Может машина мыслить?

Может машина мыслить?

Знаменитый вопрос Алана Тьюринга вполне может получить положительный – и, главное, убедительный – ответ от Пола Аллена (о котором см. статью в этом номере журнала). Причем в недалеком будущем. Тому свидетельством – разрабатываемые проекты создания искусственного интеллекта в одноименном американском институте – Allen Institute for Artificial Intelligence (AI2), основанном в 2013 году бывшим сотворцом и совладельцем Microsoft. Эти проекты и стали очередными «экспонатами» нашего виртуального музея компьютерных и коммуникационных технологий.

Конкретно перед сотрудниками AI2 была поставлена задача создания систем искусственного интеллекта, способных принимать «разумные» – в нашем человеческом понимании – решения. А как минимум способных обучаться и воспринимать визуальную и текстовую информацию. Иначе говоря, обладать способностями и интеллектуальными возможностями школьника, сдающего экзамен.

Флагманский проект института носит название «Аристотель» (Aristo) – как, впрочем, и другие проекты (о них пойдет речь ниже), названные в честь великих мыслителей античности. Компьютерная система Aristo должна будет успешно сдать школьные экзамены за 4-й, 8-й и 12-й классы. Для чего ей предстоит самостоятельно проштудировать соответствующие учебники и учебные пособия. А до этого – построить мысленную модель «хода вещей» в той или иной дисциплине, после чего скорректировать модель с учетом информации, почерпнутой в учебниках. И в результате правильно ответить на вопрос «экзаменатора».

Предполагается, что машина будет работать следующим образом: 1. Сначала она экстрагирует факты из различных источников и преобразует эти факты в структурированную «базу знаний». 2. Затем подвергнет задаваемые вопросы грамматическому разбору и переработает их (вместе с прилагаемыми диаграммами) в целях выбора лучшей «стратегии ответа». 3. И, наконец, используя программы упорядочивания, статистического анализа и перекрестных ссылок, выдаст правильный ответ.

Другой проект – «Евклид» (Euclid), как следует из названия, нацелен на решение машиной чисто математических задач, сформулированных вербально или с помощью геометрических схем и рисунков. Такой машине придется учиться распознавать не только речь, но и визуальную информацию – графики, диаграммы и прочее. В частности, одна из таких «сквозных» (или «всеобъемлющих» – end-to-end) систем, GeoS, учится решать школьные и вузовские задачи погеометрии.

Есть еще проект «Платон» (Plato), призванный научить машину распознавать исключительно визуальную информацию – статическую (слайды) и динамическую (видео). И на основании только ее создавать «базы знаний» для нахождения правильного ответа.

В рамках этого проекта разрабатывается несколько подпроектов: BiDAF (Bi-directional Attention Flow – «двунаправленный поток внимания»), imSitu (набор данных, необходимых для общей оценки ситуации), XNOR-Net (классификация образов с помощью бинарных «сверточных» искусственных нейросетей), Learning to Predict the Effects of Forces (предсказание дальнейшего поведения материального объекта на основании оценки его геометрического положения и действия нанего внешних сил), Charades (решение видеоголоволомок), VisKe (VISual Knowledge Extraction – система поиска решений на основании визуальной верификации соотносящихся друг с другом фраз), LEVAN (полностью автоматизированная обучающая программа, позволяющая получить всю необходимую информацию о рассматриваемом визуальном образе).

Наконец, разрабатывается еще одна программа, запущенная в ноябре 2015 года и не нашедшая себе имени среди великих умов древности: Semantic Scholar (буквально «Ученый-семантик»). Это целый компьютерный сервис, с помощью которого обучающаяся машина сможет выискивать требуемую информацию из научной литературы. Причем выискивать «с пониманием» – семантическим и текстуальным – того, что она делает. А именно: сначала определить ключевые работы по заданной тематике либо составить список наиболее цитируемых работ или результатов, на которые ссылается автор разбираемой статьи.

Вообще-то отбор нужной литературы в нынешнем информационном океане – первый этап работы любого «живого» исследователя, пора начинать обучать этим навыкам и компьютеры, которые в недалеком будущем будут носить гордые названия «интеллектуальных». А начали исследователи из AI2 обучать компьютер искусству поиска и фильтрации релевантной информации с какого журнала? Правильно – с годового комплекта Computer Science за 2015 год! «Родную» науку компьютер уж как-нибудь да осилит.

Владимир Гаков

Комментарии могут оставлять только зарегистрированные пользователи