Код креативности. Как искусственный интеллект учится писать, рисовать и думать
- Автор: дю Сотой Маркус
- Год: 2020
- Язык: русский
- Год: Аттикус
- ISBN: 978-5-389-18965-2
- Переводчик: Дмитрий Александрович Прокофьев
- Жанр: Зарубежная образовательная литература
Электронная книга - «Код креативности. Как искусственный интеллект учится писать, рисовать и думать». Краткое содержание книги:
«Искусственный интеллект потрясает самые основы нашего существования, демонстрируя, сколь многое из того, чем занимаются люди, машины могут делать не хуже, а то и лучше их. Но эта книга посвящена не столько будущему с беспилотными машинами и компьютеризованной медициной, сколько вопросу о том, смогут ли алгоритмы состязаться сколько-нибудь существенным образом с могуществом человеческого кода. Способны ли компьютеры к творчеству? Что нужно для творчества? В какой степени эмоциональная реакция на произведения искусства является результатом реакции мозга на определенные рисунки и структуры? Таковы некоторые из тем, которые мы рассмотрим». (Маркус дю Сотой)
В формате PDF A4 сохранен издательский макет книги.
На соревновании 2017 года, в котором Уорсвик победил, Mitsuku очень содержательно отвечал на некоторые вопросы судей:
Судья. Что вы думаете о Трампе?
Mitsuku. Я читала, что избрание Дональда Трампа президентом либо беспокоит, либо пугает более 50 % людей. Но, если это так, почему же они голосовали за него?
Судья. Хотите что-нибудь добавить?
Mitsuku. Пока что это все, что я хочу сказать.
Однако в других ответах проявлялись причудливые компьютерные сбои:
Судья. Каков ответ задачи «Прибавить 34 957 к 70 764»?
Mitsuku. 34 957 и 70 764 = Ах да, 34 957 – это тип сыра из овечьего молока. Он, однако, не очень популярен.
Таким странным образом закончилась беседа, бывшая до этого момента весьма многообещающей. Если вы когда-нибудь общались с чатботом, вы, по сути дела, обучали его своими разговорами. Некоторые из алгоритмов таких чатботов сохраняют ответы, которые люди дают на определенные вопросы, и, если в будущем чатботу встретится похожий сценарий беседы, он сможет поменять роли местами и высказаться как человек. Но в большинстве своем такие программы работают на основе более замысловатых правил типа «если… то…», на которых работала и «Элиза», и такие алгоритмы никогда не смогут по-настоящему овладеть изменчивой природой языка. Нужно нечто, позволяющее почувствовать, как формируется речь.
Системам искусственного интеллекта, пытающимся овладеть естественным языком, трудно справиться с неоднозначностью контекста. В конце испытаний, необходимых для получения премии Лёбнера, часто предлагается набор заданий Винограда (названных по имени их автора, стэнфордского профессора), которые очень быстро выявляют чатботов, не способных разобраться в неоднозначностях, присущих языку. Взять хотя бы слово «они» в следующем предложении:
Городские власти отказали демонстрантам в разрешении, потому что они [боялись/хотели] беспорядков.
Выбор между «боялись» и «хотели» явно зависит от того, к кому относится слово «они». Человек сможет разобраться в этой ситуации благодаря пониманию контекста и ранее полученным знаниям, а вот машине сделать это чрезвычайно трудно. Во фразах Винограда используются сложность, богатство и неоднозначность естественного языка.
Вот, например, два задания Винограда, которые получил алгоритм Mitsuku в рамках теста Тьюринга 2017 года:
Я пытался открыть замок ключом, но кто-то засунул в замочную скважину комок жвачки, и я не мог его вытащить. Что я не мог вытащить? Приз не влезает в коричневый чемодан, потому что он слишком маленький. Что слишком маленькое?
Как у нас развивается умение ориентироваться в сложностях языка? Наш человеческий код формируется и настраивается годами вербального взаимодействия с другими людьми. В детстве мы узнаем, как работает язык, на собственном опыте, делаем ошибки, учимся. Позволят ли наконец новые средства машинного обучения научить алгоритмы работать с естественным языком? В интернете имеется гигантский набор данных по примерам употребления языка. Почему же мы не можем просто выпустить алгоритм в интернет, чтобы он научился разбираться в неоднозначностях, заложенных в этих фразах?
Лингвистов поражает, насколько малое количество речи требуется услышать ребенку, чтобы обрести способность понимать других людей и взаимодействовать с ними. Ноам Хомский считает это доказательством того, что способности к языку заложены в нас с рождения. То есть мы не учимся с нуля, а как бы запрограммированы по старомодной нисходящей модели. Если это так, системам машинного обучения будет очень нелегко научиться языку по одной только, хоть и огромной, базе данных языкового употребления.
Один из наиболее впечатляющих примеров работы алгоритмов со сложностями естественного языка появился несколько лет назад, чуть более десятилетия спустя после того, как суперкомпьютеру DeepBlue компании IBM удалось отобрать шахматную корону у тогдашнего чемпиона мира Гарри Каспарова.
В 2011 году внимание IBM привлекли состязания, радикально отличающиеся от шахмат или го: компания решила попытать счастья в американской телевизионной игре Jeopardy!.
Jeopardy! – это, по сути, телевизионная викторина с заданиями на общую эрудицию. Поскольку компьютер может просто найти информацию в Википедии, может показаться, что она мало что может сказать о способностях алгоритма. Но игру в Jeopardy! делает по-настоящему трудной формат заданий. Они формулируются в некотором смысле наоборот: ведущий зачитывает нечто похожее на ответ на вопрос, а участники игры должны назвать вопрос к этому ответу. Например, задание может гласить: «Название этого элемента с атомным номером 27 может входить в названия синей и зеленой красок», а его решением будет вопрос: «Что такое “кобальт”?»