История развития искусственного интеллекта

Первую волну развития ИИ принято ассоциировать со временем, когда люди начали выяснять, можно ли развить «интеллект» и повысить его возможности с помощью компьютеров. Ее началом стало создание Аланом Тьюрингом первого компьютера ENIAC. Те, кто смотрел фильм с Бенедиктом Камбербэтчем «Игра в имитацию», помнят, кто такой доктор Тьюринг (рис. 1). Во время конференции в Дартмуте в 1956 году «Искусственный интеллект» стал академической дисциплиной, вызывающей интерес научного сообщества. Эта тема оказалась в центре внимания с легкой руки Джея Маккарти из Дартмутского колледжа, М.Л. Мински из Гарвардского университета, Н. Рочестера из корпорации IBM и К. Шеннона из Bell Telephone. Большинство ученых сегодня считают эту конференцию днем рождения ИИ. К сожалению, усилия упомянутой группы первопроходцев не принесли ощутимых результатов, но, возможно, просто сказались завышенные ожидания.

Рис.1. Фильм с Бенедиктом Камбербэтчем «Игра в имитацию»  Просмотрено 20.12.2018

Сейчас уже мало кто вспомнит, что в журнале «Экономические стратегии» советский ученый Валерий Овчинников описывал примеры созданных в 1960-х годах арифметических устройств на пороговых логических элементах, которые могли обучаться за счет «взвешивания» сигналов на входах пороговых логических элементов. Современные нейронные сети обучаются схожим образом. Нейронные сети использовались для решения задач по противоракетной обороне на основе конвергенции микро- и биотехнологии. Книга «Искусство вычислять» была издана в нашей стране в начале 1970-х, и в ней описывается примерно то же самое, что сейчас учёные пытаются сделать с помощью нейронных сетей. Другой знаменитый источник – это «Проектирование быстродействующих микроэлектронных цифровых устройств», который написали В.В. Овчинников, В.Л. Дшхунян и Ю.Е. Чичерин.

Вторая волна развития ИИ была вызвана улучшением новых аппаратных и вычислительных мощностей, но у большинства высокопроизводительные вычисления не ассоциировались с «интеллектом». В 1986 году Ле Кун, один из ведущих ученых по искусственному интеллекту в области иследования ИИ, разработал метод глубокого обучения, основанный на алгоритме обратного распространения для нейронной сети. Это стало важной вехой в машинном обучении и рассматривалось в качестве первого этапа развития глубокого обучения. Однако прогресс застопорился из-за отсутствия ИИ-машины и нехватки данных для обучения нейронной сети.

В 1981 году Дэвид Хьюбел и Торстен Визель получили нобелевскую премию за «работы, касающиеся принципов переработки информации в нейронных структурах и механизмов деятельности головного мозга», в которых можно было найти аналогии с с современными сверточными сетями и рекуррентными сетями, а с 1986 по 2000 год каких-то особых прорывов не было.

Период, который начался в 2000 году и продолжается до сих пор, принято считать третьей волной, и ее нередко называют золотым веком ИИ. Бурно развиваются большие данные и распределенные вычисления, что помогает обучать нейтронные сети. Алекс Крижевский сконструировал AlexNet, сверточную нейронную сеть, и выиграл конкурс в ImageNet Large Scale Visual Recognition Challenge (ежегодная олимпиада по машинному зрению) снизив рекорд ошибок классификации с 26% до 15%, что тогда было прорывом. Результатом стала проверенная модель высокопроизводительного обучения, которую приняли многие ученые и эксперты. К другим важным приложениям относятся IBM Watson, голосовые ассистенты, алгоритмы автономного вождение, AlphaGo и Atlas от Boston Dynamics. Еще один пример – AlphaGo, которая победила чемпиона мира по го. (рис.2).

Google’s AlphaGo Levels Up From Board Games to Power Grids просмотр 20122018

Свёрточные нейронные сети — одна из самых влиятельных инноваций в области компьютерного зрения. Сегодня глубинное обучения лежат в основе услуг: Facebook использует для алгоритмов автоматического проставления тегов, Google — для поиска среди фотографий, Amazon — для генерации рекомендаций товаров, Pinterest — для персонализации домашней страницы пользователя, а Instagram — для поисковой инфраструктуры.

Рекуррентные нейронные сети – это тип искусственных нейронных сетей, разработанных для распознавания паттернов в последовательности данных: в тексте, геноме, почерке, произнесенные слова, или числовые последовательности, исходящие из сенсоров, рынка акций и т.д. РНН обладают памятью и сохраняют предыдущие значения в своем состоянии.

На протяжении многих лет люди пытаются развивать ИИ, который сможет самостоятельно создать новый ИИ. Сможет ли этот новый ИИ создать интеллект, который превзойдет человека? Некоторые считают, что это произойдет в 2030 или в 2045 году, и тогда мы придем к ситуации технологической сингулярности – то есть технологии станут настолько сложными и быстрыми, что человек перестанет их понимать и контролировать. Стоит ли ждать технологического апокалипсиса, покажет время.

Источник
Поделиться в:
Share on Facebook
Facebook
Share on VK
VK
Tweet about this on Twitter
Twitter
Share on LinkedIn
Linkedin
Теги:
У этой публикации нет комментариев

Напишите комментарий