка и не имеет ни малейшего желания общаться с вами; она просто действует по
определенным алгоритмам, созданным для нее, и предоставленным ей данным.
И даже в этом случае результаты удивительны. Довольно просто наделить ис­
кусственный интеллект человеческими качествами, не понимая его и рассма­
тривая лишь как разновидность подобной человеку сущности. Однако искус­
ственному интеллекту не хватает важнейших возможностей, рассматриваемых
в следующих разделах.
Творчество

Можно найти бесконечное разнообразие статей, сайтов, музыки, картин,
текстов и других примеров творчества искусственного интеллекта. Проблема

искусственного интеллекта в том, что он ничего не может создать. Думая о
творческом потенциале, вы имеете в виду образ мыслей.
Например, у Бетховена было прекрасное понимание музыки. Вы можете
узнать фрагмент классического произведения Бетховена, даже не будучи зна­
комыми со всеми его работами, поскольку у музыки есть специфический ша­
блон, сформированный тем способом, которым думал Бетховен.
Искусственный интеллект может создать новую пьесу Бетховена, отследив
его мыслительный процесс математически, что искусственный интеллект и
делает при обучении на примерах музыки Бетховена. В основе процесса соз­
дания новой пьесы Бетховена лежит математический механизм. Фактически
благодаря математическим шаблонам вы можете услышать, как искусственный
интеллект играет Бетховена в аранжировке других, включая Битлз https: / /
techcrunch.com/2016/04/29/paul-mccartificial-intelligence/.

О
ЗАПОМНИ!

Проблема составления математического уравнения творческого по­
тенциала в том, что математика не является творческой. Быть твор­
ческим означает выработать новый шаблон мышления, которого не
было прежде (см. https://www.csun.edu/~vcpsyOOh/creativity/
define.htm). Творческий потенциал — это не только мышление вне
рамок; это действие по определению новых рамок.

Творчество подразумевает также разработку иной точки зрения, которая по
существу определяет иной вид набора данных (если вы настаиваете на матема­
тической точке зрения). Искусственный интеллект ограничивается теми данны­
ми, которые ему были предоставлены. Он не может создать собственные дан­
ные; он может создать только варианты имеющихся данных — тех данных, на
которых он обучался. Эта идея разъясняется во врезке “Понятие ориентации
обучения” главы 13. Чтобы научить искусственный интеллект чему-то новому,
совершенно другому и удивительному, человек должен обеспечить соответству­
ющую ориентацию данных.
Воображение

Творчество означает определение чего-то реального, будь то музыка, живо­
пись, литература, или любое другое действие, которое приводит к созданию
чего-то, что другие могут увидеть, услышать, коснуться или ощутить други­
ми способами. Воображение — это абстракция творчества, а потому оно еще
дальше от диапазона возможностей искусственного интеллекта. Некто может
вообразить такие вещи, которые не реальны и никогда не могут быть реальны.
Воображение — это сознание, блуждающее в полях стремлений, играющего с
тем, что могло бы быть, если бы правила не мешали. Истинный творческий по­
тенциал, как правило, является результатом хорошего воображения.
ГЛАВА 15 Причины неудач приложений

287

С чисто человеческой точки зрения, все могут вообразить что угодно. Кроме
того, воображение зачастую ставит нас мысленно в такие ситуации, которые
не реальны вообще. Статья Huffington Post https://www.huffingtonpost.com/
lamisha-serfwalls/5-reasonsimagination-is-_b_6096368.html повествует о
пяти причинах критической важности воображения в преодолении пределов
действительности.
Подобно тому как искусственный интеллект не может создать новый образ
мышления или разработать новые данные, не используя существующие источ­
ники, он еще должен существовать в пределах границ действительности. Сле­
довательно, маловероятно, что некто когда-нибудь разработает искусственный
интеллект с воображением. Мало того, что воображение требует творческого
интеллекта, оно также требует внутриличностного интеллекта, а искусствен­
ный интеллект такой формой интеллекта не обладает.

СОВЕТ

Воображение эмоционально, как и многие другие черты человека.
Искусственный интеллект не имеет эмоций. Фактически, сравни­
вая то, на что способен искусственный интеллект и человек, имеет
смысл задаться простым вопросом, требует ли эта задача эмоций.

Оригинальные идеи

Чтобы вообразить нечто или создать нечто реальное из возникшего в вооб­
ражении, или использовать пример реальной ситуации для того, чего никогда
не было в прошлом, должна возникнуть идея. Успешное создание идей — это
способность человека с хорошим творческим, внутриличностным и межлич­
ностным интеллектом. Придумывание чего-то нового замечательно, если вы
хотите помечтать о чем-то или развлечь себя. Но чтобы превратить это в идею,
ею следует поделиться с другими, чтобы о ней могли узнать.
Неточности данных

В разделе “Пять недостоверностей данных” главы 2 рассматриваются про­
блемы с данными, которые должен преодолеть искусственный интеллект, что­
бы решать задачи, для которых он предназначен. Единственная проблема за­
ключается в том, что обычно искусственный интеллект не может с легкостью
распознавать недостоверности в данных, если ему не предоставлено разноо­
бразие примеров данных, в которых есть пропуски или недостоверности, что
может быть куда труднее, чем вы думаете. Люди, напротив, способны опре­
делять недостоверности с относительной легкостью. Повидав куда больше
примеров, чем любой искусственный интеллект когда-либо увидит, человек
может выявить недостоверности, используя как воображение, так и творчес­
кий потенциал. Человек может вообразить такую недостоверность, которую

искусственный интеллект не сможет вообразить никак, поскольку в реальнос­
ти искусственный интеллект ничего не понимает.
Недостоверности попадают в данные столь многими способами, что
их даже не перечислить.
ЗАПОМНИ1

Недостоверности зачастую вносят люди, даже непреднамеренно. Фактичес­
ки избежать недостоверностей может быть невозможно, поскольку они зависят
от точки зрения, а она может со временем меняться. Поскольку искусствен­
ный интеллект не может выявить все недостоверности, у используемых им для
принятия решения данных всегда будет некая неточность. Повлияют ли эти
неточности на возможность искусственного интеллекта сформировать полез­
ный результат, зависит от вида и уровня неточности, а также от возможностей
используемых алгоритмов.
Самый странный вид неточности данных, который следует учитывать, —
это когда человек сам хочет повлиять на результат. Эта ситуация возникает
чаще, чем думает большинство людей, и единственный способ преодолеть эту
специфическую для людей проблему связан с наличием межличностного ин­
теллекта, которого искусственный интеллект лишен. Например, некто покупа­
ет новый комплект одежды. Она выглядит отвратительно, по крайней мере для
вас (ведь одежда бывает на удивление субъективной). Но если вы достаточно
интеллектуальны, то скажете, что одежда выглядит непривычной. Человеку не
нужно ваше объективное мнение, ему нужны ваши поддержка и одобрение.
Вопрос ставится не как “Как эта одежда выглядит?” (искусственный интеллект
на него не ответит), а как “Вы меня одобряете?” или “Поддерживаете ли вы
мое решение купить эту одежду?” Частично эту проблему можно преодолеть
предложением аксессуаров, которые дополнят одежду, или других средств, та­
ких как замечание, что эту одежду они ведь не будут носить публично.
Есть также проблема с высказыванием горькой правды, которую искус­
ственному интеллекту никогда не понять, поскольку у него нет эмоций. Горь­
кая правда (hurtful truth) — это когда тот, кому ее говорят, не получает от нее
ничего полезного, а только вред, эмоциональный, физический или интеллекту­
альный. Например, ребенок может не знать, что один из его родителей был не­
верен другому. Поскольку оба родителя пережили это, информация больше не
является актуальной и лучше позволить ребенку оставаться в состоянии счаст­
ливого неведения. Подробное обсуждение супружеской неверности родителей
наверняка нанесет вред психике ребенка.
Ребенок ничего не выиграет от разоблачения, но, определенно, получит
вред. Искусственный интеллект может стать причиной вреда того же вида,
разгласив семейную информацию способами, в которых ребенок не будет

учитываться. Например, обнаружив неточности в комбинации полицейских
отчетов, гостиничных записях, магазинных чеках и других источниках, искус­
ственный интеллект сообщает ребенку об изменах его родителей, нанося вред,
оглашая правду. Однако в случае искусственного интеллекта правда разглаша­
ется из-за нехватки эмоционального интеллекта (сочувствия); искусственный
интеллект не способен понять потребность ребенка в блаженном неведении о
поведении родителей. К сожалению, даже когда набор данных для искусствен­
ного интеллекта содержит достаточно правильную и правдивую информацию,
чтобы выдать пригодный для использования результат, результат может ока­
заться скорее вредным, чем полезным.

Неправильное применение искусственного интеллекта
Пределы искусственного интеллекта определяют область его возможного
применения. Но даже в рамках этой области вы можете получить неожидан­
ный или бесполезный вывод. Например, вы можете обеспечить искусственный
интеллект различными исходными данными, а затем запросить вероятность
определенных событий на основании этих данных. Когда доступно достаточное
количество данных, искусственный интеллект может прийти к выводу, который
соответствует математическому основанию исходных данных. Однако искус­
ственный интеллект не может производить новые данные, чтобы создать реше­
ния на их основании, вообразить новые способы работы с этими данными или
предложить идеи для реализации решения. Все эти роли принадлежат человеку.
Все, чего вы можете ожидать, является вероятностным прогнозом.

ЗАПОМНИ1

Большинство результатов искусственного интеллекта создается на
основании вероятности или статистики. К сожалению, ни один из
этих математических методов не применим к отдельным личностям;
эти методы работают только с группами. Фактически использование
статистики создает бесчисленные проблемы практически в любом
деле, кроме конкретного вывода, такого как вождение автомобиля.
В статье h ttp s ://p u b lic .w s u .e d u /~ ta flin g e /e v is ta ts .h tm l обсуж­
даются проблемы использования статистики. Когда ваше приложе­
ние искусственного интеллекта затрагивает личности, вам следует
быть готовым к неожиданностям, включая полную неудачу в дости­
жении любой из поставленных задач.

Другая проблема заключается в том, содержит ли набор данных некий вид
мнения, которое распространено куда шире, чем можно было подумать. Мне­
ние отличается от факта тем, что факт полностью доказуем и все соглашаются
с тем, что факт — это правда (по крайней мере, люди без предубеждений).

ЧАСТЬ 5 Будущее искусственного интеллекта

Мнения вмешиваются тогда, когда в основе данных нет достаточных научных
фактов. Кроме того, мнения вмешиваются тогда, когда задействованы эмоции.
Даже встретившись с противоречащим мнению заключительным доказатель­
ством, некоторые люди продолжают полагаться на мнение, а не на факт. Мне­
ние позволяет нам чувствовать себя уверенно, а факт — нет. Искусственный
интеллект будет почти всегда терпеть неудачу, когда присутствует мнение.
Даже наилучший алгоритмом оставит кто-то недовольным выводом.

Мир нереалистичных ожиданий
В предыдущих разделах главы упоминается, что ожидания того, что ис­

кусственный интеллект выполнит определенные задачи или будет применен
в конкретных ситуациях, вызывают проблемы. К сожалению, люди, похоже,
не понимают, что многие задачи, которые предположительно будет решать ис­
кусственный интеллект, никогда не возникнут. Эти нереалистичные ожидания
имеют много источников, включая следующие.
»

Средства массовой информации. Книги, фильмы и другие формы
средств массовой информации, рассчитывающие на эмоциональ­
ный отклик от нас. Но этот эмоциональный отклик сам является ис­
точником нереалистичных ожиданий.
Мы предполагаем, что искусственный интеллект может сделать не­
что, на что он в действительности не способен.

»

Антропоморфизация. Наряду с эмоциями, создаваемыми сред­
ствами массовой информации, люди склонны на все накладывать
свои привязанности. Люди нередко дают имена своим автомоби­
лям, говорят с ними и задаются вопросом, плохо ли они себя чув­
ствуют, когда повреждаются. Искусственный интеллект не может
чувствовать, не может понимать, не может общаться (на самом
деле), не может делать ничего, кроме обработки чисел — больших
и еще больших количеств чисел. Когда ожидание заключается в том,
что у искусственного интеллекта внезапно появятся чувства и спо­
собность действовать, как человек, результат обречен на неудачу.

»

Проблема неопределенности. Искусственный интеллект вполне
может справиться с определенными проблемами, но не с неопре­
деленностью. Вы можете предоставить человеку набор потенци­
альных входных данных и ожидать, что человек создаст соответ­
ствующий вопрос на основании экстраполяция. Скажем, что набор
тестов регулярно терпит неудачу, по большей части, но некоторые
тесты действительно достигают желаемого результата. Искусствен­
ный интеллект мог бы попытаться улучшать результаты проверки за
счет интерполяции, приближая характеристики новых тестов к тем,

ГЛАВА 15 Причины неудач приложений

291

которые закончились успехом. Но человек мог бы улучшить резуль­
таты тестов, задавшись вопросом, почему некоторые тесты преуспе­
ли найти причины и успеха, и неудачи (возможно, разнятся условия
окружающей среды или объекты теста). Чтобы искусственный интел­
лект мог решить некую проблему, человек должен выразить ее таким
способом, который понятен искусственному интеллекту. Проблемы
неопределенности, решения которых нет в человеческой практике,
просто не решаются и с использованием искусственного интеллекта.
»

Несовершенная технология. Во многих местах этой книги упоми­
нается, что проблема не была решена в определенное время из-за
несовершенства технологии. Нереально ожидать от искусствен­
ного интеллекта решения задачи, потому что его технология несо­
вершенна. Например, отсутствие сенсоров и достаточной вычисли­
тельной мощности сделало бы создание беспилотного автомобиля
в 1960-х годах невозможным, а современные достижения в техноло­
гиях сделали такие усилия вполне возможными.

Влияние зим искусственного интеллекта
Зимы искусственного интеллекта наступают, когда ученые анонсируют пре­
имущества искусственного интеллекта, которые оказываются неосуществимы­
ми за ожидаемый период времени, что приводит к замораживанию финансиро­
вания искусственного интеллекта, и его исследования продолжаются в темпе
ледника. С 1956 года мир видел две зимы искусственного интеллекта. (Прямо
сейчас мир переживает третье лето искусственного интеллекта.) В следующих
разделах подробно обсуждаются причины, влияние и последствия зим искус­
ственного интеллекта.

Понятие зимы искусственного интеллекта
Довольно трудно сказать точно, когда появился искусственный интеллект.
В конце концов, даже древние греки мечтали о создании механических людей,
как в мифах о Гефесте и Галатее Пигмалиона, и мы можем предположить, что у
этих механических людей был бы своего рода интеллект. Следовательно, можно
утверждать, что первая зима искусственного интеллекта фактически произошла
между падением Римской империи и Средневековьем, когда люди начали меч­
тать об алхимическом способе создания разума — Таквин Джабир ибн Хайяна,
Гомункул Парацельса и Голем раввина Иехуда Лёв бен Бецалеля из Праги.
Однако успех этих усилий не подтвержден историческими документами.
Искусственный интеллект был создан позже, в 1956 году в Дартмутском кол­
ледже при правительственном финансировании исследований.

ЗАПОМНИ1

Зима искусственного интеллекта начинается, когда заканчивается
финансирование его исследований. Термин зима очень подходит,
поскольку рост искусственного интеллекта, как и деревьев зимой,
прекращается в целом.

Глядя на кольца дерева, вы видите, что дерево продолжает расти и зимой,
только не очень быстро. Аналогично на протяжении зим искусственного ин­
теллекта с 1974 по 1980 и с 1987 по 1993 год искусственный интеллект дей­
ствительно продолжал расти, но с ледниковой скоростью.

Причины зим искусственного интеллекта
Причиной зим искусственного интеллекта вполне можно считать захватыва­
ющие обязательства, которые невозможно выполнить. В начале исследований
Дартмутского колледжа в 1956 году лидеры разработки искусственного интел­
лекта прогнозировали, что компьютер станет столь же интеллектуальным, как
человек, не более чем через поколение. Сейчас, шестьдесят с лишним лет спу­
стя, интеллект компьютеров еще весьма далек от человеческого. Фактически,
если вы читали предыдущие главы, то знаете, что компьютеры вряд ли когдалибо станут столь же интеллектуальными, как люди, по крайней мере не в каж­
дом виде интеллекта (в настоящее время они превзошли человеческие возмож­
ности только в очень немногих видах интеллекта).

о
ЭАПОМНИ1

Часть проблемы со сверхперспективными возможностями в том, что
первые сторонники искусственного интеллекта полагали, что весь
процесс человеческого мышления может быть формализован в ал­
горитмы. Фактически это идея китайских, индийских и греческих
философов. Но как демонстрируется в табл. 1.1 из главы 1, форма­
лизованными могут быть лишь некоторые компоненты человеческо­
го интеллекта. В наилучшем случае получится выяснить механизмы
математического и логического мышления человека. Но даже в этом
случае Давид Гильберт (David Hilbert) бросил в 1920- и 1930-х годах
вызов математикам, попытавшись доказать, что все математические
рассуждения могут быть формализованы. Ответ на этот вызов посту­
пил из доказательства неполноты Курта Гёделя, машины, использо­
ванной Тьюрингом, и лямбда-исчислений Алонзо Чёрча. Появились
два результата: формализация всего математического рассуждения
невозможна; а в областях, в которых формализация возможна, вы мо­
жете механизировать рассуждение, которое является основанием для
искусственного интеллекта.

неудач приложений

293

Другая часть проблемы сверхобещаний — в чрезмерном оптимизме. На заре
искусственного интеллекта компьютеры решали алгебраические задачи, до­
казывали геометрические теоремы и учились говорить на английском языке.
Первые два вывода вполне разумны, когда вы полагаете, что компьютер просто
анализирует ввод и приводит его в форму, которой может манипулировать ком­
пьютер. Проблема с третьим выводом. В действительности компьютер не умел
говорить на английском; он преобразовывал текстовые данные в цифровые ша­
блоны, которые, в свою очередь, преобразовывались в аналоговые шаблоны,
а результат весьма походил на речь, но это было не так. Компьютер ничего не
понимал в английском языке, как, впрочем, и в любом другом языке. Да, ученые
действительно слышали английскую речь, но компьютер видел просто нули и
единицы в определенном шаблоне, который компьютер вообще не воспринимал
как язык.

ВНИМАНИЕ!

Даже исследователи зачастую заблуждаются, пологая что компью­
тер делает больше, чем на самом деле. Например, ELIZA Джозефа
Вейценбаума казалась слышащей сказанное и отвечавшей осмыс­
ленно. К сожалению, ответы были заданы заранее, и приложение не
слышало ничего, не понимало и не высказывало. Но все же ELIZA
была первым виртуальным собеседником и действительно шагом
вперед, хотя и невероятно маленьким. Просто заблуждение было
значительно более великим, чем фактическая технология — в этом
и проблема, перед которой стоит сегодня искусственный интеллект.
Люди чувствуют себя разочарованными, когда открывается обман,
поэтому ученые и их покровители продолжают терпеть неудачи, де­
монстрируя блеск, а не реальную технологию. Первую зиму искус­
ственного интеллекта вызвали следующие прогнозы ученых.
»

Герберт Саймон (Н.А. Simon). "Через десять лет цифровой компью­
тер станет чемпионом по шахматам в мире" (1958) и "через двадцать
лет машины смогут выполнять любые работы, на которые способен
человек" (1965).

»

Аллен Ньюэлл (Allen Newell). "Через десять лет цифровой компью­
тер сформулирует и докажет новую важную математическую теоре­
му" (1958).

»

М арвин Ли М инский (Marvin Minsky). "В пределах одного поколе­
ния... проблема создания искусственного интеллекта будет в основ­
ном решена" (1967) и "Через три-восемь лет у нас будет машина с
общим интеллектом среднего человека" (1970).

Сегодня эти заявления выглядят забавно; вполне понятно, почему правитель­
ства закрыли их финансирование. В разделе “Аргумент китайской комнаты”

294

главы 5 описаны лишь некоторые из многих контрдоводов, выдвигаемых даже
людьми из сообщества искусственного интеллекта против этих прогнозов.
Вторая зима искусственного интеллекта наступила в результате тех же са­
мых проблем, которые вызвали первую — сверхобещания, перевозбуждение
и чрезмерный оптимизм. В данном случае бум начался с экспертной системы,
своего рода программы искусственного интеллекта, решавшей задачи, исполь­
зуя логические правила. Кроме того, вмешались японцы, выступив со своим
проектом Fifth Generation Computer — компьютерной системой, продемон­
стрировавшей вычисления с массовым параллелизмом. Идея состояла в соз­
дании компьютера, способного выполнять множество задач параллельно, как
человеческий мозг. И наконец, Джон Хопфилд (John Hopfield) и Дэвид Румельхарт (David Rumelhart) возродили коннекционизм, стратегию моделирования
процессов мышления как объединенной сети простых модулей.
Конец наступил в виде финансового мыльного пузыря. Экспертные систе­
мы оказались хрупкими, даже работая на специализированных компьютерных
системах. Специализированные компьютерные системы закончились с пере­
крытием финансовых шлюзов, более новые общедоступные компьютерные
системы вполне могли бы заменить их за значительно меньшую стоимость.
Фактически японский проект Fifth Generation Computer также провалился из-за
экономических факторов. Его, оказалось, чрезвычайно дорого создать и под­
держивать.

Пересмотр ожиданий и новые цели
Зима искусственного интеллекта необязательно оказывается разрушитель­
ной. Совсем наоборот.
Такие времена могут позволить отступить и подумать о различных пробле­
мах, которые возникли во время порыва, а также разработать нечто удивитель­
ное. Из первой зимы искусственного интеллекта извлекли пользу два главных
направления (при незначительном перевесе одного из них).
»

Логическое программирование. Это направление задействует
набор сентенций в логической форме (выполняемый как приложе­
ние), который выражает факты и правила специфической предмет­
ной области.
Примерами языков программирования, использующих эту кон­
кретную парадигму, являются Prolog, Answer Set Programming (ASP)
и Datalog. Это форма программирования на базе правил является
основной технологией, используемой для экспертных систем.

)> Рассуждение на основе здравого смысла. Это направление
использует метод моделирования человеческой способности

неудач приложений

295

прогнозировать результат последовательности событий на осно­
вании свойств, цели, намерения и поведения конкретного объек­
та. Рассуждение на основе здравого смысла — это немаловажный
компонент искусственного интеллекта, поскольку он затрагивает
широкое разнообразие дисциплин, включая компьютерное зрение,
робототехническую манипуляцию, таксономическое рассуждение,
действие и изменение, временное рассуждение и качественное рас­
суждение.

Вторая зима искусственного интеллекта внесла дополнительные измене­
ния, которые привлекли к искусственному интеллекту то внимание, которым
он пользуется до сих пор. Эти изменения таковы.

296

»

Использование обычных аппаратных средств. Ранее использо­
вание экспертных систем и других средств искусственного интел­
лекта полагалось на специализированные аппаратные средства.
Причина была в том, что обычные аппаратные средства не обеспе­
чивали необходимой вычислительной мощи и памяти. Однако эти
уникальные системы оказались слишком дорогими, сложными в об­
служивании и программировании, а также чрезвычайно ненадеж­
ными, когда сталкивались с необычными ситуациями. Обычные ап­
паратные средства являются универсальными по природе и менее
склонными к проблемам при поиске решения (см. раздел "Решения
в поиске задачи"далее в главе).

»

Осознание необходимости в обучении. Экспертные системы и
другие ранние формы искусственного интеллекта требовали, чтобы
специальное программирование удовлетворяло всем потребнос­
тям, что делало их чрезвычайно негибкими. Стало очевидным, что
компьютеры должны быть в состоянии обучаться на окружающей
обстановке, используя сенсоры и предоставленные данные.

»

Гибкость окружающей среды. Системы, которые действительно
выполняли полезную работу между первой и второй зимами ис­
кусственного интеллекта, работали жестко. Когда входные данные
совсем не соответствовали ожиданиям, эти системы давали гротеск­
ные ошибки в выводе. Стало очевидно, что любые новые системы
должны будут знать, как реагировать на реальные данные, которые
полны ошибок, частично отсутствуют или неправильно оформлены.

»

Доверие новым стратегиям. Предположим, что вы работаете на
правительство и пообещали всякого рода удивительные вещи от
разрабатываемого искусственного интеллекта, но осуществить ни
одну из них не удалось. Это причина второй зимы искусственно­
го интеллекта: различные правительства опробовали различные

способы сделать обещания искусственного интеллекта реальнос­
тью. Когда текущие стратегии однозначно не сработали, эти же са­
мые правительства начали искать другие способы продвижения
вычислительной техники, некоторые из которых привели к интерес­
ным результатам, таким как достижения в робототехнике.

Дело в том, что зимы искусственного интеллекта не обязательно для него
плохи. Фактически это шансы отстраниться и пересмотреть прогресс (или его
отсутствие).
Довольно трудно задумываться обо всех этих важных моментах, когда все
несутся сломя голову к очередному успеху.

О
ЗАПОМНИ1

При рассмотрении зим искусственного интеллекта и последующего
возобновления разработок искусственного интеллекта с модифици­
рованными идеями и целями имеет смысл вспомнить высказывание
американского ученого и футуриста Роя Чарльза Амары (Roy Charles
Amara) (известное также как закон Амары): “Мы склонны переоце­
нивать эффект технологии в краткосрочной перспективе и недооце­
нивать в долгосрочной”. После всех обманов и разочарования всегда
есть время, когда люди не могут точно оценить долгосрочные по­
следствия новой технологии и понять вызванные ею революции. Как
технология искусственный интеллект изменит наш мир к лучшему
или к худшему независимо от того, какое количество зим еще пред­
стоит пережить.

Решения в поиске задачи
Два человека смотрят на груду проводов, колес, кусков металла и разных
странных предметов, выглядящую как куча мусора. Первый человек задается
вопросом “Что это делает?”
Второй отвечает “А чего оно не делает?” Таким образом, изобретение, де­
лающее все что угодно, на самом деле не делает ничего вообще. Средства мас­
совой информации изобилуют примерами решений, ищущих свою задачу. Мы
смеемся, поскольку все мы встречались с решением, для которого осталось
только найти задачу. Эти решения заканчивают на свалке, даже если они дей­
ствительно работают, поскольку они не являются ответом на насущную потреб­
ность. В следующих разделах подробнее обсуждаются решения на базе искус­
ственного интеллекта, находящиеся в поисках задачи.

неудач приложений

297

Определение примочки
Когда дело доходит до искусственного интеллекта, мир полон примочек
(gizmo). Одни из них действительно полезны, другие — нет, а третьи попадают
в промежуток между ними. Например, Alexa имеет много полезных возможно­
стей, но обладает также солидным запасом примочек, которые заставляют хоро­
шо почесать голову, если попытаться их использовать. Следующая статья Джо­
на Дворака (John Dvorak) может показаться слишком пессимистичной, но она
предоставляет пищу для размышлений о видах возможностей Alexa: h t t p s : / /
www.pcmag.com/corranentary/354629/just-say-no-to-amazons-echo-show.
Примочка искусственного интеллекта (AI gizmo) — это любое приложе­
ние, на первый взгляд кажущееся интересным, но в конечном счете оказы­
вающееся неспособным ни на что. Вот некоторые из наиболее популярных
аспектов, которые следует учитывать при определении, не является ли нечто
примочкой. (Первые буквы каждого пункта списка складываются в аббревиа­
туру “CREEP”, намекая на то, что не стоит создавать жутких (creepy) приложе­
ний искусственного интеллекта.)
»

Доступная цена (cost effective). Прежде чем некто решит купить
приложение искусственного интеллекта, он должен убедиться, что
оно не дороже существующего решения. Все ищут выгоду. Перепла­
та за те же самые преимущества просто не привлечет внимания.

}> Воспроизводимость (reproducible). Результаты приложения искус­
ственного интеллекта должны быть воспроизводимыми, даже если
изменяются обстоятельства решения задачи. В отличие от проце­
дурных решений задачи люди ожидают, что искусственный интел­
лект будет адаптироваться — учиться на собственном опыте, а зна­
чит, планка воспроизведения результатов поднимается выше.
»

Экономность (efficient). Когда решение для искусственного интел­
лекта внезапно расходует огромные объемы ресурсов любого вида,
пользователь ищет в другом месте. Сейчас компании весьма заинте­
ресованы решением задач с минимально возможной тратой ресурсов.

»

Эффективность (effective). Простого предоставления дешевого
и экономного практического преимущества недостаточно; искус­
ственный интеллект должен обеспечить полное решение задачи.
Эффективные решения позволяют автоматизировать выполнение
неких задач без необходимости регулярно перепроверять резуль­
таты или поддерживать автоматизацию.

»

Практичность (practical). Полезное приложение должно приносить
практическую пользу. Создаваемое преимущество должно быть
нужным конечному пользователю, например доступ к дорожной
карте или напоминание о принятии лекарств.

Реклама
Шумиха среди потенциальных пользователей вашего приложения искус­
ственного интеллекта является верным признаком того, что приложение потер­
пит неудачу. Достаточно странно, но легче всего добиваются успеха те прило­
жения, цели и намерения которых очевидны с самого начала. Цели приложения
распознавания речи очевидны: вы говорите, и компьютер делает нечто полез­
ное. Вам не нужно никого убеждать в полезности программного обеспечения
распознавания речи. В этой книге упоминается множество действительно по­
лезных приложений, ни одно из которых не требует навязчивой рекламы. Если
люди начинают спрашивать, что нечто делает, значит, пришло время заново
продумать проект.

Когда люди справляются лучше
Даже при использовании искусственного интеллекта люди все равно оста­
нутся в деле. В этой книге нередко упоминается, что в некоторых задачах люди
добиваются большего успеха, чем искусственный интеллект, а многие задачи
искусственный интеллект не может решать вообще.
Все, что требует воображения, творческого потенциала, проницательности,
выработки мнения или идеи, лучше оставить людям. Достаточно странно, но
ограниченность искусственного интеллекта оставляет много места для людей,
многие из которых сегодня не заняты, поскольку люди чрезвычайно заняты
в повторяющихся, скучных задачах, которые легко мог бы выполнять искус­
ственный интеллект.
Заглянем в будущее, где искусственный интеллект действует как помощник
людей. Фактически со временем вы будете видеть случаи использования ис­
кусственного интеллекта все чаще. Наилучшими приложениями искусствен­
ного интеллекта будут те, которые смогут помогать людям, а не заменять их.
Да, роботы заменят людей в опасных условиях, но решения должны будут при­
нимать люди, чтобы не усугубить ситуацию, а значит, для работы роботу ну­
жен человек в безопасном месте. Это взаимовыгодное сотрудничество между
технологией и людьми.

Поиск простого решения
Принцип не усложняй (Keep It Simple, Stupid — KISS) является наилучшим,
когда дело доходит до развития приложений искусственного интеллекта. Вы
можете прочитать об этом принципе больше по адресу https://www.techopedia.com/definition/20262/keep-it-simplestupid-principle-ld.ss-principie,но главная идея в том, что наилучшим является самое простое решение.

ГЛАВА 15 Причины

неудач приложений 299

Существуют прецеденты для применения всякого рода простых решений.
Но, вероятно, самым известным из них является Бритва Оккама (https ://
science.howstuffworks.com/innovation/scientific-experiments/occamsrazor.htm).
Конечно, возникает вопрос, почему простота настолько важна. Самый про­
стой ответ — сложность ведет к отказам: чем больше важных деталей, тем ве­
роятнее отказ. Этот принцип имеет свои корни в математике и прост в доказа­
тельстве.

ЗАПОМНИ1

Когда дело доходит до приложений, вступают в действие и другие
принципы. Для большинства людей приложение — это лишь сред­
ство для достижения цели. Люди заинтересованы в конечном резуль­
тате, а не в приложении. Если приложение исчезнет из виду, пользо­
ватель будет только доволен, поскольку ему важен только конечный
результат. Простые приложения просты в применении, не особо бро­
саются в глаза и не требуют каких-либо сложных инструкций. На са­
мом деле лучшие приложения очевидны. Если ваше решение искус­
ственного интеллекта должно полагаться на всевозможные сложные
взаимодействия, подумайте, не пришло ли время вернуться к чертеж­
ной доске и придумать что-то получше.

У Ч ЕТ П РО М Ы Ш ЛЕН Н О Й РЕВОЛЮ ЦИИ
Сотрудничество человека и искусственного интеллекта не случится так сразу.
Кроме того, новые виды работ, которые будут в состоянии выполнить только
люди, не появятся немедленно.
Однако ожидания людей, просто сидящих без дела и ждущих, что машины бу­
дут их обслуживать, несбыточны и, очевидно, неприемлемы. Люди продолжат
выполнять различные задачи.
Конечно, те же самые заявления о машинах, заменяющих людей, были во
все времена, главным образом во времена промышленных революций
(см. h ttp : / /www. h isto ry d o cto r. net/Advanced%20Placement%20World%2О
History/40.%20The_Industrial_revolution.htm). Но люди всегда будут де­
лать некоторые вещи лучше, чем искусственный интеллект, и вы можете быть
уверены, что продолжите делать свое дело и не потеряете места в обществе.
Следует только иметь в виду, что этот переворот будет менее мощным, чем
промышленная революция.

ЧАСТЬ 5 Будущее искусственного интеллекта

Глава 16

Искусственный
интеллект в космосе
В ЭТОЙ ГЛАВЕ...
» Исследование Вселенной
»» Добыча ресурсов в космосе
» Поиск новых мест для исследований
» Создание строений в космосе

Л

юди наблюдали за небом с незапамятных времен. Большинство имен со­
звездиям и звездам дали еще древние греки и другие древние народы
(в зависимости от того, где вы живете). Большой ковш тоже имеет мно­
го названий и может быть известен даже как “Медведь”, когда группируется
с другими звездами (см. h ttp s://n ew so k .co m /a rticle/3 0 3 5 1 9 2 /v a rio u s-cu ltu res-o ffer-leg en d s-reg a rd in g -b ig -d ip p er?). Людивсегда любили смотреть
на звезды и думать о них, а потому многие культуры задумывались о природе
и виде звезд. Когда люди стали летать в космос, Вселенная в целом приобрела
новый смысл, как описано в этой главе. Искусственный интеллект позволяет
людям видеть Вселенную более ясно и смотреть на нее новыми способами.
Впоследствии люди начали жить в космосе (например, на Международной
космической станции, h ttp s://w w w .n asa.gov/m ission _p ages/station /m ain /
in d ex.htm l) и посещать другие планеты, такие как Луна. Люди также нача­
ли работать в космосе. Конечно, в космосе можно создать такие материалы,

которые невозможно получить в других условиях. Компания Made In Space
(h ttp ://m ad ein sp ace.u s/) фактически специализируется на этом. Кроме всего
этого, использование роботов и специализированного искусственного интел­
лекта позволяет наладить промышленную добычу в космосе всякого рода ма­
териалов. Фактически Конгресс США принял в 2015 году закон, разрешающий
такую деятельность (h ttp s: / / www.space.com/31177-space-mining-commerc ia l-s p a c e flig h t-c o n g r e ss.h tm l), предоставив компаниям право на продажу
добытого. В этой главе рассматривается также роль искусственного интеллекта
в создании космической добывающей промышленности.
Вселенная полна почти бесконечным количеством тайн. Одна из недавно
обнаруженных тайн — существование экзопланет вне Солнечной системы
(см. h ttp s://w w w .n a sa .g o v /fea tu r e/jp l/2 0 -in trig u in g -ex o p la n ets). Суще­
ствование экзопланет означает, что люди могут в конечном счете найти жизнь
на других планетах, но даже поиск экзопланет требует искусственного интел­
лекта. Пути, которыми искусственный интеллект делает все это возможным,
действительно удивительны.
Жить и работать в космосе — это одно, а провести отпуск в космосе —
совсем другое. Уже в 2011 году люди начали говорить о возможности созда­
ния гостиницы на околоземной орбите (h ttp ://m a sh a b le.c o m /2 0 1 1 /0 8 /1 7 /
co m m ercia l-sp a ce-sta tio n /) или Луне. Хотя постройка орбитальной гости­
ницы кажется вполне выполнимой на настоящий момент (h ttp s : //www. newsweek. c o m /s p a c e x -ta k e s -s p a c e -h o te l-m o d u le -o r b it-4 45616), лунная го­
стиница кажется следующим большим делом (h ttp ://w w w .b b c.com /fu tu re/
story/20120712-w h ere-is-h ilto n s-lu n a r-h o tel). Дело в том, что искусствен­
ный интеллект позволит людям жить, работать и даже проводить каникулы в
специализированных космических строениях, как описано в этой главе.

Наблюдение за Вселенной
Изобретение телескопа приписывают голландскому производителю линз
Иоанну Липперсгею (Hans Lippershey) в 1600 годах. (Фактически тема первоот­
крывателя телескопа обсуждается до сих пор h t t p s : //www. sp a ce. com/21950w h o-in ven ted-th e-telescop e.h tm l.) Такие ученые, как итальянский астроном
Галилео Галилей, немедленно начали осматривать небеса, используя нечто луч­
шее, чем их глаза. Таким образом, телескопы распространялись и улучшались,
становясь больше и сложнее, а недавно даже разместились в космосе.

О
ЗАПОМНИ!

Причина размещения телескопов в космосе в том, что атмосфера
Земли не позволяет получить четкие изображения слишком дальних
объектов. Телескоп Хаббл — один из первых и самый известный

из космических телескопов (см. h ttp s://w w w .n a sa .g o v /a u d ien ce/
fo r s tu d e n t s /5 - 8 /f e a t u r e s /n a s a -k n o w s /w h a t - is - t h e - h u b b le sp a ce-teleco p e-5 8 .h tm l). Как описано в следующих разделах, ис­
пользование современных телескопов требует искусственного интел­
лекта, например для планирования времени использования Хаббла
(см. h ttp : //ie e e x p lo r e . i e e e . org/docum ent/63800/?reload=true).

Первый ясный взгляд
Одним из способов выхода за пределы атмосферы Земли является разме­
щение телескопа в космосе. Но этот подход дорог, а обслуживание является
кошмаром. Большинство людей, смотрящих на небеса, нуждается в альтерна­
тиве, такой как телескоп, способный корректировать рассеивающее действие
атмосферы Земли за счет деформации зеркала телескопа (см. h t t p s : //www.
sp ace.com /8884-telesco p e-la ser-v isio n -h ea v en s-b lu rry .h tm l).

ТЕХНИЧЕСКИЕ
ПОДРОБНОСТИ

Представьте необходимость вычислять рассеивающий эффект ат­
мосферы Земли на основании света от, скажем, лазера за доли се­
кунды. Единственный способ осуществлять такие массивные вы­
числения, а затем перемещать исполнительные механизмы зеркала
исключительно правильным способом заключается в том, чтобы ис­
пользовать искусственный интеллект, который имеет весьма боль­
шой опыт по части выполнения таких вычислений, необходимых,
чтобы сделать адаптивную оптику возможной. В статье h t t p s : / /
www. s p i e d i g i t a l l i b r a r y . o r g /c o n f e r e n c e - p r o c e e d in g s - o f s p ie /2 2 0 1 /l/A r t if ic ia l- in t e llig e n c e - s y s t e m - a n d - o p t im iz e d m odal-control-for-the-A D O N IS/10. 1117/12.1 7 6 1 2 0 .short?SS0=1
приводится только один из примеров использования искусственного
интеллекта в адаптивной оптике. Сайт h tt p s : //w w w .h e ls in k i.f i/
en /n ew s/d a ta -scien ce/n eu ra l-n etw o rk s-a n d -tem p o ra l-co n tro lin -a d a p tiv e-o p tics предоставляет дополнительные ресурсы по ис­
пользованию нейронных сетей в адаптивных оптических системах.

Для обеспечения еще лучших оптических характеристик будущие теле­
скопы будут осуществлять трехмерную коррекцию эффекта рассеивания с
использованием мультисопряженной адаптивной оптики (http://eso-ao.
indmath.uni-linz.а с .at/index.php/systems/multi-conj ugate-adaptive-

Эта новая технология исправит узость поля зрения, прису­
щую современным телескопам, но это потребует куда более точного управ­
ления всеми уровнями исполнительных механизмов нескольких зеркал.
Новые телескопы, такие как Giant Magellan Telescope, Thirty-Meter Telescope
и европейский European Extremely Large Telescope (cm . https : //www. space.
optics.html).

ГЛАВА 16 Искусственный интеллект в космосе

303

com/829 9 -w o r ld -la r g e s t-te le s c o p e -b u ilt-c h ile .h tm l), полагаются на эту
технологию, чтобы оправдать усилия по их созданию ценой более одного мил­
лиарда долларов.

Поиск новых мест
До XVIII века люди были прикованы к поверхности Земли, но все равно
пристально глядели в небо и мечтали. Они проделывали всякого рода странные
эксперименты, например прыгали с башен (см. h t t p s : / / j k con n ectors. со т/
n e w s/th e -h isto r y -o f-a v ia tio n -p a r t-1 /), но несмотря на баллоны с горячим
воздухом любой вид истинного полета казался недосягаемым. Мы все еще
остались исследователями; люди продолжают исследования и сейчас, находя
все новые и новые места для поиска.

ЗАПОМНИ1

Идея наличия мест для исследования действительно не ставилась до
первой посадки на Луну 20 июля 1969 года (см. h t t p s : / / www.nasa.
g o v /m issio n p a g e s /a p o ll o /a p o llo l l. html). Да, мы могли смот—
_
реть, но не могли коснуться. Даже в этом случае с тех пор люди смо­
трели на всякого рода места и не могли достичь их, например Марс
(h t t p s : //w w w .space. c o m /3 3 4 6 8 -v ik in g -l-fir s t-m a r s -la n d in g p ic tu r e s .h tm l) и комета Розетта1 (см. https://w w w .usnew s.com /
n e w s /a r t ic le s /2 0 1 4 /1 1 /1 2 /r o s e t t a - c o m e t -la n d in g -is -s p a c e game-changer). Каждое из этих исследований стимулирует человече­
ское желание пойти в новые места. Но что важнее всего, ни одно из
этих предприятий не осуществилось бы без сложной математики, в
которой искусственный интеллект может весьма помочь.

Поиск обычно полагается на телескопы. Однако НАСА и другие органи­
зации все более полагаются на другие подходы, такие как использование ис­
кусственного интеллекта, как описано в статье h ttp s ://w w w .a s tr o b io .n e t/
a ls o -in -n e w s /a r tific ia l-in te llig e n c e -n a s a -d a ta -u s e d -d is c o v e r -e ig h th p la n e t - c i r c li n g - d i s t a n t - s t a r /. В данном случае машинное обучение по­
зволяло найти восьмую планету, вращающуюся вокруг звезды Kepler-90. Ко­
нечно, проблема поиска новых мест практически определяет, можем ли мы
фактически достичь некоторых из более экзотических мест. Спутник Voyager 1,
продвинувшийся дальше всех от Земли, только недавно достиг межзвездно­
го пространства (h ttp s ://w w w .s p a c e .c o m /2 6 4 6 2 -v o y a g e r -l-in te r s te lla r sp ace-con firm ed .h tm l). Его механизмы ломаются, но он все еще пригоден
для использования (h ttp s ://w w w .n a s a .g o v /fe a tu r e /jp l/v o y a g e r -l-fir e s u p -th r u ste r s-a fte r -3 7 ). Находясь в 13 миллиардах миль (20,9215 млрд, км),
1 Чисто технически имеется в виду комета Чурюмова-Герасименко. — Примем, ред.
ЗОД

ЧАСТЬ 5

Будущ ее искусственного интеллекта

Voyager прошел только 0,0022 светового года за 40 лет. Звезда Kepler-90 нахо­
дится на расстоянии 2 545 световых лет, поэтому без новой технологии, кото­
рая, возможно, будет создана с помощью искусственного интеллекта в будущем,
достичь ее будет невозможно.

О
СОВЕТ

К счастью, наша Солнечная система содержит все виды мест, которые
могли бы быть достижимы. Например, Британская энциклопедия ре­
комендует посетить такие места, как Равнина Жары (Caloris Planitia)
на Меркурии (см. h t t p s : / / w w w .b rita n n ica .c o m /list/1 0 -p la cesto -v is it-in - t h e - s o la r - s y s t e m ). Вы также могли бы посетить сайт
TravelTips4Life (h t t p : //w w w .tra v e ltip s4 1 ife.co m /1 5 -p la ce s-w ew a n t-to -v is it-in -o u te r -s p a c e /), который рекомендует Междуна­
родную космическую станцию в качестве первой остановки.

Эволюция Вселенной
Люди наблюдают Вселенную довольно давно, но все еще не имеют ника­
кого реального представления о том, какова она точно, кроме знания, что мы
в ней живем. Конечно, наблюдения продолжаются, но сущность Вселенной —
все еще большой вопрос. Недавно ученые начали использовать искусственный
интеллект, чтобы тщательно прорисовать движение различных частей Вселен­
ной и попытаться выяснить, как она работает (см. h t t p s : //www. s c ie n c e d a ily .
com /releases/2012/09/120924080307 .htm). Использование модели ЛямбдаCDM (Lambda Cold Dark Matter — LCDM) для космоса поможет понять, как
работает Вселенная, немного лучше. Однако она, вероятно, даже не начнет от­
вечать на все наши вопросы.

Новые научные принципы
В конечном счете исследования, в ходе которых люди больше узнают о кос­
мосе, Солнечной системе, Галактике и Вселенной, должно принести некую
прибыль. В противном случае никто не захочет продолжать их финансирова­
ние. Зимы искусственного интеллекта, обсуждавшиеся в главе 15, являются
примером того, что случается с технологией независимо от того, насколько
великие обещания она оказалась не в состоянии выполнить. Следовательно,
с учетом длинной истории исследования космоса люди должны получать не­
кую пользу. В большинстве случаев эта польза приходит в виде новых науч­
ных принципов — улучшения понимания того, как нечто работает. Применив
урок, полученный из космических исследований и путешествий, люди смогут
сделать жизнь на Земле лучше. Кроме того, космические технологии зачастую
находят свою реализацию в товарах повседневного использования.

ГЛАВА 16

Искусственный интеллект в космосе

305

Рассмотрим одно из исследований: посадку Аполлон-11 на Луну. Люди все
еще ощущают последствия взрыва технологий, который произошел во вре­
мя работ над этой задачей. Например, необходимость покорения космоса по­
требовала от правительства потратить много денег на такие технологии, как
интегральные схемы (1C), что сегодня мы считаем само собой разумеющимся
(см. h t t p s : / /w w w .com puterw orld.com /article/2525898/app-developm ent/
n a sa-s-ap ollo-tech n o lo g y -h a s-ch a n g ed -h isto ry .h tm l). По разным данным
каждый доллар, инвестированный правительством в исследования НАСА, се­
годня приносит американцам от 7 до 8 долларов в виде товаров или услуг.
Однако космическая гонка создала новые технологии и кроме самих кораб­
лей и всего с ними связанного. Например, фильм Скрытые фигуры (Hidden
Figures) (h ttp s : //www.amazon.com/exec/obidos/ASIN/B01LTIlRHQ/datacserv ip 0 f-2 0 /) представляет НАСА с такой точки зрения, о которой большинство
людей даже не думают: все, что нужно математике, — это большая вычисли­
тельная мощь. В фильме вы видите развитие математики НАСА от человечес­
ких вычислений до электронно-вычислительных машин. Но если смотреть
фильм внимательно, то можно заметить, что передовые компьютеры работают
рядом с человеком так, как искусственный интеллект будет работать рядом с
людьми в будущем.

О
ЗАПОМНИ!

Сегодня данные о космосе поступают отовсюду. Они помогают вы­
рабатывать новые научные принципы о вещах, которых мы не можем
даже видеть, таких как dark space2 (область космоса, обладающая
массой, но не видимым присутствием) и темная энергия (неизвест­
ная и неопознанная форма энергии, которая противодействует силе
притяжения между телами в пространстве). Поняв эту невидимую
сущность, мы получим новое знание о том, какие силы воздействуют
на нашу планету. Но исследователи настолько перегружены данны­
ми, что им нужен искусственный интеллект только для того, чтобы
выделить смысл хотя бы из малой их части (см. h t t p s : //www. th everge.com /2017/ll/15/16654352/aiastron om y-sp ace-exp loration data). Дело в том, что будущее космоса и использование созданных
нами для него технологий зависят от применения всех данных, ко­
торые мы собираем, а для этого на настоящий момент требуется ис­
кусственный интеллект.

2 Вероятно, автор имел в виду не блэк-метал/эмбиент-группу, а темную материю. —

Примеч. ред.

Добыча ресурсов в космосе
Космическая добывающая промышленность привлекла более чем присталь­
ное внимание в средствах массовой информации и научном сообществе. Такие
фильмы, как Чужой (https://www.amazon.com/exec/obidos/ASIN/B001AQO3Q A /d atacservip 0f-20/), дают представление о том, как могло бы выглядеть
будущее судно космических шахтеров. (Если повезет, космическая добываю­
щая промышленность не будет иметь дела с враждебными чужими.) Куда прак­
тичнее перспективы, представленные в таких статьях, как h t t p s : //www. ou te r p la c e s . com /science/item /17125-asteroid-m iningspace-erau. Фактически
такие компании, как Deep Space Mining (h ttp ://d e e p sp a c e in d u str ie s.c o m /
m ining/3), уже изучают возможности добычи ресурсов в космосе. Что удиви­
тельно, ищут эти шахтеры в основном такие вещи, как вода, которая фактичес­
ки весьма распространена здесь на Земле, но относительно редко встречается
в космосе. В следующих разделах рассматривается суть некоторых наиболее
интересных аспектов космической добывающей промышленности.
У Ч Е Т КРИТИКИ
Лишь некоторые люди ценят роль критика в сообществе — вы наверняка зна­
ете человека, который видит только пятна на Солнце, выбоины на каждой до­
роге и оборотную сторону каждой медали. Критик — как старая сварливая
карга, которую большинство средств массовой информации представляют
как самый худший вид зла. Однако у критика действительно есть важная роль
в искусственном интеллекте для космического применения. Конструктивная
критика может повлиять на перспективное планирование, но она вряд ли по­
ступит от позитивно настроенных членов группы. В то время как все остальные
сосредоточены на творческом решении существующих проблем, критик видит
будущие проблемы, которые действительно будут иметь значение, когда дело
дойдет до реального применения приложений искусственного интеллекта, на­
пример при добыче ресурсов.
У космйчески-ориентированного искусственного интеллекта должно быть
больше независимости, чем у любого земного аналога. С учетом различных
тестов, проведенных на настоящий момент, становится очевидно, что предви­
дение непредвиденного является требованием, а не пожеланием. Космическиориентированный искусственный интеллект должен быть способен обучаться
исходя из окружающей обстановки и находить решения задач, о которых его
разработчики даже не думали, например непредвиденные гравитационные

3 Актуальность ссылки не гарантируется. — Примеч. ред.

эффекты, отказы оборудования, отсутствие подходящих запасных частей и т.д.
Следует учитывать и некоторые другие трудности, которые перед космичес­
ким искусственным интеллектом в настоящее время еще стоят, таких как по­
пытки хакеров перехватить доставку. Для критически настроенного ума это
достаточная пища для размышлений, поэтому он становится основной частью
любой группы.
Во врезке "Понятие ориентации обучения" главы 13 также описаны важные
уроки для космического искусственного интеллекта. Один из этих уроков — в
тщетности, т.е. в знании, что сценарий безнадежен. Космический искусствен­
ный интеллект должен предусмотреть контрмеры, чтобы предотвратить воз­
можный ущерб, а не пытаться затем устранить последствия, которые могут уже
быть непоправимыми. В космосе бесконечное количество неизвестностей,
а значит, потребуется человеческое вмешательство, но это вмешательство
может иметь место месяцы спустя. Космический искусственный интеллект
должен знать, как поддерживать ситуацию, пока вмешательство не станет
ВОЗМОЖНЫМ. Обсуждение на https://w orldbuilding.stackexchange.com /

q u estion s/66698/w h at-issu es-w ou ld -an-ai-asteroid -m in in g-station shave-to-be-prepared-for предоставляет лишь небольшой набор примеров
невероятных проблем, с которыми может столкнуться космический искус­
ственный интеллект.

Добыча воды
Вода покрывает примерно 71 процент поверхности Земли. Фактически на
Земле так много воды, что нам зачастую трудно убрать ее из тех мест, где она
не нужна. Однако Земля — исключение из правил. В космосе изобилия воды
нет. Конечно, вы могли бы задаться вопросом, зачем нужна вода в космосе,
кроме как для нужд астронавтов и, возможно, полива растений. Факт в том,
что из воды получается отличное ракетное топливо. Разделение Н 20 на со­
ставляющие компоненты дает водород и кислород, являющиеся компонентами
современного ракетного топлива (см. h ttp s://w w w .n a sa .g o v /to p ics/tech n o logy/hydrogen/hydrogen_fu el_of_ch oice.h tm l). Следовательно, большой шар
грязного льда в небе может стать в будущем заправочной станцией.

Добыча редкоземельных и других металлов
Горнодобывающая промышленность всегда была делом грязным, но одни
ее виды куда грязнее других, и добыча редкоземельных металлов относится
именно к этой категории. Добыча редкоземельных металлов — действительно
грязное дело (см. h t t p s : //e a r t h j o u r n a lis m .n e t//s t o r ie s /t h e -d a r k - s id e of-renewable-energy и h ttp s : / /tu c so n . co m /b u sin ess/lo ca l/b ig -p o llu tio n -

ИСПОЛЬЗОВАНИЕ ДРОНОВ И РОБОТОВ ДЛЯ ДОБЫЧИ
Вы не сможете определить, что содержит астероид, пока не подберетесь к
нему действительно близко. Кроме того, количество требующих исследова­
ния астероидов, прежде чем на них удастся найти что-нибудь стоящее, весьма
существенно — намного больше, чем смогут исследовать пилотируемые ко­
рабли. Кроме того, нахождение рядом с любым объектом, способным вращать­
ся непредсказуемым способом и иметь странные характеристики, довольно
опасно. По всем этим причинам большинство исследований астероидов в
целях добычи ресурсов будет осуществляться с использованием автономных
дронов различных видов. Эти дроны пойдут от астероида к астероиду, ища
необходимые ресурсы. Когда дрон найдет необходимый материал, он пред­
упредит центральную станцию, передав информацию о точном расположении
астероида и других характеристиках.
Затем будет послан робот, чтобы сделать что-то с астероидом. Большинство
людей полагает, что добыча ресурсов будет осуществляться на месте, но фак­
тически это слишком опасно и дорого. Другая идея заключается в том, что­
бы переместить астероид в более безопасное место, такое как орбита вокруг
Луны, и выполнять добычу там. Фактически для этого проекта уже есть финан­
сирование (см. h ttp s : //w w w .outerplaces. com /science/item /1332-nasato-receive-100m-budget-for-asteroid-capture).flenoBTOM , что одни ро­
боты могли бы осуществлять транспортировку, а другие — добычу ресурсов.
Люди могли бы участвовать в ремонте роботов и, вероятно, в контроле дей­
ствий дронов и роботов. Это куда менее опасная и более интересная работа,
чем в горнодобывающей промышленности здесь на Земле.

risk -seen -in -rare-ea rth -m in in g /a rticle_ c6 0 4 d d 8 0 -7 a 8 d -5 a b 5 -8 3 4 2 -0 f9Ь8dbb35fb.html), поскольку все их месторождения на территории США были
закрыты как стратегический резерв для вооруженных сил, пока американское
правительство не позволило вновь открыть месторождение Mountain Pass из-за
китайцев(см.h ttp s : //www.popularmechanics. com /science/al2794/one-am erican-m ine-versus-chinas-rare-earths-dom inance-14977835/). Одним из са­
мых больших недостатков добычи редкоземельных металлов является загрязне­
ние окружающей среды радиоактивным торием.
Из-за очень высокой цены, а также опасности для экологии и рабочих дли­
тельная добыча редкоземельных металлов в США на месторождении Mountain
Pass вызывает большое сомнение (см. https://w w w .b loom b erg.com /new s/
a r tic le s /2 0 1 7 -0 6 -2 2 /th e -d istr e ss e d -d e b t-sta n d o ff-o v e r -a m e r ic a -s -o n ly-rare-earth -m in e). Фактически с китайцами ведется борьба, чтобы не по­
зволить им купить единственное американское месторождение (см. h t t p : / /
ГЛАВА 16 Искусственный интеллект в космосе

309

t h e h i l l . co m /b lo g s/p u n d its-b lo g /ec o n o m y -b u d g et/339528 -R a re-ea rth rancor% 3A-Feds-m ust-stop-Chinese-purchase-of-US-m ine и h ttps://w w w .
b r e itb a r t. com/economics/2 0 1 7 /0 8 /3 0 /ex clu siv e-d o n a ld -tru m p -u rg ed -to n a tion alize-am erica s-o n ly -ra re-ea rth -m in e/).
Ваш мобильный телефон, iPad, автомобиль, телевизор, а также солнечная
батарея или ветряная мельница, дающий электричество в ваш дом, — все ис­
пользуют чрезвычайно опасные редкоземельные материалы (см. http: / /www.
rareearth tech allian ce.co m /A p p lica tio n s/E lectro n ics.h tm l). Большинство
людей даже не знают, что эти материалы неустойчивы, из-за способа их со­
временного использования (h ttp ://w w w .p b s.o rg /w g b h /n o v a /n ex t/p h y sics/
rare-earth -elem en ts-in -cell-p h o n es/). С учетом длины списка подобных по­
лезных ископаемых они являются наилучшей причиной для развития добычи
на других планетах, где токсичные отходы не будут нам мешать. Фактически
горная промышленность должна быть только первым этапом; все производство
также должно покинуть планету (да, ее потенциал для загрязнения окружаю­
щей среды весьма велик).

©
ЗАП0МНИ1

Искусственный интеллект очень важен для стараний по поис­
ку лучших источников редкоземельных металлов, которые не бу­
дут загрязнять нашу планету. Как ни странно, одним из потен­
циальных источников редкоземельных металлов является Луна
(см. h ttp s://w w w .w a sh in g to n p o st. c o m /n a t io n a l/h e a lt h - s c ie n c e /m o o n -d r a w s -g r o w in g -in te r e s t-a s -a -p o te n tia l-s o u r c e o f - r a r e m in e r a ls /2 0 1 2 / 0 1 /3 0 /gIQAqHvUuQ_story.htm l?utm _
term =.828c9cbl9a34). Фактически многие политические деятели
видят сейчас лунную горнодобывающую промышленность редкозе­
мельных металлов как стратегическую задачу (см. h ttp s : / / s s e r v i .
nasa. g o v /a rticles/is-m in in g -ra re-m in era ls-o n -th e-m o o n -v ita lto -n a tio n a l-s e c u r ity /). Проблема в том, что усилия по изучению
точного строения Луны пока не были в целом успешны, поэтому
важно знать, чего ожидать. Программа Moon Mineralogy Mapper
(h t t p s : //w w w .jpl.nasa.gov/m issions/m oon-m ineralogy-m apperm3/) является только реализацией одного из многих усилий по ис­
следованию строения Луны. Кроме того, чтобы успешно обрабаты­
вать редкоземельные металлы и превращать их в полезные товары,
на Луне потребуется источник воды, которой на ней, очевидно, нет
(см. https://new s.nationalgeographic.com /2017/07/w ater-m oonfo r m ed -v o lc a n o e s-g la ss-sp a c e-scien ce/). Зонды, роботы, анализ
данных и все необходимое планирование потребуют использования
искусственного интеллекта, поскольку проблемы куда сложнее, чем
можно подумать.

Поиск новых элементов
Периодическая таблица содержит список всех доступных элементов и по­
стоянно обновляется. Фактически в 2016 году в ней появились четыре новых
элемента (см. h t t p s : //w w w .sciencen ew s. o r g /b lo g /s c ie n c e - t ic k e r /f o u r n ew est-elem ents-periodic-table-get-nam es). Однако поиск этих четырех но­
вых элементов потребовал работы как минимум ста ученых, использовавших
передовой искусственный интеллект (см. h ttps://w w w .w ired .com /2016/01/
sm a sh in g -n ew -ele m en ts-in to -ex iste n c e-g ets-a -lo t-h a r d e r-fro m -h ere/),
поскольку в лабораторных условиях они существуют лишь долю секунды. До­
статочно интересно, что космос может быть тем местом, где эти новые эле­
менты существуют в естественных условиях и не долю секунды, поскольку
протоны в ядре отталкивают друг друга.

ЗАПОМНИ1

Как демонстрируется в этой статье, мы все еще находим новые эле­
менты для периодической таблицы и почти наверняка найдем еще
больше. Сверхновые звезды и другие космические явления могут
создавать элементы, которые ученые воспроизводят в ускорите­
лях элементарных частиц и реакторах (http: //discoverm agazine.
c o m /2 0 1 4 /se p t/3 -a sk -d isc o v e r ). Фактически физики-ядерщики
использовали искусственный интеллект в работе начиная с 1980-х
годов (см. h ttp ://w w w .scien cem a g .o rg /n ew s/2 0 1 7 /0 7 /a i-ch a n g in g -h o w -w e -d o -s c ie n c e -g e t-g lim p s e ). Вас это может удивить,
но один из элементов, технеций, встречается только в космосе
(h t t p s : //w w w .forbes. c o m /s ite s /e th a n s ie g e l/2 0 1 5 /0 8 /0 1 /a -p e r io d ic - t a b le - s u r p r is e - t h e - o n e - e le m e n t - in - s t a r s - t h a t - is n t on-earth/#2bfc534edf74).

Объединение элементов создает новые материалы. Искусственный ин­
теллект непосредственно помогает химикам находить новые способы ком­
бинирования элементов в новые интересные кристаллы (см. h ttp s://w w w .
scien ced aily.com /relea ses/2 0 1 6 /0 9 /1 6 0 9 2 1 0 8 4 7 0 5 .h tm ). Однажды ученые
обнаружили 2 миллиона новых видов кристаллов, использующих только че­
тыре элемента, но их поиски полагались на искусственный интеллект. Только
представьте, что будет в будущем, когда ученые начнут использовать искус­
ственный интеллект и глубокое обучение (которое позволит определить, будут
ли полученные кристаллы фактически полезными).

Улучшение коммуникаций
Любое столь сложное космическое предприятие, как добыча ресурсов,
требует использования передовых коммуникаций. Даже если зонды и роботы
ГЛАВА 16 Искусственный интеллект в космосе

3U

используют для добычи возможности глубокого обучения, для преодоления
больших и не очень инцидентов, которые могут произойти в процессе добычи
ресурсов, людям все еще придется решить проблемы, с которыми искусствен­
ный интеллект не может справиться. Ожидание в течение многих часов, только
чтобы обнаружить наличие проблемы, а затем еще больше часов на опреде­
ление источника проблемы, является настоящим бедствием для космической
горнодобывающей промышленности. Современные методы связи требуют мо­
дернизации, хотя, как ни странно, они также используют искусственный ин­
теллект (см. h t t p s : / /w w w .n asa.gov/featu re/god dard/2017/n asa-exp loresa r tific ia l-in te llig e n c e -fo r -s p a c e -c o m m u n ic a tio n s ).

ЗАПОМНИ!

Когнитивное радио (см. h ttp ://ie e e x p lo r e .ie e e .o r g /d o c u m e n t/
5783948/) полагается на искусственный интеллект, чтобы автома­
тически принимать решения о необходимости улучшить эффек­
тивность радиосвязи различными способами. Человек-оператор не
должен заботиться о том, как сигнал из одного места достигает дру­
гого; это просто делается самым эффективным способом. Во мно­
гих случаях для решения задачи когнитивное радио полагается на
неиспользуемый или недогруженный спектр частот, но оно может
полагаться и на другие методы. Другими словами, текущие мето­
ды контроля зондов, такие как представлены по адресу h t t p s : / /
en .w ikipedia.org/w iki/L ist_of_active_Solar_System _j)robes, не
будут работать в будущем, когда будет необходимо общаться больше
и быстрее.

Исследование новых мест
Космос обширен. Люди вряд ли когда-либо исследуют его весь. Любой, кто
говорит вам, что все границы закончились, очевидно, не искал в небе. Даже ав­
торы научно-фантастических романов уверены, что Вселенная еще долго будет
содержать места для исследования людей. Конечно, если вам нравится теория
множественности вселенных (h ttp s : //www. sp a ce. com /18811-m ultiple-univ e r se s-5 -th e o r ie s.h tm l), количество мест для исследования становится бес­
конечным. Проблема даже не в том, чтобы найти место, куда пойти, а в том,
куда пойти сначала. Следующие разделы помогут понять роль искусственного
интеллекта в путешествии людей с планеты Земля к другим планетам, а затем
к звездам.

Сначала зонды
Люди уже начали запускать исследовательские зонды. На самом деле ис­
пользование зондов началось куда раньше, чем думают многие. Еще в 1916 году
д-р Роберт X. Годдард (Robert Н. Goddard), пионер американского ракетостро­
ения, подсчитал, что на Луну можно отправить ракету со взрывчаткой, взрыв
которой можно увидеть с Земли. Однако сам термин зонд (probe) дали миру
Э. Берджесс (Е. Burgess) и К.А. Кросс (С.А. Cross) в статье The Martian Probe,
написанной в 1952 году. Большинство людей считают космический зонд сред­
ством, предназначенным для изучения других мест с Земли. Первый зонд,
Луна-9, совершил мягкую посадку на Луну в 1966 году.
Сегодня зонды не просто пытаются достичь неких мест. Достигнув их, они
решают сложные задачи, а затем сообщают результаты по радио ученым на
Земле. Например, НАСА разработало зонд Mars Curiosity для поиска микро­
бов на Марсе. Для решения этой задачи зонд Curiosity снабдили сложной си­
стемой, способной самостоятельно выполнять множество задач. Во многих
случаях ожидание решения людей — просто не выход; некоторые проблемы
требуют немедленного разрешения. Зонд Curiosity создает так много инфор­
мации, что имеет собственный блог, подкасты и веб-сайт (h ttps://w w w .nasa.
gov/m ission _p ages/m sl/in d ex.h tm l). О конструкции и возможностях зонда
Curiosity можно прочитать по адресу h ttps://w w w .sp ace.com /17963-m arsc u r io sity .h tm l.
Несложно вообразить огромный объем информации от отдельных зондов,
таких как Curiosity. Анализ только его данных требует больших усилий от та­
ких организаций, как Netflix и Goldman Sachs (см. h t t p s : //www. fo r b e s . com/
sites/b ern a rd m a rr/2 0 1 6 /0 4 /1 4 /a m a zin g -b ig -d a ta -a t-n a sa -rea l-tim e-a n a ly tic s-1 5 0 -m illio n -m ile s-fr o m -e a r th /# 3 b 3 e f3 6 5 c c 4 f). Различие лишь в
том, что данные поступают с Марса, а не от местных пользователей, однако
любой анализ данных требует времени, чтобы фактически получить информа­
цию. Фактически сигнал от Земли до Марса идет целых 24 минуты. С учетом
этого Curiosity и другие зонды должны думать сами за себя (https://www.pops c i . c o m /a r tific ia l-in te llig e n c e -c u r io s ity -r o v e r ), даже когда выполняют
определенные виды анализа.
После того как данные возвращаются на Землю, ученые сохраняют их, а за­
тем анализируют. Даже с помощью искусственного интеллекта процесс займет
годы. Вполне очевидно, что полет к звездам потребует куда больше терпения
и вычислительных мощностей, чем в настоящее время. С учетом сложности
Вселенной использование зондов весьма важно, но зонды, возможно, должны
стать более автономными для поиска правильных мест для исследований.

ГЛАВА 16 Искусственный интеллект в космосе

313

СУЩ ЕСТВУЮЩИЕ ЦЕЛИ КОЛОНИЗАЦИИ
Ученые уже намечают вероятные места для колонизации людьми когда-ни­
будь в будущем. Колонизация станет важной по множеству причин, но рост
населения Земли легко представить математически. Конечно, потенциальный
перенос добычи и производства на другие планеты также является причиной.
Плюс наличие другого места для жизни существенно улучшает наши шансы
на случай, если в Землю случайно врежется астероид. С учетом этих сообра­
жений вот список наиболее вероятных целей колонизации (ваш список может
отличаться).
•

Луна

•

Марс

•

Европа

•

Энцелад

•

Церера

•

Титан

Все эти потенциальные кандидаты предъявляют индивидуальные требования,
справиться с которыми может помочь искусственный интеллект. Например,
колонизация Луны потребует применения куполов. Кроме того, у колонистов
должен быть достаточно большой источник воды, чтобы разделять ее на кис­
лород для дыхания и водород для тепла. Таким образом, зонды предоставят
некоторую информацию, но моделирование окружающей среды при коло­
низации потребует времени и больших вычислительных мощностей здесь на
Земле, прежде чем люди смогут двинуться в некие другие места.

Роботизированные миссии
Вероятно, люди никогда не будут посещать другие планеты непосредствен­
но, как их исследователи, вопреки научно-фантастическим книгам и фильмам.
Куда больше смысла посылать на планеты роботы и предварительно выяснять,
стоит ли вообще посылать туда людей, поскольку отправить роботы дешевле и
проще. Люди фактически уже посылали роботы на многие планеты Солнечной
системы и их спутники, но Марс кажется любимой целью по ряду причин.
»

Роботизированные миссии на Марс возможны каждые 26 месяцев.

»

Марс находится в пригодной для жизни зоне Солнечной системы,
что делает его вероятной целью для колонизации.

»

Многие ученые полагают, что ранее на Марсе существовала жизнь.

Взаимоотношения людей с Марсом начались в октябре 1960, когда Советский
Союз запустил межпланетные станции Марс-1960А и Марс-1960Б. К сожале­
нию, зонды даже не вышли на орбиту Земли вследствие отказа ракет-носителей,
не говоря уже о Марсе. Затем США предприняли попытки с космическим кора­
блем Mariner-З в 1964 году и Mariner-4 в 1965 году. Станции Mariner-4 удалось
отправить на Землю 12 фотографий Красной планеты. С этого времени люди
послали на Марс бесчисленное количество зондов и роботов, которые начали
раскрывать тайны Марса. (Коэффициент успеха марсианских миссий, однако,
составляет меньше 50 процентов согласно h ttp s://w w w .sp a ce.co m /1 6 7 7 7 cu riosity-rover-m an y-m ars-m issions.htm l). Помимо зондов, предназначен­
ных для наблюдения Марса из космоса, посадку на Марс осуществляют роботы
двух типов.
»

Lander. Стационарное роботизированное устройство, выполняю­
щее относительно сложные задачи.

»

Rover. Мобильное роботизированное устройство, увеличивающее
охват исследуемых площадей.

Вы можете найти список посадочных аппаратов и роверов, отправленных на
М арсе 1971 года, по адресу https://w w w .space.com /12404-m ars-exploredlan d ers-rovers-1971. html. Несмотря на то, что большинство из них прибыло
из Соединенных Штатов или Советского Союза, по крайней мере один аппа­
рат — из Англии. Поскольку методы, необходимые для успешной посадки,
становятся все более известными, другие страны тоже вскоре включатся в гон­
ку к Марсу (даже если с помощью только дистанционного управления).

О
ЗАПОМНИ!

По мере совершенствования зондов им потребуется улучшенный ис­
кусственный интеллект. Например, у Curiosity относительно слож­
ный искусственный интеллект, позволяющий ему самостоятель­
но выбирать новые цели для исследования, как описано в статье
h t t p : / /www.astronom y.com /news/2016/08/how-does-m ars-rovercu rio sity s-n ew -a i-sy stem -w o rk . Однако не думайте, что этот ис­
кусственный интеллект заменяет ученых на Земле. Свойства камней,
которые находит искусственный интеллект, все еще определяют уче­
ные. Кроме того, ученый может перенастроить искусственный ин­
теллект и выбрать другую цель. Искусственный интеллект помогает
ученым, а не заменяет их; это хороший пример того, как люди и ис­
кусственный интеллект будут сотрудничать в будущем.

Хотя все успешные роботизированные миссии на другие планеты полага­
лись до сих пор на правительственное финансирование, добыча и другие ком­
мерческие усилия в конечном счете потребуют коммерческих космических

экспедиций. Например, компания Google назначила премию Lunar XPRIZE
(h ttp s : //lu n a r .x p r iz e .o r g /) за первое коммерческое предприятие на Луне,
составляющую 20 миллионов долларов. Для победы коммерческое предпри­
ятие должно успешно посадить роботизированное устройство на Луну, устрой­
ство должно пройти не менее 500 метров и передать высококачественное видео
на Землю. Конкурс важен, поскольку эта миссия будет осуществлена не только
ради приза; он станет первым из многих других подобных мероприятий.

Добавление человеческого элемента
Люди хотят посетить другие места вне Земли. Конечно, единственное место,
которое мы фактически посетили, — Луна. Первое такое посещение произо­
шло 20 июля 1969 года в ходе миссии Аполлон-11. С тех пор люди высажива­
лись на Луне шесть раз, вплоть до миссии Аполлон-17, выполненной 7 декабря
1972 года. У Китая, Индии и России есть планы относительно посадок на Луну.
Россия планирует пилотируемый полет на Луну примерно в 2030 году. НАСА
тоже планирует полет к Луне в будущем, но никаких дат не называет.
У НАСА действительно есть планы относительно Марса. Фактического по­
сещения людьми Марса, вероятно, следует ожидать в 2030-х годах (h ttp s : / /
w ww .nasa.gov/topics/m oon-to-m ars/overview). Как можно догадаться, наука
о данных, искусственный интеллект, машинное обучение и глубокое обучение
сыграют заметную роль в любом усилии по достижению Марса. Из-за рассто­
яния и окружающей обстановки людям потребуется большая поддержка при
полете на Марс. Кроме того, возвращение с Марса будет значительно более
трудным, чем с Луны. Даже старт будет более трудным из-за наличия хотя и
разреженной, но атмосферы, а также большей гравитации Марса.

О

ВНИМАНИЕ!

В 1968 году Артур Кларк выпустил книгу Космическая одиссея 2001
года. Книга, вероятно, вызвала большой отклик, поскольку по ней
были сняты фильм и телесериал, не говоря уже о трех дополнитель­
ных книгах. В книге описан вымышленный компьютер с искусствен­
ным интеллектом HAL-9000, закончивший тем, что сошел с ума из-за
конфликта в параметрах его задачи. Основная цель компьютера за­
ключалась в помощи космическим путешественникам в их задании,
но главная цель — не позволить им сойти с ума от одиночества.4Без­
относительно к имеющимся надеждам подобный HAL компьютер
при любых космических полетах, вероятно, обречен на отказ. С од­
ной стороны, любой запрограммированный для космоса искусствен­
ный интеллект, вероятно, не будет преднамеренно держать экипаж в

4 См. лучше h ttp s ://r u .W ik ip e d ia .огд^Иа./Космическая_одиссея_2001
года. — Примем, ред.

неведении об их задании. Без сомнений, искусственный интеллект
в космических полетах будет использован, но он будет иметь более
практическую и обыденную функцию, чем HAL-9000.

Создание строений в космосе
В некий момент только посещений космоса станет недостаточно. Реаль­
ность космического полета в том, что все находятся в относительной тесноте,
поэтому на пути к цели нужны промежуточные станции. Но даже с промежу­
точными станциями космический полет потребует серьезных усилий. Однако
промежуточные станции важны уже сегодня. Предположим, что люди начнут
фактическую добычу на Луне. На околоземной орбите потребуется склад из-за
огромной стоимости доставки добывающего оборудования и других ресурсов
с поверхности Земли. Конечно, должна будет осуществляться и обратная до­
ставка добытых ресурсов или готовых изделий из космоса на Землю. Люди
также захотят провести отпуск в космосе. Ученые уже используют различные
космические строения для проведения своих исследований. В следующих раз­
делах обсуждается использование различных строений, способных помочь лю­
дям на их пути от Земли к планетам и звездам.

Ваш первый отпуск в космосе
Сейчас различные компании обещают космические каникулы в ближайшем
будущем. Компания Orbital Technologies сделала одно из первых таких предло­
жений в 2011 году с первоначальной ожидаемой датой — 2016 год (см. http: / /
w w w .sm h .c o m .a u /te c h n o lo g y /sc i-te c h /sp a c e -v a c a tio n -o r b itin g -h o te lread y-for-gu ests-b y-2016-20110818-lj0w 6.h tm l). Идея была в использова­
нии российской ракеты “Союз” и проживании с шестью людьми на протяже­
нии пяти дней. Хотя космические каникулы еще невозможны, видео по адресу
h t t p s : //www. youtube. com/watch?v=2PEY0VV3ii0 знакомит с технологиями,
необходимыми для того, чтобы сделать такие каникулы реальными. Большин­
ство идей на таких сайтах вполне выполнимы, по крайней мере до некоторой
степени, но сегодня еще не общедоступны. То, что вы видите, является ре­
кламной шумихой (обещание товара, которого еще фактически нет, но привлечь
внимание к которому уже можно), но так или иначе это интересно.У

О
СОВЕТ

У компании Blue Origin, основанной Джеффом Безосом (Jeff Bezos),
есть фактически работающая ракета (h ttp s : / / w w w .csm onitor.
com /S cien ce/2017/0329/B lue-O rigin -offers-w ind ow -in to-w h ata - s p a c e - v a c a t io n - m ig h t - lo o k - lik e - lit e r a lly ) . На настоящий
момент ракета совершила пять беспилотных полетов. Эти полеты

выведут людей не в космос, а скорее на низкую орбиту высотой
100 километров. У таких компаний, как Blue Origin (h ttp s: //www.
b lu eo rig in .co m /) и SpaceX (http://w w w .spacex.com /), есть хоро­
ший шанс прямо сейчас сделать космические каникулы реальностью.
Компания SpaceX фактически рассматривает планы проведения ка­
никул на Марсе (http: / /www. spacex.com/mars).
Безотносительно к последующим заявлениям люди в конечном счете ока­
жутся в космосе по разным причинам, включая каникулы. Следует также учи­
тывать стоимость, которая будет такой же астрономической, как и ваше рассто­
яние от Земли. Космический полет не станет дешевым в обозримом будущем.
В любом случае компании сейчас работают над космическими каникулами,
хотя они еще и недоступны.

Проведение научных исследований
В космосе уже проводится множество научных исследований, и во всех них
в настоящее время так или иначе помогает искусственный интеллект. Все, от
международной космической станции до телескопа Hubbard5, весьма зависит
от искусственного интеллекта (h ttp s : //sp a cen ew s. com/beyond-hal-how-art if ic ia l- in t e llig e n c e - is - c h a n g in g - s p a c e - s y s t e m s /) . Заглядывая в буду­
щее, вы вполне можете предположить реальность космических лабораторий
и краткосрочных визитов в космос для проведения экспериментов. В настоя­
щее время для экспериментов с имитацией невесомости используют полет по
параболической траектории (h ttp s : //www. gozerog. com/). Фактически полет
происходит на самолете, который пикирует с большой высоты. Эта тенденция,
вероятно, продолжится, причем на более высоких уровнях.

Промышленное пространство в космосе
У космических полетов могут быть разные цели. Люди уже пользуются
значительными преимуществами технологий, разработанных для космиче­
ских полетов и используемых сейчас для гражданских целей здесь, на Земле.
(Важность космоса для жизни на Земле подчеркивается во многих статьях,
одна из них — h ttp s://w w w .n a s a .g o v /p r e s s-r e le a s e /s p in o ff-2 0 1 6 -h ig h lig h ts -s p a c e -te c h n o lo g ie s -u s e d -in -d a ily -life -o n -e a r th .) Но даже с пере­
дачей технологий космос все еще очень дорог, и лучшая окупаемость могла бы
быть достигнута при использовании достижений другими способами, такими
как создание космических фабрик (h ttp s://w w w .p o p sc i.c o m /fa c to r ie s-in space).
5Вероятно, имелся в виду телескоп Хаббл. — Примем, ред.

Фактически может оказаться, что космические фабрики являются един­
ственным средством производства определенных материалов и продукции
(см. h ttp s://w w w .fa stco d esig n .co m /3 0 6 6 9 8 8 /m it-in v en ted -th e-m a teria lw e ll-n e e d -to -b u ild -in -sp a c e ). Условия невесомости влияют на то, как мате­
риалы реагируют и объединяются, а значит, на то, что невозможно здесь на Зем­
ле, становится вполне возможным в космосе. Кроме того, некоторые процессы
легко выполнимы только в космосе, например совершенно круглый шарикопод­
шипник (h ttp s://w w w .a co rn -in d .co .u k /in sig h t/T h e-S cien ce-E x p erim en tWhich-Took-Off-Like-A-Rocket---- C reating-Space-B all-B earings/).

Использование космоса для хранения
Люди в конечном счете будут хранить некоторые вещи в космосе, и это име­
ет смысл. По мере того как космические полеты будут становиться все более
и более распространенными и люди начнут развивать промышленное произ­
водство в космосе, потребуется хранить такие вещи, как топливо и добытые
ресурсы. Поскольку люди не будутзнать, где будут использоваться добытые ма­
териалы (космические фабрики также будут требовать материалов), хранить их
лучше будет в космосе, пока в них не возникнет потребность на Земле. Так бу­
дет намного дешевле, чем при их хранении на Земле. Космическая бензоколон­
ка могла бы появиться куда раньше, чем вы думаете, поскольку она, возможно,
понадобится при наших попытках посетить Марс (h ttp s: //fu tu r ism , com/ag a s-sta tio n -in -sp a ce-co u ld -a llo w -u s-to -rea c h -o th er-w o rld s/ и h ttp s : / /
www.sm ith so n ia n m a g .c o m /in n o v a tio n /n a s a -s e n d in g -r o b o tic -fu e lin g station -sp ace-180963663/).
Хотя никаких планов хранения опасных материалов в космосе пока нет, в
будущем люди вполне смогут хранить загрязняющие планету отходы там. Ко­
нечно, на ум приходит вполне резонный вопрос “Зачем хранить опасные от­
ходы, если их можно сжечь, отправив на Солнце?” В таком случае, возможно,
было бы логичнее усомниться в потребности продолжать производить опасные
отходы вообще. Но пока люди существуют, производство опасных отходов бу­
дет продолжаться. Их хранение в космосе дало бы нам шанс найти такие сред­
ства утилизации отходов, которые превратят их в нечто полезное.

Глава 17

Новые профессии
В ЭТОЙ ГЛАВЕ...
» Работа в космосе
» Строительство новых городов
» Усиление человеческих возможностей
» Ремонт нашей планеты

огда люди слышат новости о роботах и других автоматах, созданных
в результате технологических достижений, таких как искусственный
интеллект, они обычно видят в них негатив, а не позитив. Например,
в статье https://www.theverge.com/2017/ll/30/16719092/automation-robots-jobs-global-800-million-forecast утверждается, что к 2030 году ав­
томатизация освободит от 400 до 800 миллионов рабочих мест. Затем в статье
рассматривается, как именно исчезнут эти рабочие места. Хотя в ней и при­
знается, что некоторые технологические достижения создают новые рабочие
места (например, персональный компьютер создал примерно 18,5 миллиона
рабочих мест), основное внимание уделяется потере всех этих рабочих мест и
возможности дальнейших потерь, которые могут стать постоянными (причем,
вероятнее всего, в индустриальном секторе). Проблема в том, что большинство
подобных статей вполне однозначны, когда дело доходит до потери работы, но
весьма туманны, в лучшем случае, при обсуждении создания новых рабочих
мест. Основная задача этой главы в том, чтобы развеять обман, прямую дезин­
формацию и страхи с помощью некоторых хороших новостей.

К

Здесь рассматриваются новые интересные профессии. Однако не рассчиты­
вайте, что ваша профессия есть в этом списке. (Некоторые примеры профес­
сий, неподвластных искусственному интеллекту, приведены в главе 18.) Если
вы не задействованы на неких чрезвычайно простых монотонных работах,
искусственному интеллекту вас не заменить. Куда вероятнее обратное: искус­
ственный интеллект поможет вам и позволит получить больше удовольствия от
вашей профессии. Даже в этом случае, после чтения данной главы, вы можете
просто решить чуть повысить уровень своего образования и, получив квалифи­
кацию, освоить действительно новую и удивительную профессию.

О
ЗАПОМНИ!

Некоторые из профессий, обсуждаемых в этой главе, являются к
тому же опасными. Искусственный интеллект претендует также на
выполнение множества повседневных дел в офисе или даже в вашем
доме. Главное — не прекращать искать новую работу, если искус­
ственный интеллект действительно сумеет занять вашу. Дело в том,
что на протяжении своей истории люди попадали в такие ситуации
многократно, особенно во времена промышленных революций, и
вполне могли находить себе новые занятия. Даже если вы не извле­
чете ничего нового из этой главы, помните, что причиной всех стра­
хов в мире является то, что кто-то пытается напугать вас и заставить
поверить в истинность чего-то.

Жизнь и работа в космосе
Средства массовой информации заморочили людям головы идеей, что мы
так или иначе исследуем всю Вселенную и выиграем все космические битвы
с инопланетянами, которые прилетят, чтобы захватить нашу планету. Пробле­
ма в том, что большинству людей неизвестно, как осуществить любую из этих
вещей. Тем не менее уже сегодня вы можете получить связанную с космосом
работу в компании SpaceX (см. http://w w w .spacex.com /careers). Список по­
тенциальных профессий огромен (h ttp ://w w w .s p a c e x .c o m /c a re e rs/list), и
большинство из них подразумевает интернатуру, чтобы вы могли получить луч­
шее представление о них прежде, чем начать серьезную карьеру. Конечно, вы
могли бы ожидать, что все они будут сугубо техническими, но, заглянув в конец
списка, можно найти буквально все профессии, включая бармена (на момент
написания этой книги). Факт в том, что работа в космосе потребует практичес­
ки всех профессий; в конечном счете у вас есть достаточно возможностей вы­
брать свой путь и найти нечто более интересное.

о
СОВЕТ

Компании, подобные SpaceX, заинтересованы в развитии собствен­
ных образовательных средств, поэтому они активно сотрудничают с
университетами (h ttp ://w w w .sp acex.com /u n iversity). Космос яв­
ляется относительно новым предприятием для людей, поэтому все
начинают примерно на том же самом уровне, на котором все изучают
что-то новое. Одна из самых волнующих частей освоения новых об­
ластей человеческих усилий состоит в том, что мы никогда не де­
лали того, что делаем теперь, поэтому есть чему поучиться. У вас
может появиться возможность сделать нечто действительно важное
для человечества, но только если вы действительно пожелаете взять
на себя труд исследований и все риски, связанные с выполнением
чего-то нового.

Сегодня возможности фактически жить и работать в космосе ограничены,
но со временем шансы увеличиваются. В главе 16 обсуждаются различные
будущие занятия людей в космосе, такие как горнодобывающая промышлен­
ность или проведение исследований. Да, в конечном счете мы будем строить в
космосе города после посещения других планет. Марс может стать следующей
Землей. Многие люди описывают Марс как потенциально пригодный для про­
живания (см. http://w w w .planetary.org/b logs/gu est-blogs/2017/20170921m ars-isru -tech .h tm l и https://w w w .nasa.gov/feature/goddard/2017/m arsm is s io n - s h e d s - lig h t - o n - h a b it a b ilit y - o f - d is t a n t - p la n e t s ), необходимо
только обновить его магнитосферу (h ttp s://p h y s.o r g /n e w s/2 0 1 7 -0 3 -n a sa m agnetic-shield-m ars-atm osphere. html).
Некоторые из обсуждаемых идей о жизни в космосе сегодня не кажутся вы­
полнимыми, но люди весьма серьезно относятся к этим идеям, и теоретически
они возможны. Например, после восстановления магнитосферы Марса станет
возможным его терраформирование, чтобы сделать его пригодным для жизни.
(По этой теме есть много статей; в статье h t t p s : //fu tu r ism , com/nasa-weregoing-to-try-and-make-oxygen-from -the-atm osphere-on-m ars/ обсуждается,
как мы могли бы создать кислородную атмосферу.) Одни из этих изменений
могли бы быть сделаны автоматами; другие потребовали бы вмешательства лю­
дей. Вообразите, на что могла бы походить часть группы терраформирования.
Тем не менее, чтобы заставить все работать, людям придется в большой степе­
ни полагаться на искусственный интеллект. Люди и искусственные интеллекты
будут сотрудничать, чтобы изменить такие места, как Марс, в соответствии с
потребностями человека. Но что важнее всего, эти усилия потребуют огромного
количества людей и здесь на Земле, и на Луне, и в космосе, и на Марсе. Коорди­
нация действий также будет очень важна.

Строительство городов в опасной
окружающей среде
На момент написания этой книги население Земли составляло 7,6 миллиар­
да человек (http: //www. worldometers. in f о /w orld-population/), и это число
постоянно увеличивается. Сегодня к населению Земли добавилось 153 030 че­
ловек. В 2030 году, когда НАСА планирует сделать первую попытку высадки
на Марс, на Земли будет 8,5 миллиарда человек. Короче говоря, сегодня Землю
населяет множество людей, а завтра будет еще больше. В конечном счете нам
придется искать другие места для проживания. Кроме всего прочего, нам по­
надобится больше места для производства продуктов питания. Люди также за­
хотят оставить некоторые из диких мест нетронутыми и резервировать терри­
тории в других целях. К счастью, искусственный интеллект может помочь нам
найти подходящие места для построек, найти новые способы строительства
зданий и помочь поддерживать состояние окружающей среды после того, как
новое место станет доступным для использования.
По мере совершенствования искусственного интеллекта возможности лю­
дей возрастут, и некоторые из опасных ранее мест станут более доступными.
Теоретически мы могли бы в конечном счете начать строить на вулкане, но к
тому времени, конечно, будут и более подходящие места. В следующих раз­
делах рассматриваются лишь некоторые из наиболее интересных мест, кото­
рые люди могли бы использовать для строительства городов. Эти новые места
предоставляют преимущества, которых люди никогда не имели прежде, — воз­
можность развить знание о способности жить в будущем в куда более непод­
ходящих местах.

Строительство городов в океане
Есть несколько способов построить город в океане. Наиболее популярны две
идеи: строительство плавающих городов и городов на дне океана. Фактически
плавающий город находится в перспективном проектировании прямо сейчас, он
предполагается недалеко от берега острова Таити (http: / / www.dailymail.co.uk/
s c ie n c e te c h /a r tic le -4 127954/P la n s-w o rld -s-flo a tin g -city -u n v eiled .h tm l).
Задач у плавающих городов много, но здесь они вполне достижимы.
»

Защита от повышения уровня морей

»

Возможность опробовать новые агротехнические методы

»

Возможность опробовать новые методы выращивания рыбы

»

Выработка новых способов управления

Проживание в плавающих по океану городах — это систейдинг (seasteading),
разновидность хоместендинга (homesteading), но в океане. Первые города будут
существовать в относительно защищенных областях. Градостроение в откры­
том океане, определенно, возможно, нефтяные платформы уже полагаются на
различные виды искусственного интеллекта, чтобы обеспечивать стабильность
их работы и решать другие задачи (см. h ttp s : //www. techemergence. com /artif ic ia l- in t e llig e n c e - in - o il- a n d - g a s /) , но оно дорогостоящее.
Подводные города также вполне реальны, и в настоящее время существует
множество подводных исследовательских лабораторий (http: / / www.bbc.com/
fu tu re/sto ry /2 0 1 3 0 9 3 0 -ca n -w e-b u ild -u n d erw a ter-cities). Ни одна из них
не находится действительно глубоко, но глубина даже в 60 футов (18,288 мет­
ра) уже довольно велика. Согласно многим источникам существуют техноло­
гии создания больших городов на куда больших глубинах, но они требуют зна­
чительно лучшего мониторинга. Вот где искусственный интеллект, вероятно,
будет играть ключевую роль. Искусственный интеллект может контролировать
подводный город с поверхности и обеспечивать его безопасность.

о
ЗАПОМНИ1

Важно понимать, что города в океане не могут выглядеть, как города
на земле. Например, некоторые архитекторы хотят построить подво­
дный город около Токио, который будет выглядеть, как гигантская
спираль (h t t p s : //w w w .b u sin essin sid er .co m /u n d erw a ter-c ity to k yo-jap a n -2 0 1 7 -l). Эта спираль может стать домом для 5 тысяч
человек. Этот город будет находиться на 16 400 футов (5 км) ниже
уровня океана и полагаться на передовые технологии для обеспече­
ния, например, электроснабжения. Это будет полнофункциональный
город с лабораториями, ресторанами и школами.

Независимо от того, как люди освоят океан, это потребует широкого при­
менения искусственного интеллекта. Частично этот искусственный интеллект
уже находится на стадии разработки (h ttp ://n ew s.m it.ed u /2 0 1 7 /u n lo ck in g m a r in e -m y s te r ie s - a r t if ic ia l- in t e llig e n c e - 1 2 1 5 ), равно как и подводные
роботы, разрабатываемые студентами. Вполне понятно, что роботы будут ча­
стью любого строительства подводных городов, поскольку они способны вы­
полнять различные виды работ, которые людям практически невозможно вы­
полнить.

Создание космических поселений
Космическое поселение (space habitat) отличается от космической станции
тем, что в космическом поселении живут постоянно. Причина создания кос­
мических поселений — в необходимости предоставить людям долгосроч­
ное жилье. Предполагается, что космическое поселение будет обеспечивать

замкнутую (closed-loop) среду обитания, в которой люди смогут жить без по­
полнения необходимых запасов (или почти без пополнения). Следовательно,
космическое поселение нуждалось бы в возобновлении воздуха и воды, мето­
дах выращивания продуктов питания и в средствах выполнения других задач,
которые не нужны на космических станциях. Хотя все космические станции
требуют, чтобы искусственный интеллект контролировал и поддерживал на
них условия, искусственный интеллект для космического поселения был бы
существенно мощнее и сложнее.
В главе 16 обсуждаются некоторые космические среды обитания (в разделе
“Ваш первый отпуск в космосе”). Конечно, короткие посещения будут спосо­
бом первого знакомства людей с космосом. Космические каникулы, конечно,
были бы интересны! Однако место проведения каникул на близкой к Земле ор­
бите отличается от долгосрочной среды обитания в открытом космосе, в ко­
торой будет нуждаться НАСА, если фактически преуспеет в полете на Марс.
НАСА уже уполномочило шесть компаний начать изучение требований для
создания среды обитания в открытом космосе (h ttp s : / /www. n asa. g o v /p ressr e le a s e /n a s a -s e le c ts -s ix -c o m p a n ie s -to -d e v e lo p -p r o to ty p e s -c o n c e p ts fo r -d e e p -sp a c e -h a b ita ts). С некоторыми из прототипов, созданных этими
компаниями, можно ознакомиться по адресу h ttp s://w w w .n a sa .g o v /fea tu re/
nextstep-partnerships-develop-ground-prototypes.
Для некоторых организаций космическая среда обитания является не сред­
ством проведения исследований, а скорее средством защиты цивилизации.
Если сегодня гигантский астероид врежется в Землю, погибнет большая часть
человечества. Но люди на Международной космической станции могли бы вы­
жить, по крайней мере если астероид не заденет также и ее. Однако МКС не
является долгосрочной стратегией выживания для людей, и количество людей
на МКС ограничено. Такие организации, как Lifeboat Foundation ( h t t p s : / /
life b o a t.c o m /e x /sp a c e h a b ita ts), изучают космические поселения как сред­
ство выживания человечества. Их первая попытка космического поселения,
Ark I (h ttp s ://life b o a t .c o m /e x /a r k i), разрабатывается для 1 тысячи посто­
янных жителей и 500 гостей. Теоретически эта технология может сработать, но
она потребует большого планирования.
Космические поселения могут использоваться как корабль поколений
(generational ship), своего рода судно для исследования межзвездного про­
странства с использованием технологий, доступных уже сегодня. Люди прос­
то жили бы на этом судне, пока оно двигалось бы к звездам. У них в космосе
рождались бы дети, чтобы сделать столь продолжительные рейсы выполни­
мыми. Идея кораблей поколений не нова, они появились в книгах и фильмах
много лет назад. Однако вы можете прочитать об усилиях по созданию ре­
ального корабля поколений в статье h t t p : //w w w .ic a r u s in t e r s t e lla r .o r g /
ЧАСТЬ 5 Будущее искусственного интеллекта

b u ild in g -b lo ck s-fo r-a -g en era tio n -sh ip . Проблема с кораблем поколений в
том, что это судно потребовало бы соответствующего количества людей, же­
лающих работать в различных областях, необходимых для поддержания дви­
жения судна. В этом случае люди будут взрослеть, зная, что у них есть важная
задача, куда интереснее тех, с которыми они имеют дело сегодня.

ТЕХНИЧЕСКИЕ
ПОДРОБНОСТИ

Вместо того чтобы создавать компоненты космического поселения
на Земле, а затем поднимать их в космос, нынешняя стратегия — до­
быть необходимые материалы на астероидах и использовать косми­
ческие фабрики для сборки космических поселений на месте. Глав­
ный пояс астероидов Солнечной системы по современным оценкам
содержит достаточно материала, чтобы построить поселения площа­
дью, равной площади 3 тысяч планет Земля. Этого хватит для очень
многих людей в космосе.

П О СЕЛ ЕН И Я ИЛИ ТЕРРА Ф О РМ И РО ВА Н И Е
Широкое использование искусственного интеллекта начнется независимо от
того, как именно мы решим жить и работать в космосе. Пути создания искус­
ственного интеллекта будут зависеть от того, куда мы пойдем и когда. Сейчас
есть мнение, что мы могли бы жить на Марсе относительно короткий период
времени. Однако материалы таких сайтов, как h ttp s : //p h y s. org/news/20170 3 -fu tu re-sp a ce-co lo n iza tio n -terra fo rm in g -h a b ita ts.h tm l, наводят
на мысль, что терраформирование Марса займет очень много времени. Только
нагрев планеты (после того, как мы создадим технологию, способную обновить
магнитосферу Марса) займет примерно сто лет. Следовательно, в действитель­
ности у нас нет выбора между поселениями и терраформированием; первыми
будут поселения, и мы, вероятно, будем их широко использовать при выполне­
нии любых работ на Марсе. Даже в этом случае искусственный интеллект для
обоих проектов будет разным, с учетом типов проблем, которые будет помогать
решить искусственный интеллект, но это должно быть захватывающе.

Строительство лунных баз
Вопрос не в том, вернемся ли мы на Луну; вопрос — когда. Большинство те­
кущих стратегий колонизации космоса зависит от лунных ресурсов различных
видов, включая усилия НАСА по высадке людей в конечном счете на Марсе. Мы
также не страдаем от отсутствия проектов лунных баз. Некоторые из них мож­
но увидеть по адресу h ttp s: //in te r e s tin g e n g in e e r in g .c o m /8 -in te r e stin g m oon-base-p rop osals-every-sp ace-en th u siast-sh ou ld -see.

ГЛАВА 17

Новые профессии

327

о
ЭАП0МНИ1

Люди постоянно говорят о военных базах на Луне (h ttp : //www.
tod ayifou n d ou t. com /index. php/2 017/01/p r o je c t-h o r i zon/), од­
нако согласно Договору о космосе, подписанному 60 нациями, по­
литика в космосе недопустима (h ttp ://w w w .u n o o sa .o rg /o o sa /en /
o u rw o rk /sp a cela w /trea ties/in tro o u tersp a cetrea ty .h tm l), что в
значительной степени положило конец этой идее. Сначала для ис­
следований, добычи ресурсов и фабричного производства, вероятно,
будут использованы лунные базы, а затем появятся полнофункци­
ональные города. Даже при том, что для этих проектов, вероятнее
всего, будут использоваться роботы, широкий диапазон задач все
еще потребует участия людей, включая ремонт роботов и управле­
ние ими. Строительство на Луне также потребует множества новых
профессий, которые, вероятно, не будут фигурировать в сценариях
создания поселений или исключительно космических работ. На­
пример, кто-то должен будет ликвидировать последствия лунотрясений (см. h ttp s ://s c ie n c e .n a s a .g o v /s c ie n c e -n e w s /s c ie n c e -a tnasa/2006/15mar_moonquakes).

Построить жилой корпус на Луне можно, используя уже существующие
лунные средства. Недавние исследования лунных структур, подходящих для
использования при колонизации, сделали создание лунных баз еще проще. На­
пример, вы можете прочитать об огромной пещере, вполне подходящей для
колонизации, по адресу h ttp ://tim e.co m /4 9 9 0 6 7 6 /m o o n -ca v e-b a se-lu n a rco lo n y -ex p lo ra tio n /. В данном случае Япония обнаружила то, что выглядит,
как лавовая труба, способная защитить колонистов от множества экологичес­
ких угроз.

ВНИМАНИЕ!

Конечно, о некоторых из этих структур (весьма вероятно, естествен­
ного происхождения) циркулирует множество фантастических слу­
хов. Некоторые источники утверждают, что эти структуры на об­
ратной стороне Луны построены инопланетянами (h ttp : //www.
d a ily m a il.c o .u k /s c ie n c e te c h /a r tic le -4 3 0 8 2 7 0 /U F O -h u n te r s claim -footage-alien s-m oon .h tm l). Изображения на https://w w w .
youtube.com/watch?v=3caLr89zccw' существенно четче. Помните:
сенсацию можно раздуть на чем угодно. Структуры существуют; мы
можем использовать их, чтобы проще строить здания лунных баз; а
верить или не верить подобным источникам информации, решать вам.1

1Видео удалено пользователем, который его добавил. —

П рим ем . р е д .

Повышение эффективности людей
Искусственный интеллект может сделать человека более эффективным раз­
ными способами. Во многих главах этой книги приводятся примеры, когда че­
ловек полагается на искусственный интеллект, чтобы делать нечто более эф­
фективно. Одной из самых интересных глав, тем не менее, является глава 7, в
которой упоминается, как искусственный интеллект помогает в области меди­
цины. Все эти случаи использования искусственного интеллекта предполага­
ют, что ответственность несет человек, использующий искусственный интел­
лект, чтобы лучше выполнить свою задачу. Например, хирургическая система
da Vinci не заменяет хирурга; она просто делает хирурга более способным вы­
полнить свою задачу, причем с большей легкостью и меньшей вероятностью
ошибок. Новые профессии, связанные с этим направлением, демонстрируют
профессионалам, как использовать новые инструменты, обладающие искус­
ственным интеллектом.

ЭАПОМНИ1

В будущем следует ожидать появления консультантов, задачей ко­
торых будет поиск новых способов применения искусственного ин­
теллекта в коммерческой деятельности, чтобы помочь людям стать
более эффективными. До некоторой степени эта профессия уже су­
ществует, но в некоторый момент потребность в ней существенно
возрастет, когда обобщенный искусственный интеллект с перестра­
иваемой конфигурацией станет общедоступным. Для многих компа­
ний ключом доходности станет зависимость от поиска правильного
искусственного интеллекта, который сможет повысить эффектив­
ность работы рабочих, чтобы они могли выполнять свои задачи как
можно быстрее и без ошибок. Считайте этих людей частично по­
ставщиками программного обеспечения, частично — продавцами и
инструкторами в одном лице. Вы можете видеть пример мышления
такого вида в статье https://w w w .in fo rm atio n -ag e.co m /h arn essai-im prove-w orkplace-efficiency-123469118/.

Когда дело доходит до эффективности человека, следует подумать об об­
ластях, в которых искусственный интеллект может быть превосходен. Напри­
мер, искусственный интеллект плох для решения творческих задач, поэтому их
лучше оставить человеку. Но выполнение поиска искусственному интеллекту
действительно удается исключительно хорошо; таким образом, вы могли бы
научить человека использовать искусственный интеллект для выполнения за­
дач, связанных с поиском, пока он занят чем-то творческим. Вот некоторые
из способов, которыми вы могли бы использовать искусственный интеллект,
чтобы стать более эффективным в будущем.
ГЛАВА 17

Новые профессии

3^9

)> Наем на работу. В настоящее время человек, нанимающий людей
в организацию, не может проверить реальность сертификатов всех
кандидатов и их историю. Искусственный интеллект может прове­
рить всех кандидатов перед интервью, чтобы у нанимающего чело­
века была вся подробная информация на момент интервью. Кроме
того, поскольку искусственный интеллект использовал бы одну и ту
же методологию поиска для каждого кандидата, организация мо­
жет быть уверена, что все кандидаты прошли одинаковую проверку
и получили справедливую оценку. Статья h t t p s : //www. f o r b e s .

com /sites/georgen eh u an g/2017/09/27/w h y-ai-d oesnt-m ean taking-the-hum an-out-of-huinan-resources/#28dble901ea6
предоставляет дополнительные детали о данной конкретной зада­
че. Компания товаров народного потребления, Unilever, также ис­
пользует подобную технологию, что описано в статье h ttp s : //www.

b u s in e s s in s id e r .c o m /u n ile v e r - a r t if ic ia l- in t e llig e n c e h irin g-p rocess-2017-6.
»

Планирование. Сегодня бизнес постоянно находится в опасности,
поскольку кто-то не подумал о необходимости планировать зада­
чу. Фактически у людей, возможно, просто не было времени, чтобы
даже подумать о необходимости определения первоочередных за­
дач. Обычно расписание контролируют секретари и ассистенты, но
в нынешней упрощенной иерархии эти помощники исчезли, а обыч­
ные сотрудники выполняют собственные плановые задачи. Таким
образом, перегруженные сотрудники зачастую упускают возмож­
ность помочь делу, поскольку слишком заняты контролем расписа­
ния. Сотрудничество с искусственным интеллектом освободит чело­
века от фактического планирования. Вместо этого человек сможет
оглянуться вокруг и увидеть, что именно нужно планировать. Это
вопрос фокусировки внимания: человек, сосредоточенный на том, в
чем он хорош, дает бизнесу куда больше. Искусственный интеллект
позволит человеку сосредоточиться на том, в чем его возможности
непревзойденны.

»

Поиск скрытой информации. Сегодня чаще, чем когда-либо, ком­
пании проигрывают в конкуренции из-за скрытой информации. В
корне проблемы лежат информационная перегрузка, постоянное
развитие науки, технологий, сложность бизнеса и общества. Воз­
можно, существует новый способ упаковки товаров, который зна­
чительно понижает себестоимость, или можно изменить структуру
бизнеса в результате внутренней политики. Знание того, что доступ­
но и что было всегда, является единственным средством, которое
может действительно помочь успеху компании, но эту задачу вы­
полнить непросто. Если человек будет уделять все время приоб­
ретению знаний обо всем, чего требует конкретная работа, у него

не останется времени на фактическое выполнение этой работы.
Однако искусственный интеллект исключительно хорош при по­
иске. Союз машинного обучения и человека позволит научить ис­
кусственный интеллект искать именно нужные проблемы и требо­
вания, чтобы сохранить бизнес на плаву, не тратя впустую ценное
время на самостоятельные исследования.
»

Адаптивная помощь. Любой пользователь приложений сегодня
должен признать, что необходимость помнить, как время от време­
ни выполнять определенную задачу, является невероятно раздра­
жающей, особенно если для повторного выполнения задачи при­
ходится обратиться к справке приложения. Вы уже можете видеть,
как искусственный интеллект оказывает адаптивную помощь, когда
дело доходит до ввода определенных видов информации в формы.
Однако искусственный интеллект может пойти значительно дальше.
При использовании методов машинного обучения для поиска ша­
блона искусственный интеллект может в конечном счете предоста­
вить адаптивную помощь, позволяющую пользователям выполнять
те действия приложения, которые трудно запомнить. Поскольку
каждый пользователь индивидуален, аппаратное решение без адап­
тивной помощи никогда не будет работать. Машинное обучение по­
зволяет людям настроить систему помощи в соответствии с каждым
конкретным пользователем.

»

Адаптивное обучение. Сегодня вы можете сдать адаптивный экза­
мен, показывающий пробелы в ваших знаниях. Адаптивный экзамен
либо обнаруживает то, что вы действительно знаете, либо задает
достаточно много дополнительных вопросов, чтобы выяснить, чему
стоит поучиться дополнительно. В конечном счете приложения бу­
дут в состоянии учитывать, как вы их используете, а затем обеспечи­
вать автоматизированное обучение, чтобы улучшить ваши навыки.
Например, приложение может обнаружить, что, выполняя задачу,
вы можете сделать на пять щелчков меньше, и оно может подска­
зать вам, как выполнить задачу, используя этот подход. Постоянно
обучая людей использованию наиболее эффективных подходов при
взаимодействии с компьютерами или выполнении других задач, че­
ловек становится куда эффективнее, но необходимость в человеке
в этой конкретной роли остается.

Решение проблем в планетарном масштабе
Независимо от того, верите ли вы в глобальное потепление или в то, что
загрязнение среды — это проблема, или вы обеспокоены перенаселенностью,
факт остается фактом: планета Земля у нас только одна и на ней есть проблемы.
ГЛАВА 17

Новые профессии

331

Погода, определенно, становится весьма странной; большие области становят­
ся бесплодными из-за загрязнения; а некоторые области мира на самом деле
слишком перенаселены. Неконтролируемые шторма и лесные пожары могут не
занимать ваши мысли, но результат всегда один: сокращение областей обита­
ния людей. Попытки поместить слишком много людей в относительно неболь­
шое пространство обычно приводят к болезням, росту преступности и дру­
гим проблемам. Эти проблемы не являются политическими или связанными с
определенными верованиями. Проблемы реальны, и искусственный интеллект
может помочь решить их, предоставив компетентным сотрудникам правиль­
ные шаблоны. В следующих разделах обсуждаются планетарные проблемы с
точки зрения использования искусственного интеллекта, чтобы выявить, по­
нять причины и, возможно, устранить их. Мы не заявляем и не подразумеваем
никаких политических или иных идей.

Как устроен мир
Сегодня сенсоры контролируют каждый глобальный аспект. Фактически
существует так много информации, что просто удивительно, что некто мо­
жет собрать всю ее в одном месте, не говоря уже о том, чтобы сделать с ней
что-нибудь. Кроме того, из-за взаимодействий между различными областями
Земли вы не можете в действительности знать, у каких фактов есть причинноследственное влияние на некоторые другие части окружающей среды. Напри­
мер, довольно трудно определить точно, сколько ветров влияет на потепление
моря, что, в свою очередь, влияет на течения, которые потенциально могут
вызывать штормы. Если бы люди понимали все эти взаимодействия, прогноз
погоды был бы куда точнее. К сожалению, сейчас прогноз погоды выглядит
правильно, если скосить глаза вправо и держать рот определенным образом.
Тот факт, что мы принимаем этот уровень эффективности от прогнозирующих
погоду людей, свидетельствует о том, что мы осознаем сложность задачи.
За последние годы прогноз погоды стал намного точнее. Частично причи­
ной этого являются все эти сенсоры. Служба погоды также создала лучшие
погодные модели и накопила намного больше данных, используемых при со­
ставлении прогнозов. Но основной причиной того, что прогнозы погоды стали
куда точнее, является использование искусственного интеллекта для обработки
огромных массивов данных и поиска узнаваемых шаблонов в получаемых дан­
ных (см. h ttp s : //www.tech em ergen ce.com /ai-for-w eath er-forecastin g/).
Фактически погода — это один из наиболее хорошо изученных земных
процессов. Рассмотрим трудности в прогнозе землетрясений. Использова­
ние машинного обучения повысило вероятность правильного предсказания
землетрясений (h t t p s : //w w w .exp ress. co .u k /n e w s/sc ie n c e /8 7 1 0 2 2 /e a r th q u a k e -a r tific ia l-in te llig e n c e -A I-c a m b r id g e -u n iv e r sity ), но только время

покажет, полезна ли эта новая информация. Когда-то люди думали, что на зем­
летрясения может влиять погода, но это не так. С другой стороны, землетрясе­
ния могут влиять на погоду, изменяя условия окружающей среды. Кроме того,
землетрясения и погода могут объединиться, чтобы сделать ситуацию еще
хуже (h ttp s ://w w w .usatoday.com /story/new s/nation/2015/05/02/kostigenearthquake-weather/26649071/).
Еще сложнее прогнозировать извержения вулканов. НАСА по крайней мере
может обнаружить и получить изображения вулканических извержений с вы­
сокой точностью (h t t p s : //w w w .liv e s c ie n c e .c o m /5 8 4 2 3 -n a s a -a r tific ia lin t e llig e n c e - c a p t u r e s - v o lc a n o - e r u p t io n . htm l). Извержения вулканов
зачастую вызывают землетрясения, поэтому знание об одном помогают прогно­
зировать другое (h ttp ://v o lca n o .o reg o n sta te.ed u /h o w -a re-v o lca n o es-a n d ea rth q u a k es-rela ted ). Конечно, вулканы также влияют на погоду ( h t t p : / /
vo lca n o . o r eg o n sta te. ed u /h o w -d o -v o lca n o es-a ffect-a tm o sp h ere-a n d -climate).
Природные события, рассмотренные в этом разделе, являются только вер­
хушкой айсберга. Если вы пришли к выводу, что Земля настолько сложна, что
ни один человек ничего не понимает, то вы правы. Именно поэтому необходи­
мо создать и обучить искусственный интеллект для помощи людям в лучшем
понимании устройства мира. Выработка знаний этого вида позволит избегать
в будущем природных катастроф, а также, возможно, ограничить последствия
определенных искусственных проблем.

ВНИМАНИЕ!

Независимо от того, что вы читали, в настоящее время нет способа
предотвратить плохую погоду, землетрясения или извержения вулка­
нов. Самое большее, на что могут рассчитывать люди сегодня, — это
прогнозирование подобных событий и принятие мер по ограниче­
нию их последствий. Но даже возможность снижения влияния при­
родных явлений является огромным шагом вперед. До появления
искусственного интеллекта люди находились во власти любых про­
исходящих событий, поскольку прогноз был невозможен, пока не
становилось слишком поздно, чтобы предпринимать предваритель­
ные меры по ограничению последствий стихийного бедствия.

Аналогично, хотя предотвращение всех искусственных бедствий может
казаться возможным, это зачастую не так. Никакое планирование не предот­
вратит происшествий. Однако большинство вызванных человеком событий
контролируемо и потенциально предотвратимо при правильном понимании их
сути, что может быть обеспечено в соответствии с шаблоном, который может
предоставить искусственный интеллект.

Выявление потенциальных источников проблем
Сегодня, когда все глаза устремлены в небо, многие полагают, что спутники
могут предоставить абсолютный источник данных для прогнозирования лю­
бых проблем на Земле. Однако у этой точки зрения есть много недостатков.
»

Земля настолько огромна, что обнаружение определенного собы­
тия означает обработку миллионов изображений каждую секунду
каждый день.

»

Изображения должны быть в правильном разрешении, чтобы фак­
тически обнаружить событие.

»

Очень важно использовать подходящий светофильтр, поскольку
некоторые события становятся видимыми только при правильном
свете.

»

Погодные условия могут помешать получению изображений опре­
деленных типов.

Однако при всем этом ученые и другие заинтересованные лица используют
искусственный интеллект для обработки получаемых каждый день снимков
в поисках потенциальных проблем (h ttp s://w w w .cn et.com /n ew s/d escartesla b s -s a te llite -im a g e r y - a r t if ic ia l- in t e llig e n c e - g e o v is u a l- s e a r c h /). Ис­
кусственный интеллект может подсказать возможные проблемные области и
выполнить анализ, только если изображения представлены в правильном виде.
Тем не менее только человек может определить, реальна ли проблема и как с
ней справиться. Например, сильный шторм в середине Тихого океана далеко
от транспортных маршрутов или суши, вероятно, не будет считаться первооче­
редной проблемой. А тот же самый шторм над сушей — уже причина для бес­
покойства. Конечно, когда дело доходит до штормов, их лучше обнаруживать
до того, как это станет проблемой.

С*
СОВЕТ

Помимо просмотра изображений в поисках потенциальных проблем,
искусственный интеллект может увеличивать изображения. В ста­
тье h ttp s : //w w w .w ired.com /story/how -ai-could-really-enhanceim ages-from -space/ говорится о том, как искусственный интеллект
может увеличить разрешение полученных из космоса изображений,
а также удобство и простоту их использования. Улучшая изображе­
ния, искусственный интеллект может упростить определение не­
которых видов событий на основании их шаблонов. Конечно, если
искусственный интеллект не встречал конкретный шаблон прежде,
он не сможет сделать прогноз. Люди всегда должны будут проверять
искусственный интеллект, чтобы удостовериться в действительности
заподозренного им события.

Поиск возможных решений
Решение планетарных проблем зависит от самих проблем. Например, пре­
дотвращение таких событий, как шторм, землетрясение или извержение вул­
кана, даже не рассматривается. Наибольший успех, на который люди могут
рассчитывать сегодня, — это выяснить область эвакуации и предоставить лю­
дям безопасное место для нахождения. Но узнав о таком событии как можно
раньше, люди могут предпринять упреждающие действия, а не реагировать на
событие уже после того, как наступил полный хаос.
Другие события не требуют обязательной эвакуации. Например, при нынеш­
них технологиях и некоторой удаче люди вполне могут справиться с лесным
пожаром. Фактически некоторые профессиональные пожарные уже исполь­
зуют искусственный интеллект, чтобы прогнозировать лесные пожары пре­
жде, чем они произойдут(h ttp s ://w w w .c tv n e w s .c a /s c i- te c h /a r tif ic ia lin te llig e n c e - c a n - b e tte r - p r e d ic t- f o r e s t- f ir e s - s a y s - a lb e r ta - r e s e a r c h е г - 1 .354224 9). Использование искусственного интеллекта для обнаружения
проблемы с последующей выработкой ее решения на основании исторических
данных вполне выполнимо, поскольку люди записали огромный объем инфор­
мации о таких событиях в прошлом.
Использовать исторические данные при решении планетарных проблем
очень важно. Наличие только одного возможного решения обычно является
плохой идеей. Наилучшие планы решения проблем включают несколько ре­
шений, и искусственный интеллект может помочь ранжировать потенциаль­
ные решения на основании исторических результатов. Конечно, человек может
увидеть в возможных решениях нечто такое, что сделает один выбор предпо­
чтительнее других. Например, некое решение может быть неприемлемым из-за
недоступности ресурсов или отсутствия у задействованных людей достаточ­
ной квалификации.

Контроль результатов решений
Отслеживание результатов конкретного решения означает запись данных в
режиме реального времени, как можно более быстрый их анализ и последу­
ющее отображение результатов способом, понятным людям. Искусственный
интеллект может собрать данные, проанализировать их и обеспечить представ­
ление результатов намного быстрее, чем любой человек. Люди все еще уста­
навливают критерии для выполнения всех этих задач и принимают окончатель­
ное решение, а искусственный интеллект действует просто как инструмент,
позволяющий человеку действовать быстрее.

о
СОВЕТ

В будущем некоторые люди могли бы специализироваться на взаи­
модействии с искусственными интеллектами, чтобы улучшить их
совместную работу с данными. Получение правильных результатов
зачастую означает знание вопроса, который нужно задать, и способа,
которым следует его задать. Сегодня люди нередко наблюдают не­
гативные последствия применения искусственного интеллекта, по­
скольку они недостаточно хорошо знают, как работает искусствен­
ный интеллект, чтобы задавать ему корректные вопросы.

Люди, предполагающие, что искусственный интеллект думает подобно
человеку, обречены на неудачу в получении хороших результатов от его ис­
пользования. Конечно, это именно то, что наше общество опробует сегодня.
Рекламные ролики с Siri и Alexa демонстрируют искусственный интеллект,
кажущийся человеческим, но это, конечно, не так. В чрезвычайной ситуации,
даже если искусственный интеллект доступен людям, пытающимся с ней спра­
виться, людям понадобится знать, как задать соответствующие вопросы и как
добиться получения необходимых результатов. Вы можете не увидеть резуль­
тат решения, если не знаете, чего ожидать от искусственного интеллекта.

Повторная попытка
Земля — сложное место. Одни факторы взаимодействуют с другими факто­
рами такими способами, которые никто не мог бы даже предвидеть. Следова­
тельно, выработанное решение может фактически не решить проблему. Если
вы читаете новости достаточно часто, то вы знаете, что многие решения не
решают ничего вообще. Метод проб и ошибок позволяет людям понять, что
работает, а что — нет. Однако при использовании искусственного интеллекта,
способного распознавать шаблоны неудачи (решения, которые не сработали по
неким причинам), вы можете ограничить количество подлежащих опробова­
нию решений при поиске того, которое сработает. Кроме того, искусственный
интеллект может искать сценарии, в которых подобные решения сработали в
прошлом, что иногда экономит время и силы на попытках поиска новых вари­
антов решений. Искусственный интеллект — не волшебная палочка, которой
можно взмахнуть и получить работоспособное решение в любой момент. При­
чина, по которой люди всегда будут оставаться в деле, — только люди могут
видеть и оценивать результаты.

©
ЗАПОМНИ1

Сегодня искусственный интеллект всегда программируется на по­
беду. Во врезке “Понятие ориентации обучения” главы 13 обсуж­
дается ситуация, когда искусственному интеллекту следует уяснить
концепцию безнадежного сценария. Однако такого искусственного

интеллекта в настоящее время не существует и не может существо­
вать. Люди действительно понимают возможность безнадежного
сценария, а поэтому нередко могут создавать не столь оптималь­
ные решения, которые работают достаточно хорошо. При оценке,
почему решение не работает, немаловажно учитывать безнадежный
сценарий, поскольку искусственный интеллект никогда его вам не
представит.
Используемый при создании решений искусственный интеллект в конечном
счете исчерпает идеи и в некоторый момент станет в основном бесполезным.
Поэтому он не является творческим. Шаблоны, с которыми работает искус­
ственный интеллект, уже существуют, но они не могут решить текущую за­
дачу, а значит, необходимы новые шаблоны. Люди имеют большой опыт по
части создания новых шаблонов применительно к проблемам. Следовательно,
повторная попытка становится важной как средство создания новых шаблонов,
к которым искусственный интеллект может затем обратиться и которые может
использовать, чтобы помочь человеку вспомнить нечто, что работало в прош­
лом. Короче говоря, люди — основная часть цикла решения проблемы.

337

В ел и ко л еп н ы е
д е ся тк и

В ЭТОЙ ЧАСТИ. . .
» Профессии, недоступные искусственному интеллекту
» Как искусственный интеллект помогает обществу
» Почему искусственный интеллект терпит неудачу
в некоторых ситуациях

Глава 18

Десять профессий,
недоступных
искусственному
интеллекту
В ЭТОЙ Г Л А В Е ...
» Взаим одействие с людьми
» Творчество
» И спользование интуиции

этой книге достаточно много внимания уделено различиям между искус­
ственным интеллектом и людьми, а также уверениям в том, что людям
абсолютно не о чем волноваться. Да, некоторые профессии исчезнут, но,
как описано в главе 17, при использовании искусственного интеллекта факти­
чески будет создано множество новых профессий, большинство из которых
будут намного интереснее работы на сборочной линии. Новые профессиибу­
дут полагаться на такие типы интеллекта, которыми искусственный интеллект
просто не может овладеть (как описано в главе 1). Фактически неспособность
искусственного интеллекта овладеть очень многими областями процесса мыш­
ления человека сохранит большинству людей их нынешние профессии, что и
является темой данной главы.

В

ЭАП0МНИ1

Вы можете найти, что ваша профессия недоступна для искусственно­
го интелле1сга, если она относится к определенным категориям: об­
щение с людьми, творчество или использование интуиции. Но в этой
главе затрагивается только верхушка айсберга. Бойтесь спекуляций
определенных личностей (см. https://www.theinquirer.net/inquirer/news/3013919/elon-musk-spews-more-ai-fear-mongeringis-desperate-bid-for-more-media-attention),как бы заботящихся
о людях, профессии которых вскоре исчезнут. Бойтесь спекуляций,
препятствующих людям использовать полный потенциал искус­
ственного интеллекта, чтобы сделать жизнь проще (см. https://
www.cnbc.com/2017/09/21/head-of-google-a-i-slams-fear-mongering-about-the-future-of-a-i.html).Общее послание данной
главы — не бойтесь. Искусственный интеллект — это инструмент,
который, как любой другой инструмент, предназначен для того, что­
бы сделать жизнь проще и лучше.

Общение с людьми
Роботы уже выполняют небольшой объем работ по общению с людьми, а
в будущем, вероятно, будут выполнять еще больше. Но если взглянуть на по­
добные приложения внимательнее, то окажется, что, по существу, они делают
вещи, смехотворно примитивные: служат указателем в магазине, подсказывая
людям, куда пойти; используются в качестве будильника, напоминающего по­
жилым людям о приеме лекарства; и т.д. Большинство случаев общения с людь­
ми не так просты. В следующих разделах рассматриваются некоторые из наибо­
лее интерактивных действий, требующих таких видов человеческого общения,
на которые искусственный интеллект вообще не способен.

Обучение детей
Уделим время начальной школе и посмотрим, как учителя пасут детей. Вы
будете поражены. Так или иначе учителям удается перемещать всех детей из
пункта А в пункт В с минимумом суеты, вероятно, одной только силой воли. Но
даже в этом случае один ребенок будет нуждаться в одном уровне внимания,
а другой ребенок — в другом. Когда что-то идет не так, учителю приходится
справляться с несколькими проблемами одновременно. Любая из этих ситуа­
ций сокрушит современный искусственный интеллект, поскольку он полага­
ется на сотрудничество с человеком при общении. Задумайтесь на минуту о
реакции Alexa или Siri на упрямство ребенка (или попытайтесь смоделировать

подобную реакцию на собственном устройстве). Это просто не сработает. Ис­
кусственный интеллект может только помочь учителю в следующих случаях.
»

Сортировка бумаг

»

Использование адаптивного образовательного программного обе­
спечения

»

Улучшение учебных курсов исходя из шаблонов учеников

»

Снабжение учеников обучающими программами

»

Обучение учеников поиску информации

»

Создание более безопасной обстановки для эмпирического обу­
чения

»

Помощь ученикам в принятии решений о выборе курсов и занятий
после школы на основании их навыков

»

Помощь ученикам с домашними заданиями

Медицинский уход
Робот может поднять пациента, заменив медсестру. Однако искусственный
интеллект не может принять решение о том, когда, где и как поднять пациента,
поскольку не может правильно оценить все необходимые невербальные данные
о пациенте или понять его психологию, например склонность врать (см. раздел
“Пять недостоверностей данных” главы 2). Искусственный интеллект может
задавать вопросы пациенту, но, вероятно, не тем способом, который лучше все­
го подходит для получения полезных ответов. Робот может помыть, но мало­
вероятно, что он сделает это способом, сохраняющим достоинство пациента, и
позволит ему почувствовать заботу. Короче говоря, робот — хороший молоток:
прекрасный для выполнения сложных и грубых задач, но не особенно нежный
и заботливый.

О
ЗАПОМНИ!

Использование искусственного интеллекта в медицине, несомненно,
расширится, но области его применения будут чрезвычайно спец­
ифическими и ограниченными. Глава 7 дает хорошее представление
о том, где искусственный интеллект может помочь в области меди­
цины. Немногие из этих действий имеют какое-либо отношение к
общению с человеком. Они скорее будут действовать по линии уси­
ления человеческих возможностей и сбора медицинских данных.

Удовлетворение личных нужд
Можно подумать, что ваш искусственный интеллект — это совершенный
компаньон. В конце концов, он никогда не возражает, всегда внимателен и

ЗАЗ

никогда не оставит вас ради кого-то еще. Вы можете поведать ему свои самые
сокровенные мысли, и он не будет смеяться. Фактически такой искусственный
интеллект, как Alexa или Siri, может быть великолепным компаньоном, как в
фильме Она (https://www.amazon.com/exec/obidos/ASIN/B00H9HZGQ0/datacservip0f-20/).Единственная проблема в том, что искусственный интеллект не
является компаньоном вообще. Но что он действительно делает, так это обе­
спечивает приложения голосом. Наделение искусственного интеллекта челове­
ческими качествами не делает их реальностью.
Проблема с удовлетворением личных нужд искусственным интеллектом за­
ключается в том, что он понятия не имеет о личных нуждах. Искусственный
интеллект может найти радиостанцию, статью в новостях, сделать покупки,
запланировать встречу, напомнить о времени приема лекарств и даже включить
или выключить свет в вашем доме. Однако он не может подсказать вам, что не­
кая идея плоха, и избавить вас от последующих проблем. Чтобы получить по­
лезный совет в ситуациях, не предусмотренных правилами, нужно поговорить
с человеком, обладающим практическим опытом выхода из подобной ситуации
в реальной жизни, поэтому вам действительно нужен человек. Именно поэто­
му такие люди, как адвокаты, врачи, медсестры и даже собеседники в кафе,
необходимы. Одни из этих людей оказывают платные услуги, а другие готовы
просто выслушать вас, когда вы нуждаетесь в помощи. При удовлетворении
личных нужд, которые действительно являются личными, человеческое обще­
ние всегда обязательно.

Решение проблем, связанных с развитием
Людям со специальными потребностями требуется человеческая забота.
Нередко специальная потребность оказывается специальным даром, но толь­
ко тогда, когда обладатель признает ее как таковую. Некто со специальной по­
требностью может быть полностью функциональным во всем, кроме одного —
творческого потенциала и воображения, чтобы находить способы преодоления
затруднений. Поиск способа использования специальной потребности в мире,
который не принимает специальные потребности, весьма труден. Например,
большинство людей не рассматривает дальтонизм (который фактически явля­
ется смещением восприятия цветов) как преимущество при создании произве­
дений искусства. Но кто-то пришел, и превратил это в преимущество (https://
www.artsy.net/article/artsy-editorial-the-advantages-of-being-a-colorblind-artist).
Искусственный интеллект мог бы помочь людям со специальными потреб­
ностями определенными способами. Например, робот может помочь в вы­
полнении реабилитационной или физической терапии, чтобы сделать чело­
века более подвижным. Абсолютное терпение робота гарантирует человеку

получение той же беспристрастной помощи каждый день. Но нужен человек,
чтобы понять, что реабилитационная или физическая терапия не работает и
требует изменений.

ВНИМАНИЕ!

Помощь с проблемами развития — это одна из областей, в которых
искусственный интеллект, независимо от того, насколько хорошо он
запрограммирован и обучен, может оказаться фактически вредным.
Человек может заметить, когда кто-то переусердствовал, даже если
кажется, что он достиг успехов в решении различных задач. Для до­
стижения успеха поможет комплекс невербальных признаков, но это
также вопрос опыта и интуиции — качеств, которыми искусствен­
ный интеллект не обладает в изобилии, поскольку потребуется мно­
жество ситуаций, чтобы искусственный интеллект экстраполировал
(расширил свое знание до неизвестной ситуации), а не интерполиро­
вал (использовал знания между двумя известными пунктами). Коро­
че говоря, люди не только будут контролировать человека, которому
помогают они и искусственный интеллект; им придется контроли­
ровать еще и искусственный интеллект, чтобы он работал так, как
ожидалось.

Создание нового
Как упоминалось в табл. 1.1, роботы не способны к творчеству. Этот немало­
важный фактор следует учитывать при выработке нового образа мыслей. Хо­
рошее приложение глубокого обучения может анализировать существующие
шаблоны мышления, а искусственный интеллект может превращать эти ша­
блоны в новые версии вещей, которые уже существовали прежде, что создает
впечатление оригинального мышления, но никакого творчества здесь нет. То,
что вы видите, является результатом математического и логического анализа
существующих работ, а не определение того, что могло бы быть. С учетом этого
ограничения искусственного интеллекта в следующих разделах описано соз­
дание новых вещей — область, в которой люди всегда будут вне конкуренции.

Изобретения
Когда люди говорят об изобретателях, они вспоминают Томаса Эдисона,
имевшего 2 332 патента на изобретения во всем мире (1093 толью в Соединенных
Ш татах) (http://www.businessinsider.com/thomas-edisons-inventions2014-2). Вы все еще можете использовать одно из его изобретений, лампочку,
но большинство из них, таких как фонограф, изменили мир. Эдисон не

единственный. Есть такие люди, как Бетт Несмит Грэм (Bette Nesmith Graham)
(http://www.women-inventors.com/Bette-Nesmith-Graham.asp), которая
изобрела корректирующую жидкость Whiteout (известную также как Liquid
Paper) в 1956 году. Ее изобретение находилось на столе каждой машинистки
в мире как средство для исправления опечаток. Оба эти человека сделали
нечто, на что не способен искусственный интеллект: создание нового шаблона
мышления в форме физической сущности.

ЗАПОМНИ1

Да, каждый из этих людей черпал вдохновение из других источни­
ков, но идея была действительно их собственной. Дело в том, что
люди постоянно что-то изобретают. В Интернете можно найти мил­
лионы и миллионы идей, созданных людьми, которые просто видят
вещи не так, как другие. Если уж на то пошло, люди станут еще бо­
лее изобретательными, поскольку у них появится на это время. Ис­
кусственный интеллект может освободить людей от обыденного,
чтобы они могли делать то, на что они способны лучше всех: изо­
бретать новые вещи.

Искусство
Стиль и видение делают Пикассо (https: //www.pablopicasso.org/) от­
личным от Моне (https://www.claudemonetgallery.org/).Люди способны
различать их потому, что мы видим шаблоны в методах этих художников: все,
от выбора холста и красок до стиля представления и тем изображений. Ис­
кусственный интеллект тоже может видеть эти различия. Фактически с учетом
высокой точности выполнения искусственным интеллектом анализа и более
широкого набора сенсоров в его распоряжении (как правило) искусственный
интеллект, вероятно, способен описать шаблоны художников куда лучше, чем
человек, и подражать этим шаблонам способом, который художник никогда не
использовал. Однако на этом преимущества искусственного интеллекта закан­
чиваются.

3
СОВЕТ

Искусственный интеллект будет придерживаться того, что он знает,
а люди экспериментируют. Вы можете найти 59 примеров человече­
ских экспериментов с различными материалами по адресу https://
www.pinterest.com/aydeeyai/art-made-with-non-traditionalmaterials-or-methods/.Только человек может додуматься созда­
вать произведения искусства из проволочной сетки (https://www.
pinterest.com/pin/491947959277129127/) или листьев (https://
www.pinterest.com/pin/451697037596827773/). Если есть матери­
ал, найдется и кто-то, кто создаст из него произведение искусства,
на что искусственный интеллект не способен.

Воображение нереального
Люди постоянно расширяют рамки реального, делая возможным нере­
альное. Когда-то никто не думал, что люди будут летать, но все придумыва­
ли воздушные машины, которые тяжелее воздуха. Фактически эксперименты
подтверждали теорию о том, что даже попытка летать была глупой. Затем по­
явились братья Райт (h ttp ://w w w .h isto r y .c o m /to p ic s/in v e n tio n s/w r ig h tb ro th ers). Их полет на Kitty Hawk изменил мир1. Однако важно понимать,
что братья Райт просто сделали нереальные мысли многих людей (включая
собственные) реальными. Искусственный интеллект никогда не имел бы нере­
альных мыслей, не говоря уже об их воплощении в действительность. Только
люди способны на это.

Интуитивное принятие решений
Интуиция — прямое восприятие факта независимого от любого процесса
рассуждения. Поскольку этот факт не является результатом логики, его неве­
роятно трудно анализировать. Имеется большой опыт по части интуиции, и у
людей с развитой интуицией обычно есть существенное преимущество перед
теми, у кого ее нет. У искусственного интеллекта, в основе которого заложе­
ны логические и математические принципы, интуиция полностью отсутству­
ет. Следовательно, искусственному интеллекту придется продраться через все
возможные логические решения и в конечном счете прийти к заключению, что
никакого решения проблемы не существует, даже если человек находит его с от­
носительной легкостью. Человеческая интуиция и способность проникновения
в суть зачастую играют огромную роль в некоторых профессиях, как описано в
следующих разделах.

Расследование преступлений
Любители детективных сериалов знают, что следователь обычно находит
один небольшой факт, который раскрывает все дело. В реальности расследо­
вание преступления осуществляется иначе. Для выполнения своей задачи де­
тективы полагаются на точное знание, но иногда преступники упрощают их
работу. Процедуры и правила, многочасовые копания в фактах и поиск всех
доказательств играют важную роль в расследовании преступления. Но иногда у
человека наступает это нелогичное просветление, которое внезапно складывает
вместе все, казалось бы, никак не связанные части.
1Чисто технически Китти Хоук — это городок, недалеко от которого проходили
испытания, а аппарат братьев Райт назывался “Флайер-1”. См. h ttp s: / / ru. wi kipedia.
org/wiki/W right_Flyer. — Примем, р ед .

Работа детектива подразумевает решение широкого диапазона проблем. Фак­
тически некоторые из этих проблем даже не подразумевают незаконных дей­
ствий. Например, детектив может просто искать того, кто кажется пропавшим
без вести. Возможно, у человека есть серьезное основание для того, чтобы не
желать быть найденным. Дело в том, что большинство подобных поисков под­
разумевает взгляд на факты такими способами, до которых искусственный ин­
теллект никогда не додумается, поскольку это требует озарения — расширения
интеллекта. На ум приходит фраза нестандартное мышление.

Контроль ситуации в режиме реального времени
Искусственный интеллект будет контролировать ситуации, используя имею­
щиеся данные в качестве основания для будущих решений. Другими словами,
искусственный интеллект использует для прогнозов шаблоны. В большинстве
ситуаций использование шаблонов работает прекрасно, а значит, искусствен­
ный интеллект вполне может фактически прогнозировать с высокой степенью
точности то, что произойдет при определенном сценарии развития событий.
Но иногда возникают ситуации, в которых соответствия шаблону нет и данные,
казалось бы, не обеспечивают заключения. Возможно, для ситуации в настоя­
щее время не хватает сопутствующих данных, такое иногда случается. В таких
случаях человеческая интуиция — единственный выход в аварийных условиях.
Надежда только на искусственный интеллект в чрезвычайной ситуации — это
явно плохая идея. Хотя искусственный интеллект действительно предоставит
проверенное решение, человек может думать нестандартно и придумать луч­
шую альтернативную идею.

Распознавание фактов и вымысла
У искусственного интеллекта никогда не будет интуиции. Интуиция на­
ходится в противоречии со всеми правилами, по которым в настоящее время
создается искусственный интеллект. Поэтому некоторые люди решили создать
искусственную интуицию (Artificial Intuition — AN) (см. h ttp: / / w w w .artifi­
c i a l- in t u it io n . com/). Читая эти материалы, быстро приходишь к мнению, что
здесь имеет место некая магия (т.е. изобретатели пытаются выдать желаемое
за действительное), поскольку теория просто не соответствует предложенной
реализации.

©
ЗАПОМНИ)

Некоторые немаловажные проблемы искусственной интуиции свя­
занны, в первую очередь, с тем, что все программы, даже с под­
держкой искусственного интеллекта, выполняются на процессорах,
единственной возможностью которых является выполнение только

самых простых математических и логических функций. Данный ис­
кусственный интеллект работает на уровне доступных в настоящее
время аппаратных средств, в чем нет ничего удивительного.
Вторая проблема заключается в том, что искусственный интеллект и все ком­
пьютерные программы, по существу, для решения задач полагаются на мате­
матику. Искусственный интеллект ничего не понимает. В разделе “Аргумент
китайской комнаты” главы 5 затрагивается только одна из многих проблем на
пути искусственного интеллекта к пониманию. Дело в том, что интуиция не­
логична, а значит, люди даже не понимают ее основ. Без понимания люди не
могут создать систему, которая могла бы подражать интуиции любым осмыс­
ленным способом.

Глава 19

Десять достижений
искусственного
интеллекта,
наиболее полезных
для общества
В ЭТОЙ Г Л А В Е ...
» Сотрудничество с лю дьми
» Реш ение производственны х задач
» Разработка новых технологий
» Реш ение задач в космосе

та книга помогает понять историю искусственного интеллекта, его на­
стоящее и возможное будущее. Однако технология полезна только тогда,
когда она вносит существенный вклад в жизнь общества. Кроме того,
вклад должен сопровождаться мощным финансовым стимулом, иначе инвесто­
ры не будут ему способствовать. Хотя правительство и может поддержать тех­
нологию, которую считает полезной для вооруженных сил или других целей,

Э

эта поддержка будет краткосрочной; долгосрочное благополучие технологии
полагается на поддержку инвесторов. Данная глава сосредоточена на тех ком­
понентах искусственного интеллекта, которые полезны уже сегодня, а значит,
приносят существенную пользу обществу прямо сейчас.

в
ЗАПОМНИ)

Некоторые люди говорят, что нынешние обещания сверхпреиму­
ществ искусственного интеллекта могут вызвать следующую зиму
искусственного интеллекта (h ttp s ://c o d e a h o y .c o m /2 0 1 7 /0 7 /2 7 /
a i-w in te r -is-c o m in g /). Кроме того, спекуляции одних людей все­
ляют страхи в других и заставляют заново осмыслить значение
искусственного интеллекта (h t t p s : //w w w .t h e in q u ir e r .n e t /in quirer/new s/3013919/elon-m usk-spew s-m ore-ai-fear-m ongeringis-d e sp e r a te -b id -fo r -m o r e m e d ia -a tte n tio n ). Им противостоят
люди, полагающие, что вероятность зимы искусственного интеллекта
невелика (h t t p s : //w w w .techn ologyreview .com /s/603062/ai-w in te r -isn t-c o m in g /) и что опасения неуместны (h ttps://w w w .cnbc.
c o m /2 0 1 7 /0 9 /2 1 /h e a d -o f-g o o g le -a -i-s la m s -fe a r -m o n g e r in g a b o u t-th e - f u t u r e - o f - a - i.h tm l) . Обсуждение важно при оценке
любой технологии, но инвесторам нужны не слова; их интересуют
результаты. Эта глава — о результатах, о том, что искусственный
интеллект уже достаточно глубоко интегрирован в общество, чтобы
следующая зима искусственного интеллекта действительно стала ве­
роятной. Конечно, было бы плюсом отсутствие обмана, чтобы люди
могли понять, что искусственный интеллект может сделать для них в
настоящий момент.

Учет взаимодействий,
специфических для человека
Продажей товаров управляют люди. Кроме того, люди решают, что скажет
большинство, что вызовет шум, что, в свою очередь, повысит продажи. Хотя
о технологиях, обсуждаемых в следующих разделах, вы, вероятно, не слыша­
ли по радио, их уровень влияния на людей потрясающий. Активный протез
ноги (первый случай) действительно помогает людям ходить и использовать
протезы с такой же легкостью, как и собственную ногу. Несмотря на то что
нуждающаяся в этом продукте группа людей относительно невелика, резуль­
тат его применения становится известным весьма широко. Второй и третий
случаи могут влиять на миллионы, а может, и миллиарды людей. Это товары
повседневного пользования, но зачастую именно повседневность стимулирует

повторные продажи. Во всех трех случаях технологии не будут работать без
искусственного интеллекта, а это значит, что прекращение исследований, раз­
работок и продаж искусственного интеллекта, вероятно, повредит людям, ис­
пользующим эти технологии.

Изобретение активного протеза ноги
Эндопротезы стоят больших денег. Их изготовление стоит состояния, но
они являются необходимым элементом для любого потерявшего конечность,
желающего иметь приличное качество жизни. Многие эндопротезы полагают­
ся на пассивную технологию, а значит, не обеспечивают реакции и не коррек­
тируют автоматически свои функциональные возможности, чтобы приспосо­
биться к личным нуждам. Все, что изменилось за годы, когда такие ученые, как
Хью Херр (h t t p s : //w w w .sm ithsonianm ag.com /innovation/future-roboticlegs-180953040/), создали активный эндопротез, — так это способность ими­
тировать действия реальных конечностей и автоматически приспосабливать­
ся к использующему их человеку. Хотя основные аплодисменты сорвал Хью
Херр, сегодня вы можете найти активную технологию в эндопротезах всякого
рода, включая протезы колен, рук и кистей.

О
ЭАП0МНИ1

Вы можете задаться вопросом о потенциальном значении исполь­
зования активных и пассивных эндопротезов. Поставщики меди­
цинского оборудования уже проводят исследования (некоторые из
результатов содержатся в отчете h ttp s://w w w .ra n d .o rg /p u b s/research _reports /RR2096. html). Кроме того, гарантия правильного
взаимодействия с пользователем такого устройства, как основанный
на микропроцессоре эндопротез, полагающийся на искусственный
интеллект, уже является огромной победой. Люди, использующие
технологии активного эндопротеза, не только дольше живут активной
жизнью, но и экономят на прямых и косвенных медицинских затра­
тах. Например, человек, использующий технологию активного про­
теза, имеет меньше шансов споткнуться. Даже при том, что начальная
стоимость активного протеза выше, со временем она окупается.

Постоянный мониторинг
В главе 7 обсуждается множество используемых в медицине устройств мони­
торинга, а также устройств, гарантирующих прием лекарств в нужное время и в
правильной дозировке. Кроме того, медицинский мониторинг может помочь па­
циентам быстрее получить медицинскую помощь после приступа и даже спрог­
нозировать следующий приступ, например сердечный. Большинство подобных
устройств, особенно прогнозирующих, полагаются в работе на искусственный
ГЛАВА 19 Десять достижений искусственного интеллекта...

353

интеллект некого вида. Однако остается вопрос, обеспечивают ли эти устройства
финансовый стимул для людей, создающих и использующих их.
Исследования идут трудно, но результаты (h ttp s://a c a d e m ic .o u p .c o m /
e u r o p a ce/a rticle-a b str a ct/1 9 /9 /1 4 9 3 /3 6 0 5 2 0 6 ) показывают, что дистанци­
онный мониторинг кардиологических пациентов обеспечивает значительную
экономию (помимо помощи пациенту жить долго и счастливо). Фактически
согласно Файнэншл Таймс (h ttp s ://w w w .ft.c o m /c o n te n t/8 3 7 f9 0 4 e -9 fd 4 Ile4-9a74-00144feab7de) использование дистанционного мониторинга даже
для здоровых людей оказывает существенное влияние на медицинские расхо­
ды (для чтения статьи нужна подписка). Экономия настолько существенна, что
дистанционный мониторинг может изменить работу всей медицины.

Прием лекарств
Пациенты, забывающие принимать свои лекарства, обходятся медицин­
ским учреждениям в огромные суммы денег. Согласно этой статье CNBC.com
(h ttps://w w w .cn b c.com /2016/08/03/p atien ts-sk ip p in g-m ed s-cost-290-b illio n -p e r -y e a r -c a n -s m a r t-p ills -h e lp .h tm l) в одних только Соединенных
Штатах эта сумма составляет 290 миллиардов долларов в год. При объединении
такой технологии, как Near Field Communication (NFC) (https: / / www.nfcworld.
com /2015/11/18/33 9 7 6 6 /n x p -la u n ch es-n fcb lister-p a ck s-a n d -p ill-b o ttlesfor-m ed ication -track in g/), с приложениями, полагающимися на искусствен­
ный интеллект, вы можете отслеживать, как люди принимают свои лекарства и
когда. Кроме того, искусственный интеллект может помочь людям запомнить,
когда принимать лекарства, какие и сколько. Совместно с мониторингом даже
люди, нуждающиеся в специальном контроле, могут получить правильную дозу
своих лекарств (h ttp s : / / c l i n i c a l t r i a l s . gov/ct2/show/NCT02243670).

Выработка промышленных решений
Люди совершают тысячи небольших продаж. Но когда думаешь о покупа­
тельной способности человека, она бледнеет по сравнению с тем, что может
потратить одна организация. Все дело в количестве. Однако инвесторов ин­
тересуют оба вида продаж, поскольку оба делают деньги, причем довольно
много. Индустриальные решения затрагивают организации. Обычно они весь­
ма дороги, но все же промышленность использует их для повышения продук­
тивности, эффективности и, главное, доходности. В следующих разделах рас­
сматривается, как искусственный интеллект затрагивает организации, которые
используют полученные решения.

Искусственный интеллект и трехмерная печать
Трехмерная печать начинала как игрушечная технология, впечатлившая не­
которых, но не особенно ценная по результатам. Но это было прежде, чем НАСА
использовало трехмерную печать на Международной космической станции
для создания инструментов (h ttp s://w w w .n a sa .g o v /co n ten t/in tern a tio n a lsp a c e -sta tio n -s-3 -d -p r in te r ). Большинство людей полагают, что все необхо­
димые на МКС инструменты можно было взять с собой с Земли. К сожалению,
инструменты теряются и ломаются. Кроме того, на МКС просто нет достаточ­
ного пространства для хранения абсолютно всех необходимых инструментов.
Трехмерная печать может также создавать запасные части, а МКС, конечно, не
может нести все возможные запасные части. При микрогравитации трехмерные
принтеры работают точно так же, как и на Земле (h ttp s : / / www.nasa.gov/mission_pages/station /research /exp erim en ts/1115.h tm l). Таким образом, трех­
мерная печать — это технология, которую ученые могут использовать тем же
самым способом в обоих местах.
Тем временем промышленность использует трехмерную печать для удов­
летворения самых разнообразных запросов. Добавление в этот комплекс ис­
кусственного интеллекта позволит устройству получать результаты, видеть
созданное и учиться на своих ошибках (h ttp s ://w w w .d ig ita ltr e n d s .c o m /
co o l-tech /a i-b u ild -w a n ts-to -ch a n g e-th e-w a y -w e-b u ild -th e-fu tu re/). Это
значит, что промышленность в конечном счете будет в состоянии создавать ро­
боты, которые будут исправлять свои ошибки по крайней мере до такой сте­
пени, которая снизит количество ошибок и увеличит прибыль. Искусственный
интеллект позволяет также снизить риск, связанный с трехмерной печатью за
счет применения таких продуктов, как Business Case (h ttp s -.//www.sculpteo.
c o m /b lo g /2 0 1 7 /0 8 /1 0 /th e -a r tific ia l-in te llig e n c e -fo r -y o u r -3 d -p r in tin g proj e c ts-b u sin e ss-c a se /).

Передовые роботизированные технологии
В этой книге содержится множество примеров использования роботов, от
домашних до медицинских и промышленных. Здесь также упоминается о ро­
ботах в автомобилях, в космосе и под водой. Если вы полагаете, что роботы —
это основная движущая сила искусственного интеллекта, вы правы. Роботы
становятся надежной, доступной и известной технологией с видимым присут­
ствием и хорошим послужным списком, а потому очень многие организации
вкладывают капитал в их дальнейшее совершенствование.
Сегодня на роботы полагается куда больше традиционных компаний, чем
можно подумать. Например, нефтедобывающая промышленность полностью
полагается на роботы при поиске новых нефтяных месторождений, инспекции и

обслуживании трубопроводов. В некоторых случаях роботы осуществляют так­
же ремонт в таких местах, к которым людям нелегко добраться, например в тру­
бопроводах (h t t p : //in s ig h ts .g lo b a ls p e c .c o m /a r tic le /2 7 7 2 /th e -g r o w in g r o l e - o f - a r t i f i c i a l - i n t e l l i g e n c e - i n - o i l - a n d - g a s ). Согласно Oil & Gas
Monitor искусственный интеллект обеспечивает интерполяцию между разве­
дочными скважинами, снижая стоимость буровых работ и создавая модели,
демонстрирующие потенциальные проблемы бурения (h ttp ://w w w .o ilg a s monitor . c o m /a r tific ia l-in te llig e n c e -u p s tr e a m -o il-g a s /). Использование
искусственного интеллекта позволяет инженерам снизить общий риск, а зна­
чит, добыча нефти окажет потенциально меньшее воздействие на окружаю­
щую среду из-за снижения количества разливов.

о
СОВЕТ

©
ЗАПОМНИ!

Снижение цены на нефть стало именно тем, что подтолкнуло нефте­
добывающую промышленность к принятию искусственного интел­
лекта согласно Engineering 360 (h ttp ://in s ig h ts .g lo b a ls p e c .c o m /
a r tic le /2 7 7 2 /th e -g r o w in g -r o le -o f-a r tific ia l-in te llig e n c e -in o il-a n d -g a s ). Поскольку нефтедобывающая промышленность —
дело рискованное, использование ею искусственного интеллекта дает
хороший повод для его проверки и демонстрации другим компаниям
его преимуществ. При чтении статей о нефтедобывающей промыш­
ленности понимаешь, что она ожидала успехов в здравоохранении,
финансах и обрабатывающей промышленности, прежде чем делать
собственные инвестиции. Вы можете ожидать очередного роста от
применения искусственного интеллекта после его успеха в других
отраслях.
В этой книге рассматриваются самые разные робототехнические ре­
шения, некоторые из них мобильны, некоторые — нет. В части 4 во­
обще рассматриваются летающие роботы (дроны) и самоходные или
беспилотные автомобили. Обычно роботы способны приносить при­
быль, когда выполняют конкретный вид задач, такой как чистка ваше­
го пола (Roomba) или сборка вашего автомобиля. Аналогично дроны
теперь являются источником доходов для оборонных подрядчиков и
в конечном счете станут таковыми и для гражданских предприятий.
Многие люди предсказывают, что беспилотный автомобиль не толь­
ко будет зарабатывать деньги, но и станет чрезвычайно популярным
(h t t p s : //w w w .forbes. c o m /s ite s /o liv ie r g a r r e t/2 0 1 7 /0 3 /0 3 /1 0 m illio n -s e lf-d r iv in g -c a r s -w ill-h it-th e -r o a d -b y -2 0 2 0 -h e r e s h o w -to -p ro fit/).

Создание новых технологических сред
Обычно все ищут новые вещи, чтобы купить, а значит, компании должны
их придумывать, чтобы продать. Искусственный интеллект помогает людям
находить шаблоны во всякого рода вещах. Шаблоны зачастую показывают
присутствие чего-то нового, такого как новый элемент или новый процесс
для создания чего-то еще. В области разработки изделий задача искусствен­
ного интеллекта заключается в том, чтобы помочь обнаружить новый продукт
(в отличие от продажи существующего продукта, находящегося в фокусе). Со­
кращая время, необходимое для поиска нового товара, чтобы продавать, ис­
кусственный интеллект помогает бизнесу повышать прибыль и снижать стои­
мость исследований,с вязанных с поиском новых товаров. Более подробно эти
проблемы обсуждаются в следующих разделах.

Разработка новых редких ресурсов
Как можно заметить повсюду в этой книге, искусственный интеллект имеет
особенно большой опыт по части поиска шаблонов, а шаблоны могут указать
на всякого рода вещи, включая новые элементы (этому аспекту искусственного
интеллекта посвящен раздел “Поиск новых элементов” главы 16). Новые эле­
менты означают новые товары, а значит, и новые продажи. У организации, спо­
собной придумать новый материал, будет существенное преимущество в кон­
куренции. Статья h tt p s ://virulentw ordofm ouse.w ordpress. com/2010/1 1 /3 0 /
a n -eco n o m ic-p er sp ectiv e-o n -rev o lu tio n a ry -u s-in v en tio n s/ повествует о
влиянии на экономику некоторых наиболее интересных изобретений. Большин­
ство из них полагается на новый процесс или материал, который искусственный
интеллект с легкостью может помочь найти.

Увидеть невидимое
Человек видит в довольно ограниченном спектре света, который фактичес­
ки существует в природе. И даже с усилием люди пытаются мыслить в очень
малых масштабах или в очень больших. Пристрастия не позволяют людям ви­
деть неожиданное. Иногда у казалось бы случайного шаблона есть структура,
но люди ее не видят. Искусственный интеллект может видеть то, чего не могут
видеть люди, а затем воздействовать на это. Например, при поиске напряжений
в металле искусственный интеллект может заметить усталость и воздействовать
на это. Применение для радиопередачи таких элементов, как волноводы, мо­
жет дать огромную экономию (h ttp s://w w w .n cb i.n lm .n ih .gov/p m c/articles/
РМС4481976/).

Сотрудничество с искусственным
интеллектом в космосе
В главе 16 приведен обзор того, на что искусственный интеллект может быть
потенциально способен в космосе. Даже при том, что планы относительно вы­
полнения этих задач находятся на чертежной доске, большинство из них фи­
нансируется правительством, а значит, для них есть возможность необязательно
быть прибыльными. В главе 16 описаны также некоторые научно-исследова­
тельские работы, связанные с бизнесом. В данном случае бизнес фактически
надеется получать прибыль, но сегодня не может этого сделать. В следующих
разделах космос рассмотрен в другом отношении и указано на то, что происхо­
дит сегодня. В настоящее время искусственный интеллект позволяет компани­
ям зарабатывать деньги в космосе, что дает им стимул продолжать вкладывать
капитал и в искусственный интеллект, связанный с космическими проектами.

Доставка товаров на космические станции
Возможно, самым успешным коммерческим применением искусственного
интеллекта в космосе является пополнение запасов на МКС такими компани­
ями, как SpaceX и Orbital АТК (h ttp s://w w w .n a sa .g o v /m issio n _ p a g es/sta tio n /str u c tu r e /la u n c h /o v e r v ie w .h tm l). Конечно, эти организации делают
деньги на каждом рейсе, но и НАСА получает доход. Фактически все Соеди­
ненные Штаты извлекают пользу из этого предприятия.
»

Возможность избежать использования транспортных средств дру­
гих стран, а следовательно, снижение цены доставляемых на МКС
материалов

»

Повышение роли таких американских организаций, как Kennedy
Space Center, что означает долговременную амортизацию вложен­
ных в них средств

»

Создание дополнительных пусковых центров для космических по­
летов в будущем

»

Более доступная коммерческая доставка спутников и других эле­
ментов

Компании SpaceX и Orbital АТК сотрудничают с множеством других ком­
паний, Следовательно, хотя и может показаться, что только эти две компании
могли бы извлечь выгоду из этой ситуации, на самом деле пользу получают
и многие их партнеры. Использование искусственного интеллекта делает все
это возможным, и может быть прямо сейчас. Компании зарабатывают деньги в

космосе и сегодня, не дожидаясь завтра, как вы могли бы подумать, посмотрев
новости. Однако то, что доход поступает от того, что, по сути, является обыч­
ной службой доставки, не имеет никакого значения.

О
ЭАПОМНИ1

Космическая доставка чрезвычайно нова. Многие основанные на Ин­
тернете компании были убыточными на протяжении многих лет, пре­
жде чем стали прибыльными. Однако SpaceX по крайней мере ищет
возможности заработать деньги после нескольких первых провалов
(h t t p s : / /w w w .fool. co m /in v estin g /2 0 1 7 /0 2 /0 5 /h o w -p ro fita b leis -s p a c e x -r e a lly .a s p x ). Космически-ориентированным компани­
ям потребуется время, чтобы достичь того же финансового влияния,
которым обладают сегодня сугубо земные компании.

Добыча внепланетных ресурсов
Такие компании, как Planetary Resources (https://w w w .p lan etaryresource s . com/), готовы начать добычу на астероидах и других планетарных телах.
Есть вероятность заработать огромные суммы (h ttp ://th e w e e k .c o m /a r ticles/4 6 2 8 3 0 /h o w -a stero id -m in in g -co u ld -a d d -trillio n s-w o rld -eco n o m y ).
Мы включили этот раздел в главу потому, что на Земле буквально исчерпаны
ресурсы, а большинство остающихся месторождений требует исключительно
новых методов добычи. Данный конкретный бизнес взлетит скорее раньше, чем
позже.

ВНИМАНИЕ!

Сегодня в этом специфическом бизнесе много спекуляций, включая
добычу на астероиде (16) Психея (h ttp s: / / www.usatoday.com/story/
tech /n a tio n -n o w /2 0 1 7 /0 1 /1 8 /n a sa -p la n n in g -m issio n -a stero id w orth -10000-q u ad rillion /96709250/). Но даже в этом случае лю­
дям в конечном счете придется создать уникальную программу
утилизации отходов, которая кажется маловероятной, или найти ре­
сурсы где-то в другом месте (весьма вероятно, в космосе). Люди,
делающие деньги на данном конкретном проекте уже сегодня, по­
ставляют инструментальные средства, как правило, на базе искус­
ственного интеллекта, позволяющие определить наилучший способ
решения задачи.

Исследование других планет
Кажется вполне вероятным, что люди рано или поздно исследуют и даже
колонизируют другие планеты. Марс, вероятно, является первым кандидатом.
Фактически 78 тысяч человек уже подписались на такой рейс (см. h ttp : / /

359

n ew sfeed .tim e.com /2013/05/09/78000-p eop le-ap p ly-for-on e-w ay-trip -tomars/). Многие полагают, что после того, как люди достигнут других миров,
включая Луну, единственным способом делать деньги будет продажа интеллек­
туальной собственности или, возможно, создание материалов, специфических
только для данного мира (h ttp s : //www. fo r b e s. com /sites/q u o ra /2 0 1 6 /0 9 /2 6 /
is-there-a-fortune-to-be-m ade-on-m ars/#68d630ab6e28).

ВНИМАНИЕ!

К сожалению, хотя некоторые люди делают деньги сегодня и на этом
проекте, мы, вероятно, не увидим фактической прибыли от этих
усилий в ближайшее время. Однако некоторые компании получают
прибыль уже сегодня, предоставляя различные инструментальные
средства, необходимые для разработки проекта. Исследования дей­
ствительно инвестируют в экономику.

Глава 20

Десять областей,
в которых
искусственный
интеллект терпит
неудачу
В ЭТОЙ ГЛАВЕ...
» Понимание мира
» Генерация новых идей
» Понимание состояния человека

любой книге по искусственному интеллекту должны рассматриваться
пути, на которых искусственный интеллект потерпел неудачу и обма­
нул ожидания. Частично эта проблема обсуждалась при рассмотрении
исторических причин наступления зим искусственного интеллекта. Но даже
после этих обсуждений у вас могло сложиться впечатление, что искусственный
интеллект терпел неудачи только из-за того, что не оправдал ожиданий своих
чрезмерно восторженных сторонников; но он терпел неудачи, даже удовлет­
воряя специфические потребности и соответствуя основным требованиям.

В

Эта глава — о неудачах, не позволивших искусственному интеллекту показать
себя и выполнить задачи, необходимые для достижения полного успеха, опи­
санного в других главах. В настоящее время искусственный интеллект — это
развивающаяся технология, которая успешна лишь частично (в лучшем случае).

О
ЭАПОМНИ1

Одна из главных проблем, преследующих искусственный интеллект
сегодня, состоит в том, что люди продолжают наделять его человече­
скими качествами и считать тем, чем он не является. Искусственный
интеллект получает на входе очищенные данные, анализирует их,
находит шаблоны и предоставляет требуемый вывод. Как описано в
этой главе, искусственный интеллект ничего не понимает, он не мо­
жет ни создать, ни обнаружить ничего нового, у него нет никакого
внутриличностного знания. Поэтому он никому и ни в чем не может
сочувствовать. Критически важная информация этой главы — ис­
кусственный интеллект ведет себя так, как заложено разработавшим
его человеком, и его интеллект — это только объединение сложного
программного обеспечения и обширных объемов данных, анализи­
руемых определенным способом. Лучшее представление об этих и
других проблемах дает статья “Asking the Right Questions About AI”
по адресу h ttp s : //medium. com/@ yonatanzunger/asking-the-rightquestions-about-ai-7ed2d9820c48.

Однако куда важнее то, что некоторые люди утверждают, что искусствен­
ный интеллект в конечном счете приведет к глобальному отказу, что невоз­
можно с учетом современной технологии. Искусственный интеллект не может
внезапно обрести самосознание, поскольку у него нет никаких средств выра­
жения эмоций, обязательных для обладания самосознанием. Как демонстри­
руется в табл. 1.1 в главе 1, сегодня у искусственного интеллекта отсутствуют
некоторые из важнейших видов интеллекта, обязательных для обладания само­
сознанием. Однако простого обладания этими уровнями интеллекта также не
будет достаточно. В людях есть искра — нечто, непонятное ученым. Не поняв,
что это за искра, наука не сможет воспроизвести ее как часть искусственного
интеллекта.

Понимание
У людей способность постигать является врожденной, а у искусственного
интеллекта она полностью отсутствует. Глядя на яблоко, человек видит боль­
ше, чем просто набор свойств, связанных с изображением объекта. Люди по­

нимают яблоки с помощью чувств, таких как цвет, вкус и осязание. Мы пони­
маем, что яблоко съедобно и содержит определенные питательные вещества.
Мы имеем представление о яблоках; возможно, мы любим их и чувствуем, что
они — наилучшие фрукты. Искусственный интеллект видит объект, с которым
связаны некие свойства, значения которых он не понимает; он только манипу­
лирует ими. В следующих разделах описано, как отсутствие понимания застав­
ляет искусственный интеллект в целом терпеть неудачу.

Интерпретация, а не анализ
Как уже не раз упоминалось в этой книге, искусственный интеллект исполь­
зует алгоритмы, чтобы манипулировать исходными данными и создать вывод.
Акцент делается на выполнении анализа данных. Но направление этого анали­
за контролирует человек, и он же впоследствии должен интерпретировать ре­
зультаты. Например, искусственный интеллект может выполнить анализ рент­
геновского снимка, представляющего потенциальную опухоль. В полученном
результате он может подчеркнуть часть снимка, вероятно, содержащую опу­
холи, чтобы врач мог ее заметить. В противном случае врач мог бы не заметить
ее; таким образом, искусственный интеллект, несомненно, оказывает важную
услугу. Но даже в этом случае врач все еще должен сделать обзор результата и
определить,действительно ли на рентгеновском снимке опухоль. Как описано
в нескольких разделах книги, особенно о беспилотных автомобилях в главе 14,
время от времени искусственный интеллект легко вводится в заблуждение, ког­
да даже небольшой элемент присутствует в неправильном месте. Следователь­
но, даже при том, что искусственный интеллект невероятно полезен, позволяя
врачу рассмотреть нечто малозаметное для человеческого глаза, он не заслужи­
вает абсолютного доверия, чтобы принимать решения любого вида.

У Ч ЕТ Ч ЕЛ О ВЕЧ ЕС КО ГО ПО ВЕДЕНИ Я
В этой главе нередко фигурирует отсутствие понимания человеческого по­
ведения. Но даже понимания поведения недостаточно, чтобы реплицировать
или моделировать поведение. Чтобы это стало доступным для искусственного
интеллекта, необходимо формальное математическое понимание поведения.
С учетом разнообразия человеческих поведений возникает подозрение в
крайне малой вероятности того, что хоть какая-нибудь их формальная матема­
тическая модель будет когда-либо создана. Без таких моделей искусственный
интеллект не может думать способом, подобным человеческому, или достичь
чего-то, напоминающего чувства.

Интерпретация подразумевает также способность видеть поверх данных.
Это не способность создавать новые данные, а понимание того, что данные мо­
гут указывать и не только на то, что и так очевидно. Например, люди нередко
говорят, что некие данные неверны или сфальсифицированы, даже при том что
сами данные не представляют тому доказательств. Искусственный интеллект
принимает как истинные все данные, а человек знает, что они могут и не быть
такими. Точная формализация того, как люди решают эту задачу, в настоящее
время невозможна, поскольку люди фактически этого не понимают.

Выход за пределы чистых чисел
Вопреки любому внешнему виду искусственный интеллект работает толь­
ко с числами. Он не может понимать смысл слов, когда вы, например, с ним
говорите; он просто ищет соответствие шаблону после преобразования вашей
речи в числовую форму. Теряется сущность сказанного. Даже если бы искус­
ственный интеллект был в состоянии понять слова, он не мог бы сделать так
потому, что слова исчезли в процессе лексического анализа. Невозможность
искусственного интеллекта понять нечто столь простое, как слова, означает,
что перевод искусственным интеллектом с одного языка на другой всегда будет
иметь недостатки, и это бесспорно; кто-то должен перевести чувства, кроющи­
еся за словами, а также сами слова. Слова выражают чувства, а искусственный
интеллект этого сделать не может.
Тот же самый процесс преобразования происходит с каждой мыслью, кото­
рой обладают люди. Компьютер преобразует взгляд, звук, запах, вкус и каса­
ния в числовые представления, а затем находит соответствие шаблону, чтобы
создать набор данных, который моделирует реальную практику. Дальше дело
куда сложнее, поскольку разные люди обычно переживают одни и те же вещи
по-разному. Например, каждый человек воспринимает цвет индивидуально
(h t t p s : //w w w .liv e s c ie n c e .c o m /2 1 2 7 5 -c o lo r -r e d -b lu e -s c ie n tis ts .htm l).
Для искусственного интеллекта каждый компьютер видит цвет совершенно
одинаково, а значит, искусственный интеллект не может воспринимать цвета
индивидуально. Однако из-за преобразований искусственный интеллект фак­
тически не ощущает цвет вообще.

Учет последствий
Искусственный интеллект может анализировать данные, но не принимать
моральные или этические решения. Если вы попросите искусственный интел­
лект сделать выбор, то он всегда выберет вариант с самой высокой вероятно­
стью успеха, если вы не включите также своего рода функцию случайности.

Искусственный интеллект сделает этот выбор независимо от возможного ре­
зультата. В разделе “Беспилотные автомобили и проблема вагонетки” главы 14
эта проблема выражается весьма ясно. Сталкиваясь с выбором сохранить
жизнь либо пассажирам автомобиля, либо пешеходам, принимающий решение
искусственный интеллект должен иметь инструкции от человека. Искусствен­
ный интеллект не способен учитывать последствия, а потому не может уча­
ствовать в процессе принятия таких решений.

ВНИМАНИЕ!

Во многих ситуациях недооценка способности искусственного ин­
теллекта решать задачу просто неудобна. В некоторых случаях вам,
вероятно, придется решать задачу во второй или третий раз вруч­
ную, поскольку искусственному интеллекту не до задачи. Однако,
когда дело доходит до последствий, перед вами может встать реаль­
ная проблема в дополнение к моральным и этическим проблемам,
если вы доверите искусственному интеллекту решать неподходя­
щие для него задачи. Например, разрешение движения беспилот­
ных автомобилей в неподходящем для этого месте, вероятно, будет
незаконным, и вы столкнетесь с юридическими проблемами в до­
полнение к возмещению ущерба и медицинским расходам, причи­
ной которых может стать беспилотный автомобиль. Короче говоря,
прежде чем доверять искусственному интеллекту нечто, подразуме­
вающее потенциальные последствия, имеет смысл ознакомиться с
юридическими требованиями.

Открытия
Искусственный интеллект может интерполировать существующее знание,
но не может его экстраполировать, чтобы создать новое знание. Столкнувшись
с новой ситуацией, он обычно пытается решить ее исходя из существующих
знаний, вместо того чтобы придумать что-то новое. Фактически у искусствен­
ного интеллекта нет никакого способа создавать что-то новое или видеть не­
что как-то уникально. Только человеческие чувства помогают нам открывать
новые вещи, работать с ними, изобретать методы для взаимодействия с ними
и создавать новые методы для того, чтобы использовать их для выполнения
новых задач или лучшего решения прежних задач. В следующих разделах опи­
сано, как неспособность искусственного интеллекта делать открытия не позво­
ляет ему оправдывать ожидания, которые люди на него возлагают.

Получение новых данных из старых
Одной из наиболее распространенных задач, решаемых людьми, является
экстраполяция данных; например, если дано А, то каково В? Люди использу­
ют существующее знание, чтобы создать новое знание иного вида. Имея одну
часть знания, человек может совершить скачок к новой части знания вне об­
ласти первоначального знания, причем с высокой вероятностью успеха. Люди
делают подобные скачки настолько часто, что они стали их второй натурой, с
интуицией в виде крайнего случая. Даже дети могут делать такие прогнозы с
высокой вероятностью успеха.

о
ЗАПОМНИ!

Наилучшее, на что когда-либо будет способен искусственный интел­
лект, — это интерполяция данных. Например, даны А, В и С, что в
промежутке? Возможность успешно интерполировать данные озна­
чает, что искусственный интеллект может дополнить шаблон, но не
может создать новые данные. Однако, используя хитрые методики
программирования, разработчики иногда могут ввести людей в за­
блуждение, заставив их думать, что данные новы. Присутствие С вы­
глядит новым, тогда как в действительности это не так. Нехватка но­
вых данных может создать условия, при которых будет казаться, что
искусственный интеллект решает задачу, но и это не так. Проблема
требует нового решения, а не интерполяции существующих решений.

Видение вне шаблонов
В настоящее время искусственный интеллект способен заметить в данных
те шаблоны, которые не очевидны для людей. Именно возможность видеть эти
шаблоны делает искусственный интеллект настолько ценным. Манипулирова­
ние данными и их анализ являются трудоемким, сложным и монотонным де­
лом, но искусственный интеллект легко может выполнить эту задачу. Однако
шаблоны данных — это просто вывод и необязательно решение. Люди полага­
ются на пять органов чувств, сочувствие, творческий потенциал и интуицию,
чтобы видеть вне шаблонов и находить потенциальное решение вне рамок, об­
условленных данными. Более подробно эта сфера человеческих возможностей
обсуждается в главе 18.

О
СОВЕТ

Проще всего понять человеческую способность видеть вне шабло­
нов — это посмотреть на небо. В облачный день люди могут ви­
деть шаблоны в облаках, но искусственный интеллект видит облака
и только облака. Кроме того, два человека могут видеть различные
вещи в одном и том же наборе облаков. При творческом взгляде на
шаблоны в облаках один человек может видеть овцу, а другой —

фонтан. То же самое относится к звездам и другим видам шаблонов.
Искусственный интеллект представляет шаблон как результат, но не
понимает его, поскольку отсутствие творческого потенциала не по­
зволяет ему сделать с шаблоном ничего, кроме как указать в отчете,
что шаблон существует.

Реализация новых чувств
Впоследствии люди узнали о таких вариациях в человеческих органах
чувств, которые фактически нереально корректно передать искусственному
интеллекту, поскольку репликация этих чувств на аппаратных средствах сейчас
действительно невозможна. Например, способность использовать разные орга­
ны чувств для обследования одного и того же ввода (синестезия; см. h t t p s : / /
w w w .m n n .c o m /h e a lth /fitn e ss-w e ll-b e in g /sto r ie s/w h a t-is-sy n e sth e sia a n d -w h a ts -it-lik e -to -h a v e -it) находится вне возможностей искусственного
интеллекта.

ТЕХНИЧЕСКИЕ
ПОДРОБНОСТИ

Хотя общеизвестно, что у людей есть пять органов чувств, некоторые
источники сейчас утверждают, что фактически люди имеют намно­
го больше пяти обычных чувств (http://www.todayifoundout.com /
in d ex .php/2010/07/hum ans-have-a-lot-m ore-than-five-senses/).
Некоторые из этих дополнительных чувств не очень хорошо поняты
и едва доказуемы, такие как магниторецещия (способность чувство­
вать магнитные поля, такие как магнитное поле Земли). Это чувство
позволяет людям указывать направление, подобно птицам, но в мень­
шей степени. Поскольку нет никакого способа даже определения это­
го чувства, его репликация как элемента искусственного интеллекта
невозможна.

Сочувствие
Компьютеры ничего не чувствуют. Это необязательно плохо, но в данной
главе это рассматривается как недостаток. Без способности чувствовать ком­
пьютер не может видеть вещи с точки зрения человека. Не понимая, что значит
быть счастливым или грустным, нельзя реагировать на эти эмоции, если про­
грамма не обладает функцией анализа выражения лица и других индикаторов,
позволяющих ей реагировать соответственно. Даже в этом случае реакция бу­
дет предопределенной и склонной к ошибкам. Подумайте, сколько решений
вы принимаете на основании эмоций, а не фа 1Сгов. В следующих разделах
рассматривается, как отсутствие сочувствия со стороны искусственного ин­
теллекта во многих случаях препятствует его корректному общению с людьми.

Войти в чужое положение
Идея войти в чужое положение означает взгляд на вещи с точки зрения дру­
гого человека, когда он испытает чувства, подобные испытываемым другим че­
ловеком. Никто действительно не чувствует то же самое, что и кто-то еще, но
благодаря сочувствию люди могут себе это представить. Эта форма сочувствия
требует сильного внутриличностного интеллекта в качестве отправной точки,
чего никогда не будет иметь искусственный интеллект, если он не выработает
самоощущение (сингулярность, как описано в статье h t t p s : / / www.technolog y r e v ie w .e o m /s /4 2 5 7 3 3 /p a u l-a lle n -th e -s in g u la r ity -is n t-n e a r /). Кроме
того, искусственный интеллект должен быть в состоянии чувствовать нечто,
что в настоящее время для него невозможно, и быть открытым для того, что­
бы разделять чувства с некой другой сущностью (обычно — с человеком), что
также невозможно. Текущее состояние технологии искусственного интеллекта
не позволяет ему чувствовать или понимать любой вид эмоции, что делает со­
чувствие невозможным.

«I
ЗАПОМНИ!

Конечно, возникает вопрос, почему сочувствие столь важно. От­
сутствие способности чувствовать то же самое, что чувствует ктото еще, не позволяет искусственному интеллекту выработать по­
буждение выполнять определенные действия. Вы можете приказать
искусственному интеллекту выполнить некую задачу, но никакого
самостоятельного побуждения у него не возникнет. Следовательно,
искусственный интеллект никогда не выполнит определенные зада­
чи, даже при том что эффективность в таких задачах является требо­
ванием для выработки навыков и знаний, обязательных для достиже­
ния интеллекта, подобного человеческому.

Выработка истинных отношений
Искусственный интеллект строит ваш образ исходя из данных, которые он
собрал. Затем он создает шаблон из этих данных и, используя определенные
алгоритмы, разрабатывает вывод, который позволит создать впечатление, что
вы по крайней мере знакомы. Но поскольку искусственный интеллект не чув­
ствует, он не может ценить вас как человека. Он может служить вам, если вы
прикажете ему и если поставленная задача находится в списке его функций, но
у него не может быть никаких чувств к вам.
Когда речь заходит о взаимоотношениях, люди должны учитывать как ин­
теллектуальную привязанность, так и чувства. Источником интеллектуальной
привязанности зачастую является общая выгода для двух сущностей. К сожа­
лению, у искусственного интеллекта и человека (или любого другого субъекта,

если на то пошло) нет никакой общей выгоды. Искусственный интеллект про­
сто обрабатывает данные, используя определенный алгоритм. Нечто не может
претендовать на то, чтобы любить нечто другое, даже если ему это приказано.
Эмоциональная привязанность несет с собой риск отказа, что подразумевает
самооценку.

Смена тонки зрения
Иногда люди могут менять свое мнение на основании чего-то, отличного
от фактов. Несмотря на то что все шансы — за конкретный разумный ход дей­
ствий, эмоции делают предпочтительным другой курс действий. У искусствен­
ного интеллекта нет никаких предпочтений, поэтому он не может выбрать дру­
гой курс действий по любой причине, отличной от изменения вероятностей,
ограничений (правил, заставляющих его внести изменения) или требования
предоставлять случайный вывод.

Вера в недоказуемое
Вера — это уверенность в истинности чего-то без доказывающих фактов.
Как правило, вера имеет форму доверия, т.е. верой в искренность другого че­
ловека безо всяких доказательств тому, что этот человек заслуживает доверия.
Искусственный интеллект не может продемонстрировать ни веры, ни доверия,
что является частью причины невозможности экстраполировать знания. Само
действие экстраполяции зачастую полагается на догадку, в основе которой ле­
жит вера в истинность чего-то, несмотря на отсутствие любого вида данных,
поддерживающих догадку. Поскольку эта способность у искусственного ин­
теллекта отсутствует, он не может продемонстрировать способность проникно­
вения в суть — требование, необходимое для шаблонов мышления, подобных
человеческим.

О
СОВЕТ

За примерами веры далеко ходить не нужно, на ее основе были сде­
ланы многие изобретения, создавшие нечто новое. Одним из самых
заметных изобретателей был Эдисон. Например, он предпринял
тысячу (а возможно, и больше) попыток создать лампочку. Искус­
ственный интеллект, вероятно, сдался бы после определенного ко­
личества попыток в связи с заданными ограничениями. Вы можете
просмотреть список людей, совершавших удивительные вещи ис­
ходя из веры, по адресу h ttp s://w w w .u k y .e d u /-e u sh e2 /P a ja res/
OnFailingG.html. Каждый из них является примером того, на что
искусственный интеллект не способен, поскольку ему недостает спо­
собности мыслить поверх конкретных данных, предоставленных ему
в качестве ввода.

Предметный
указатель
А
Activation function, 207
AI, 25
effect, 66
winter, 37
Al-complete, 68
Algorithm, 66
Alpha-beta pruning, 73
AN, 348
Android, 235
A posteriori probability, 188
Application Specific Integrated
Circuit, 93
A priori probability, 188
Architecture, 85
Artificial
Intelligence, 25
Intuition, 348
ASIC, 93
Automata, 234
В
Backpropagation, 210
Batch learning, 215
BFS, 71
Big data, 44
Breadth-First Search, 71
C
Chatbot, 223
Classification problem, 176
CNN, 214; 217
Conditional probability, 188
Connectionism, 204

ConvNet, 217
Convolutional Neural Network, 214;
217
Coordinate descent, 75
D
Data
analysis, 163
record, 55
Dataset, 55
Decision tree, 196
Deduction, 196
Deep learning, 38
Depth-First Search, 71
DFS, 71
Display adapter, 90
Drone, 239; 249
E
End-to-end learning, 217
F
Feed-forward input, 208
Field, 55
First-order logic, 79
FPGA, 94
Frame-of-reference mistruth, 61
Fuzzy logic, 80
G
GAN, 222; 226
Generative Adversarial Network, 222;
226
Generative-based model, 225
Geo-fencing, 262

GNMT, 150
Google Neural Machine
Translation, 150
GPU, 90
Graph, 69
Graphic Processing Unit, 90

Naive Bayes, 189
Neural network architecture, 208
Neuron, 206
NLP, 224
NP-полная задача, 67

H

О

Harvard Architecture, 87
Heuristic, 74
Hill-climbing optimization, 75
Hurtful truth, 289
Hypothesis space, 170

Objective function, 75
Online learning, 215
Outright error, 112
Overfitting, 174

N

P
I
IA, 158
ICE, 122
Induction, 196
Industrial Communication Engine, 122
Inference engine, 79
Intelligence Augmentation, 158
Internet o f Things, 48
IoT, 48
К
Knowledge base, 79
L
Local search, 73
M
Machine learning, 37; 81
Manicuring, 54
Master algorithm, 40
Min-max approximation, 72
Mistruth, 57
of bias, 61
o f commission, 58
of omission, 59
of perspective, 59
Multithreading, 90
372

Предметный указатель

Pattern, 213
Perception, 247
Perceptron, 206
R
Recurrent Neural Network, 222
Regression problem, 176
Reinforcement learning, 82; 177
Reliable, 51
RNN, 222
Robot Process Automation, 120
RPA, 120
S
SD car, 263
Seasteading, 325
Sensor, 246
Simulated annealing, 75
Singularity, 40
State space, 68
State-space search, 68
Supervised learning, 176
Symbolism, 196
T
Tabu search, 75
Target function, 169

Tensor Processing Unit, 93
TPU, 93
Transfer learning, 215
Trolley problem, 271
Twiddle, 75

В

U

Ввод с прямой подачей, 208
Вера, 369
Верховный алгоритм, 40
Видеоадаптер, 90
Восприятие, 247

Unsupervised learning, 177

Г

V

Гарвардская архитектура, 87
Генеративная модель, 225
Генеративно-состязательная
сеть, 222; 226
Геозонирование, 262
Глубокое обучение, 38
Горькая правда, 289
Граф, 69
Графический процессор, 90
Групповое обучение, 215
Гуманоидный робот, 239

Vanishing gradient, 211
Von Neumann bottleneck, 84
W
Weight, 209
A
Автомат, 234
Автоматизация роботизированных
процессов, 120
Автоматизированный сбор
данных, 53
Автономность, 258
Алгоритм, 49; 66
возврата, 75
Альфа-бета-отсечение, 73
Анализ данных, 66; 163
Андроид, 235
Апостериорная вероятность, 188
Априорная вероятность, 188
Архитектура, 85
нейронной сети, 208
фон Неймана, 84
Б
База знаний, 79
Байесовская сеть, 184; 194
Беспилотный автомобиль, 263
Большие данные, 44

д

Дедукция, 196
Дерево, 68
Дерево решений, 184; 196
Дистанционное обучение, 215
Дрон, 239; 249
3
Задача
классификации, 176
регрессии, 176
Закон
Амары, 297
Гордона Мура, 45
Запись данных, 55
Зима искусственного
интеллекта, 37; 285

Предметный указатель

373

и

Н

Имитация отжига, 75
Индукция, 196
Индустриальный механизм
связи, 122
Интеллект
сильный, 34
слабый, 34
Интерлингва, 150
Интернет вещей, 48
Интерполяция, 366
Интуиция, 347
Искусственная интуиция, 348
Искусственный интеллект, 25
Исправление, 107
Источник данных, 51
Исчезающий градиент, 211

Набор данных, 55
Надежные данные, 51
Наивный байесовский
классификатор, 183; 189
Недостоверность, 57
недопонимания, 61
предубежденности, 61
точки зрения, 59
умолчания, 59
усердия, 58
Нейрон, 206
Нейронный машинный перевод
Google, 150
Неконтролируемое обучение, 177
Нечеткая логика, 80

К

Обратное распространение
ошибки, 210
Обучение с подкреплением, 82; 177
Оптимизация восхождением к
вершине, 75

Китайс кая ком ната, 104
Коннекционизм, 204
Контролируемое обучение, 176
Координация, 258
Корабль поколений, 326
Космическое поселение, 325
Коэффициент, 209
Критерий отбора, 75
Л
Логика первого порядка, 79
Локальный поиск, 73
М
Маникюр данных, 54
Манипулятор, 238
Машинное обучение, 37; 81; 168
Механизм логического вывода, 79
Многопоточность, 90
Мобильный манипулятор, 239
Моделирование, 164

374

Предметный указатель

О

П
Паноптикум, 270
Парадокс Моравека, 277
Параллелизм, 214
Перенос обучения, 215
Переобучение, 174
Перцептрон, 206
Подход приближения к минимаксу, 72
Поиск в
глубину, 71
пространстве состояний, 68
ширину, 71
Поиск с запретами, 75
Покоординатный спуск, 75
Поле, 55

Полный искусственный
интеллект, 68
Преобразование, 163
Проблема вагонетки, 271
Проверка, 163
Пространство
гипотез, 170
состояний, 68
Прямая ошибка, 112
Р

У
Узкое место Фон Неймана, 84
Усиление интеллекта, 158
Условная вероятность, 188
Ф
Функция активизации, 207

ц
Целевая функция, 169

Революция данных, 44
Рекомендация, 110
Рекуррентная нейронная сеть, 222
Робот, 234

Ч
Чатбот, 223
Чистка, 163

С

Шаблон, 213

Сверточная нейронная сеть, 214;
217
Сенсор, 246; 278
Символизм, 196
Символическая логика, 35
Симпатия, 131
Систейдинг, 325
Сквозное обучение, 217
Случайный выбор, 75
Сочувствие, 131
Специализированная интегральная
микросхема, 93

Ш

Э
Эвристика, 74
Экспертная система, 36
Экстраполяция, 366
Эмодзи, 149
Эмотикон, 149
Эффект
зловещей долины, 240
искусственного интеллекта, 66

Т
Тензорный процессор, 93
Теорема Байеса, 190
Тест Тьюринга, 224
Технологическая сингулярность, 40

Предметный указатель

375

АЛГОРИТМЫ ДЛЯ ЧАЙНИКОВ

Джон Поль М юллер
Лука М ассарон

www.dialektika.com

ISBN 978-5-9909446-2-6

Эта книга — действительно
книга для чайников, поскольку
основная ее задача не научить
программировать реализации
тех или иных давно известных
алгоритмов, а познакомить вас
стем, что же такое алгоритмы,
как они влияют на нашу
повседневную жизнь, и каково
состояние дел в этой области
человеческих знаний сегодня.
В книге рассматривается крайне
широкий спектр вопросов,
связанных салгоритмами —
это и стандартные сортировка
и поиск, и работа с графами (но
с уклоном не в стандартные
базовые алгоритмы, а в
приложении их ктаким явлениям
сегодняшнего дня, как, например,
социальные сети),работа с
большими данными и вопросы
искусственного интеллекта.
При этом материал книги — не
просто отвлеченный рассказ о том
или ином аспекте современных
алгоритмов, но и демонстрация
реализаций алгоритмов с
конкретными примерами на языке
программирования Python.
Книга будет полезна всем, кто
интересуется современным
состоянием дел в области
программирования и алгоритмов.
в продаже

СОЗДАЕМ
НЕЙРОННУЮ СЕТЬ
Тарик Рашид

www.williamspublishing.com

ISBN 9 7 8 - 5 - 9 9 0 9 4 4 5 - 7 - 2

Эта книга представляет собой
введение в теорию и практику
создания нейронных сетей.
Она предназначена для тех,
кто хочет узнать, что такое
нейронные сети, где они
применяются и как самому
создать такую сеть, не имея
опыта работы в данной
области. Изложение материала
сопровождается подробным
описанием процедуры
поэтапного создания полностью
функционального кода, который
реализует нейронную сеть
на языке Python и способен
выполняться даже на таком
миниатюрном компьютере, как
Raspberry Pi Zero.
Основные темы книги:
• нейронные сети и системы
искусственного интеллекта;
• структура нейронных сетей;
• сглаживание сигналов, распро­
страняющихся по нейронной
сети, с помощью функции
активации;
• тренировка и тестирование
нейронных сетей;
• интерактивная среда програм­
мирования IPython;
• распознавание образов с помо­
щью нейронных сетей.
в продаже

Uaofcan£enHMu ишЯеллеюй
для чайников®

Искусственный интеллект (AI) является технологией, которой уделяется повышенное
внимание в фильмах, книгах, играх и тщ. Производители всего этого зачастую прирав­
нивают искусственный интеллект к разуму: вы покупаете умное устройство, но полу­
чаете устройство с искусственным интеллектом, весь ум которого иногда заключается
только в возможности общения и даже не содержит настоящего искусственного интел­
лекта. Многие товары рекламируются как содержащие искусственный интеллект, хотя
на самом деле его в них нет. Конечно, некоторые производители очень хотят попасть
в заголовки газет и сайтов невзирая на достоверность или правдивость сообщений.
Эта шпаргалка не развеет все мифы, но даст представление о некоторых интересных
возможностях, чтобы вы могли понять, почему искусственный интеллект так часто ис­
пользуется для решения рутинных задач. Да, его можно использовать для некоторых
удивительных вещей, но производители зачастую настолько все искажают, что никто
не может понять, насколько все действительно реально, а насколько это всего лишь
результат чьего-то хорошего воображения.

7 видов ишнеялеюпа
Люди демонстрируют семь видов интеллекта. Эти виды интеллекта позволяют отли­
чить людей от других мыслящих сущностей, таких как искусственный интеллект. Кроме
того, понимание этих видов интеллекта помогает осознать, в чем люди всегда будут
превосходить искусственный интеллект. Многие боятся, что устройства с искусствен­
ным интеллектом захватят мир и в конечном счете заменят людей. Да, искусственный
интеллект может стать весьма умным в определенной области интеллекта, но не как;
человек; он никогда не сможет продемонстрировать определенные виды интеллекта,
поскольку на самом деле мы не понимаем их сами.
Тип

Возможность
симуляции

Визуально-про- Средняя
странственный

Человеческие
инструменты

Описани

Модели, графика, диаграм­
мы, фотографии, рисунки,
трехмерные модели, ви­
део, телевидение и сред­
ства массовой информации

Интеллект физической среды, используется,
например, моряками и архитекторами
(и многими другими). Чтобы двигаться во­
обще, людям нужно ориентироваться в
своем физическом пространстве, учитывая
его размеры и особенности. Эта способ­
ность нужна интеллекту каждого робота
или ноутбука, но ее зачастую трудно
смоделировать (как с самоуправляемыми
автомобилями) или сделать достаточно
точной (как с пылесосом, который, обходя
препятствия, создает впечатление осмыс­
ленного движения)

U c M fC O H id e H H M U
q jA

Тип

ТВозможность
симуляции

ТелесноОт средней до
кинестетический высокой

" Творческий

Нет

Межличностный От низкой до
средней

и ш

и е л л е ю п

ч а й н и к о в '

Человеческие
инструменты

Описание

Специализированное
оборудование и ре­
альные объекты

Движения тела, как у хирурга или балерины,
требуют точности и понимания своего тела.
Роботы обычно используют этот вид интел­
лекта для выполнения повторяющихся задач
зачастую куда точнее, чем люди, но иногда с
меньшим изяществом. Следует делать разли­
чие между средством усиления возможностей
человека, таким как хирургическое устрой­
ство, улучшающее физические способности
хирурга, и истинным независимым движением.
Вышесказанное — это просто демонстрация
математической возможности, в которой все
зависит от действий хирурга

Художественная де­
ятельность, новый
образ мыслей, изо­
бретения, новые виды
музыкальных произ­
ведений

Творчество — это действие по выработке ново­
го образа мыслей, приводящее к уникальному
результату в виде произведения искусства,
музыки или литературы. Действительно, новое
произведение — это результат творчества.
Искусственный интеллект способен модели­
ровать существующий образ мыслей и даже
комбинировать их несколько, чтобы создать
уникальное представление о том, что уже су­
ществует, но в действительности является толь­
ко математически ориентированной версией
существующего образа. Для творчества искус­
ственный интеллект должен обладать самосо­
знанием, которое требует внутриличностного
интеллекта

Телефон, звуковая
конференц-связь, ви­
део конференц-связь,
записи, компьютерная
конференц-связь,
электронная почта

Взаимодействие с другими происходит на не­
скольких уровнях. Задача этого вида интеллек­
та — получать и предоставлять информацию,
а также обмениваться и манипулировать ею на
основании опыта других. Компьютеры способ­
ны отвечать на простые вопросы на основании
введенных ключевых слов, а не потому, что по­
нимают вопрос. Интеллект действует, получая
информацию, находя подходящие ключевые
слова и предоставляя затем информацию на
основании этих ключевых слов. Поиск терми­
нов в таблице с перекрестными ссылками и по­
следующими действиями согласно предостав­
ляемым таблицей инструкциям демонстрирует
логический интеллект, а не межличностный

иасчсап£енный ишнеллеюп
с/ля чайников ®
Тип

ТВозможность
симуляции

Человеческие
инструменты

Описание

Внутриличностный

Нет

Книги,творческие
материалы, дневники,
уединение и время

Взгляд внутрь себя, чтобы понять собственные
интересы, и последующая выработка цели на
основании этих интересов являются в настоя­
щее время прерогативой только человеческого
интеллекта. Как у машин у компьютеров нет
никаких нужд, желаний, интересов или творче­
ских способностей. Искусственный интеллект
обрабатывает введенные числа, используя на­
бор алгоритмов, и предоставляет вывод, но не
знает ни о том, что он делает, ни о том, зачем
он это делает

Лингвистический

Низкая

Игры, средства мас­
совой информации,
книги, устройства
звукозаписи и произ­
носимые слова

Работа со словами — это немаловажный
инструмент общения, поскольку разговор и
обмен письменной информацией происходят
намного быстрее, чем в любой другой форме.
Этот вид интеллекта подразумевает понимание
речевого и письменного ввода, его обработку
для формирования ответа и предоставление
результата в качестве понятного ответа. Во
многих случаях компьютеры могут лишь анали­
зировать ввод по ключевым словам, но вопрос
фактически не могут понять вообще

Логико­
математический

Высокая

Логические игры, ис­
следования, тайны и
головоломки

Вычисление результата, осуществление сравне-,
ний, исследование шаблонов и выявление вза­
имозависимостей — все это области, в которых
компьютеры сейчас превосходны. Победа ком­
пьютера над человеком на телевикторине —
это практически единственный общеизвестный
вид интеллекта из семи. Да, вы могли бы за­
мечать небольшие фрагменты других видов
интеллекта, но в фокусе находится этот. Оценка
различий интеллекта человека и компьютера
на базе только одной области — это отнюдь не
лучшая идея

искусственный интеллект
quA чайников @

Наиболее популярные реальные случаи использования
искусственною ишнеллеюна
При фактическом использовании искусственного интеллекта возникает два типа за­
блуждений. Первый тип имеет отношение к интеллектуальным устройствам, которые
просто обеспечивают подключение к серверному приложению, создавая впечатле­
ние применения искусственного интеллекта. Например, интеллектуальный термометр
может подключаться к вашему смартфону, но никак не полагается на искусственный
интеллект, чтобы что-нибудь сделать. Однако термометр, программирующий сам себя
на основании устанавливаемой вами температуры в доме, действительно полагается
на искусственный интеллект, чтобы обеспечить дополнительные функциональные воз­
можности.
Второй тип заблуждений имеет отношение к устройствам, которые используют ис­
кусственный интеллект, но не тем способом, которым он, вероятно, мог бы сработать.
Например, интеллектуальный помощник, предназначенный для поиска наилучших
решений, обречен на неудачу, поскольку принятие решений находится вне области
возможностей искусственного интеллекта. С другой стороны, интеллектуальный по­
мощник, который помогает находить ресторан, включать свет и хранить список встреч
(гарантируя отсутствие в них накладок), вероятно, будет работать, если в приложении
нет ошибок и вы предоставите соответствующие исходные данные.
В следующей таблице приведены продукты, которые в настоящее время доступны, от­
носительно автономны, достаточно недороги для многих людей и фактически работа­
ют. Все они в некотором роде полагаются на искусственный интеллект.
Продукт

URL

Описание

Arterys

h tt p s :/ / a r t e ry s .
com/

Движения тела, как у хирурга или балерины, требуют точ­
ности и понимания своего тела. Выполняет сканирование
сердца за 6-10 мин, а не за час, как обычно. Пациентам
не приходится также задерживать дыхание. Удивительно,
но эта система получает несколько размерностей данных
(анатомия сердца, скорость кровотока и направление кро­
вотока) за очень короткое время

Clocky

h tt p s :/ / n a n d a h o m e .
com/

Действует как будильник для тех, кому нелегко встать
утром. Устройство дает вам один шанс подняться, а затем
перемещается в случайном направлении, чтобы вынудить
вас встать с кровати, чтобы его выключить

Enlitic

h t t p s : / /www.
e n lit ic .c o m /

Анализирует рентгеновские снимки за миллисекунды — в
10 тысяч раз быстрее, чем рентгенолог. Кроме того, система
на 50% лучше в классификации опухолей и имеет более
низкий коэффициент ошибочно негативных диагнозов (О
против 7% у людей)

искусственный интеллект.
(jaa чайников'’

Продукт

URL

Описание

Н от-Во

h t t p :/ / v w w .lg .c o m / u s /
v a c u u m - c le a n e r s / lg -

Пылесосит ковры и полы. У этого робота превосходный
искусственный интеллект наряду со многими интеллекту­
альными сенсорами, поэтому обычно ему удается избежать
столкновений с предметами. Его можно также запрограмми­
ровать на использование различных стратегий чистки (для
гарантии, что он ничего не пропустит, следуя все время по
одному и тому же шаблону чистки)

CR5765GD

K'Watch

h tt p :/ / w w w .p k v it a lit y .
c o m / k t r a c k - g lu c o s e /

Обеспечивает постоянный контроль глюкозы, а также предо- *
ставляет приложение, которое люди могут использовать для
получения полезной информации о состоянии своей диа­
бетической болезни

Moov

h t t p s :/ / w e lc o m e .m o o v .c c /

Контролирует ритм сердца и его трехмерное движение.
Искусственный интеллект этого устройства отслеживает
статистику и дает советы относительно лучшей разминки.
Фактически вы получаете советы о том, как лучше ставить
ногу во время бега и стоит ли увеличить шаг. Задача этого
устройства — гарантировать наилучшую разминку, которая
улучшит здоровье, без риска получить травму

QardioCore

h t t p s :/ / w w w .g e t q a r d io .
com/

Снимает кардиограмму без использования проводов, допу­
скается применение персоналом без высокой медицинской
квалификации. Как и многие подобные устройства, это пола­
гается на ваш смартфон, чтобы выполнить анализ и связать­
ся при необходимости с внешними источниками

Robomow

h t t p s : / / www. robomow. с о т /

Косит траву

Roomba

h t t p : //www. i r o b o t . с о т /

Пылесосит ковры и полы. Имеет привычку врезаться в пред­
меты; не видит их и не может избежать столкновений, по­
этому его искусственный интеллект чрезвычайно прост. Его
аналог, Braava, моет полы шваброй, a Mirra чистит бассейн.
Если пол нужно и пропылесосить, и вымыть, то вместо них
можно использовать Scooba

Sentrian

h t t p : / / s e n t r ia n . со т/

Контролирует уровень сахара в крови и другую статистику
хронических болезней, позволяя использовать собранные
данные для прогноза болезни прежде, чем она обострится.
Вносит изменения в список лекарств и поведение пациента
прежде, чем событие сможет произойти; Sentrian снижает
количество неизбежных госпитализаций, улучшая качество
жизни пациентов и сокращая медицинские затраты

и а сц са п в е н н ь ш

и ш

н е л л е ю п

с/ля чайников®

Основные поапав1и,ики иаа/саивенного ишпеллеюна
Невозможно перечислить всех производителен, имеющих отношение к искус­
ственному интеллекту. Их довольно много, и небольшие компании нередко бы­
стро закрываются, так как исследования довольно дороги. Вот список основных
производителей искусственного интеллекта, на которых имеет смысл обратить
внимание.
■

Amazon

■

Apple

■

Baidu

■

Cylance

■

Deloitte

■

Electronic Arts

■

Facebook

■

Google

■

IBM

■

Intel

■

Linkedln

■

Lockheed Martin

■

Microsoft

■

MITRE

■

NASA

■

NVidia

■

Sizmek, первоначально — Rocket Fuel

■

Sentient Corporation

■

Tesla

■

Uber

тм

Uacifcan£eKHbtu ишиеллеюи
с/лл чайников9

Основные nfioueeoqufHexu искусственною ишпеллеюна
Искусственный интеллект используется не во всех отраслях промышленности.
Некоторые отрасли занимают выжидательную позицию, когда дело доходит до искус­
ственного интеллекта, поскольку он все еще не доказал свей ценности, а владельцы
этих сфер помнят прошлые зимы искусственного интеллекта. Кроме того, исследова­
ния в области искусственного интеллекта сосредоточены лишь на определенных от-'
раслях промышленности, в которых искусственный интеллект фактически работает.
Искусственный интеллект требует большого количества исходных данных и полагается
на алгоритмы для обработки этих данных, чтобы затем предоставить вывод, который
в наилучшем случае соответствует требованиям. Некоторые отрасли промышленности
даже не могут соответствовать основным требованиям, и, что гораздо важнее, осталось
сделать еще очень многое, чтобы искусственный интеллект стал полностью пригодным
для использования. Вот основные отрасли промышленности, которые инвестируют в
исследования искусственного интеллекта и используют его.
Область инвестирования

Типы приложений

Процент

Отрасли, связанные с примене­
нием компьютеров

Аппаратные средства, программное обеспечение
и ГТ

33,33

Связь

Телекоммуникации, Интернет и сетевые средства маесовой информации

14,30

Бизнес-услуги

Маркетинг, реклама, консалтинг по менеджменту, финансовые услуги и банковское дело

8,48

Промышленные товары

Производство автомобилей, электрического, электроннога и полупроводникового оборудования

5,72

Потребительские товары

Розничная продажа, бытовая электроника и развлечения

5,21

Исследования

Поиск в Сети

3,37

Здравоохранение

Больницы, организация здравоохранения, страхование
от болезней

2,86

Правительство

Администрирование

2,04

Управление ресурсами

Нефть и электроэнергия

1,33

Ч то тако е и ск усств е н н ы й и н те л л е кт?

Искусственный интеллект является захватывающим и немного
жутковатым. Он вокруг нас. Искусственный интеллект помогает
защитить от мошенничества, контролировать расписание медицинских
процедур, он способен работать в клиентской службе и даже помогает
вам в выборе телешоу и приборке вашего дома. Хотите узнать больше?
Эта книга восполняет пробелы, знакомя вас с тем, что представляет
собой искусственный интеллект и чем он не является, рассматриваются
также этические вопросы использования искусственного интеллекта, его
современное применение и некоторые из удивительных вещей, на которые
он, вероятно, будет способен завтра. Независимо от уровня образования
вы будете очарованы тем, что узнаете!
Д ж о н М ю ллер — автор более
108 книг и 600 статей на темы
от искусственного интеллекта и
работы с сетями до управления
базами данных. Он также
является техническим редактором
и консультантом.
Л у к а М ассарон — аналитик
данных и директор по
маркетинговым исследованиям,
специализирующийся на
многомерном статистическом
анализе, машинном обучении и
изучении ожиданий потребителей.

АЦДЛЕКШиКА
www.dialektika.com

Изображение на обложке:
(DDepositphotos.com/27247835
Автор: VLADGRIN

Искусственный интеллект

ISBN 978-5-907114-57-9

для

чайников

9 " 785907 " 1 14579