Кратка история на иновациите

Проблемът се крие отчасти в това, че когато компютрите научат хитри трикове, веднага преквалифицираме задачата като ниско интелигентна и осъзнаваме, че е постигната без разбиране. Предвиждането на желанията ни, които телефоните изпълняват във всекидневието, е изкуствено интелигентно, но ние не мислим така, защото знаем, че е плод на немислещ алгоритъм. Когато компютърът „Дийп Блу“ на IBM победи с малко Гари Каспаров в шахматен двубой през 1997 г., това беше крайъгълен камък в развитието на компютърния ум, но постижението беше пренебрегнато като триумф на грубата сила. „Дийп Блу“ изчисляваше по 330 милиона позиции в секунда, но не мислеше, нито имаше въображение или чувства.

Двайсет години по-късно, през 2016 г., лондонският стартъп „Дийп Майнд“ порази света с програмата си „АлфаГо“, която победи световния шампион по играта го, а турнирът беше предаван по телевизиите в Азия. Епизодът отбеляза повратен момент в историята на изкуствения интелект и породи нова вълна на възбуда, при това не само в Китай. Дали и това ще се окаже нова „зима за изкуствения интелект“, или този път ще е различно?

Го е твърде сложна игра за техниката с груба сила, която помогна на „Дийп Блу“, а ключовият елемент в „АлфаГо“ е способността ѝ да учи. Програмата не е обучена на правилата на го, а ги е усвоила от примери от играта чрез невронни мрежи (последната версия на програмата въобще не се консултира с човешки игри). Така програмистите зад „АлфаГо“ нямат никаква идея защо избира точно такива ходове. Ход 37 в партия № 2 е описван от експертите като „креативен“ и „уникален“ понеже нарушава всички нормални правила и изглежда глупав. Лий Седол се бави необичайно дълго, преди да отвърне, и въпреки че отговорът му също е необикновено умен, накрая губи партията след също толкова брилянтни решения на „АлфаГо“ при ходове 151, 157 и 159.

Така фокусът към изкуствения интелект се измества от подхода на „експертната система“, при който умни хора се опитват да предадат знанията си на компютри, към обучаване, при което програмите сами намират начини за решаване на проблемите. Това става възможно заради три характеристики на съвременния компютърен свят: нов софтуер, нов хардуер и нови данни. Новият софтуер е рожба поне отчасти на Джофри Хинтън, учен от британски произход, установил се в Торонто. Семейното дърво на Хинтън е богато с известни математици, ентомолози и икономисти, а той самият е учил психология, преди в началото на 1990-те години да разработи схващането за „обратно разпространение на сигнал за грешка“ в невронните мрежи. Това по същество е метод за обратна връзка, който позволява на подобни мрежи да правят вътрешни репрезентации на света чрез „обучение без учител“. Такива програми били с много ограничен капацитет, докато потокът от данни не се увеличи експоненциално през последното десетилетие, и днес са забележително добри в обобщаването и получаването на прозрения от дълбоко теглене на данни, без да получават никакви подробни инструкции как да го правят. Така например чрез усвояването на множество примери на сканиране на тумори на простатата компютърът вече може да се научи как да разпознае и да очертае тумор за целева радиология. Тази задача отнема много време, ако се прави на ръка от високоплатен радиолог.