Вже зараз можна спостерігати приклади, як технології штучного інтелекту здатні виявляти деякі, що здаються на перший погляд і властиві тільки людині риси. Ми створюємо гуманоїдних роботів, як мінімум дуже схожих на нас, деякі займаються тим, що створюють алгоритми, здатні виконувати те, на що зазвичай здатні тільки люди - писати музику, картини або займатися навчанням.
З розвитком цієї сфери компанії і розробники починають шукати можливість змінити саму основу, на базі якої зараз створюються алгоритми штучного інтелекту, і приймаються за дослідження справжнього інтелекту, а також способу, як ефективно імітувати його в машинобудуванні і створенні програмного забезпечення нового покоління. Однією з таких компаній є IBM, яка поставила перед собою амбітне завдання навчити ІІ поводитися (правильніше буде сказати працювати) більше як людський мозок, а не як набір запрограмованих алгоритмів.
Більшість існуючих систем машинного навчання будуються навколо необхідності використання величезного набору різних даних. Будь то комп'ютер, покликаний шукати шляхи перемоги в логічній грі го, або система, побудована для визначення ознак раку шкіри на базі цифрових зображень - це правило працює завжди. Але така основа для роботи виглядає дуже обмеженою і стислій, і звичайно ж саме це суттєво відрізняє такі системи від того, як працює людський мозок.
Компанія IBM хоче це змінити. Дослідницька команда з DeepMind створила синтетичну нейронну мережу, в основі якої лежить раціональне прийняття рішень при роботі над тією чи іншою завданням.
Раціональні машини «Давши штучного інтелекту безліч об'єктів і конкретне завдання, ми змушуємо мережу виявляти існуючі відповідності», - коментує на сторінках Science Magazine Тімоті Ліллікреп, комп'ютерний фахівець команди DeepMind.
У тестах мережі, що проводилися в червні, системі, при наявності безлічі факторів давали різні завдання, пов'язані з цифровим зображенням. Наприклад, таку: «Перед синьою штукою на зображенні знаходиться об'єкт. Він має таку ж форму, як і та крихітна блакитна річ, що знаходиться праворуч від сірого металевої кульки? »У цьому тесті штучна нейронна мережа змогла визначити потрібний об'єкт в 96 відсотків випадків, в той час як звичайні моделі машинного навчання змогли впоратися із завданням в 42-77 відсотках випадків.
Останнім часом штучні нейтронні мережі продовжують удосконалюватися в розумінні людської мови. Дослідники ж хочуть, щоб крім прийняття розумних рішень такі системи могли демонструвати і зберігати увагу, а також зберігати спогади.
За словами Ірини Ріш, дослідника компанії IBM, розвиток штучного інтелекту можна було б істотно прискорити і розширити за рахунок застосування подібних тактик.
«Удосконалення нейронних мереж залишається предметом інженерії, як правило вимагає величезної кількості часу, щоб прийти до потрібної архітектурі, що працює краще за все. По суті - це метод людських проб і помилок. Було б здорово, якби ці мережі могли самі себе створювати і вдосконалювати ».
Деяких, звичайно може налякати думка про ІІ-мережах, здатних самі себе створювати і покращувати, але якщо знайти грамотний спосіб стежити, контролювати і управляти цим процесом, то це дозволить нам вийти за рамки існуючих зараз обмежень. Незважаючи на наростаючий страх про революцію роботів, які всіх нас будуть служити, розвитку сфери ІІ пророкують тисячі врятованих життів в медицині, відкриття для нас можливості відвідати і навіть оселитися на Марсі і багато іншого.