Изкуствен интелект Това, което AI учи за човешкия интелект - спектър на науката
Когнитивна наука: Какво учи ИИ за нашата интелигентност
През 1996 г. системата Deep Blue AI победи действащия световен шампион по шах Гари Каспаров. 20 години по-късно AlphaGo победи един от най-добрите играчи в света, южнокорейският Лий Седол. Днес ИИ могат да различат злокачествения от доброкачествения рак на кожата, могат да паркират коли и да контролират военни дронове. В бъдеще те ще ни правят компания под формата на домакински и грижовни роботи. Това поражда много въпроси: За какво може да се използва изкуственият интелект? Дали системите ще бъдат по-умни от нас? Трябва ли да имитират човешки способности, за да направят това? И какво можем да научим от това за човешката интелигентност?
Ако искате да пресъздадете човешкия интелект, трябва да определите какъв е той всъщност. Това включва много различни умения: използване на инструменти, планиране на действия, разработване на теории, креативност, разбиране на езика и няколко други. Те са вградени в мрежови основни умения: сетивно възприятие, емоционална оценка, контрол на действията.
Много от тези умения ни се струват естествени. Склонни сме да придаваме интелигентност на специални умения като по-задълбочено разбиране на математиката. Сравнението със системите с ИИ обаче показва колко сложни са всъщност нашите банални способности. В историята на изкуствения интелект два пъти се предполага, че системите с изкуствен интелект скоро ще имат такива ежедневни умения: веднъж с първата вълна от невронни мрежи през 70-те години и втори път с вълната от експертни системи в края на 80-те и началото на 1990-те. И двете еуфории доведоха до „AI зима“ - фаза на разочаровани и потиснати очаквания.
В момента системите за ИИ все още мислят напълно различно от хората, точно както самолетите летят по различен начин от птиците, дори ако следват едни и същи основни физически принципи
Човешкият интелект и днешният ИИ - с дълбоко обучение като основен метод - имат коренно различни архитектури. Мозъкът и ИИ организират и обработват и двете информация за околната среда, но не по един и същи начин: Те се различават, например, по броя на нивата на обработка, техните мрежи, по механизмите на обучение и по това как възприятията, знанията и действията взаимодействат помежду си. Дори ако настоящият ИИ произвежда много мощни инструменти, той следователно може да допринесе малко за разбирането на човешкия интелект: Системите на ИИ също могат да произведат интелигентно мислене, но в момента те все още мислят напълно различно от хората; точно както самолетите летят по различен начин от птиците, дори ако следват едни и същи основни физически принципи. Освен това ИИ е далеч от развитието на човешки прозрения.
Основи на днешния ИИ
Най-известната в момента форма на ИИ се основава на метода на „дълбоко обучение“. Той изисква много голям брой примери като вход, които се състоят от входни и последващи данни, например изображения и свързани с тях „етикети“ като „котка“ или „рак на кожата“. От това той научава статистически модели и по този начин изгражда сложна мрежова структура, с която може да изчислява прогнози за нови входни данни, като например подходящия етикет за изображение. Обучението се състои в обработка на разликите между прогнозираните и наблюдаваните истински състояния на последствия, за да се промени мрежовата структура и претеглянията на мрежовите възли по такъв начин, че грешката в прогнозирането да е възможно най-малка. Системата AI се учи от обратната връзка, за да свърже примерите с правилните прогнози.
Като правило, системата за ИИ има много по-голяма база данни, достъпна за конкретна задача, отколкото хората. Докато най-добрите шахматисти могат да се върнат към десетки хиляди партии на шах или Go, AI може лесно да бъде захранван с милиони игри. Това дава възможност на системите за задълбочено обучение да откриват статистически закономерности, до които е трудно или невъзможно да се достъпи човек. Досега обаче това работи само за ограничени, ясно дефинирани задачи.
Какво точно означава това? В шаха има ограничен брой квадратчета, фигури и правила, които ясно определят състоянието на играта и кои движения са възможни в следващия момент. Винаги, когато ИИ е решавал задача по-добре от хората, това са били ясно дефинирани задачи. Следователно може да се предположи, че системите за изкуствен интелект могат по принцип да се справят по-добре от хората с всяка точно определена, крайна индивидуална задача, за която има достатъчно примери за обучение.
Но какво се случва, когато задачите не са ясно дефинирани? Ами ако първо трябва да се научи задачата и правилата на играта или целите се променят с течение на времето? Ние хората по-добре ли сме от AI по принцип и извън обсега ни, щом рамковите условия са размити и задачите, правилата или целите са променливи?
Шофьорът на автомобил, например, трябва да наблюдава пътната обстановка и да преминава през сложна строителна площадка едновременно, при всякакви метеорологични и светлинни условия. Могат ли самоуправляващите се автомобили да се справят с това? В момента се развиват специални системи за разпознаване на обекти, хора, лица и пътни ситуации. Надяваме се, че ако са свързани помежду си, автомобилът на бъдещето може да причини по-малко инциденти при нормален трафик от средния шофьор. Но това изисква не само функциониращи специални системи, но и общ здрав разум, който може да координира специалните системи и да идентифицира големи грешки. Точно тук хората и днешните системи за ИИ се различават по три начина.
1. Изкуственият интелект не е стабилен
AI системите могат да бъдат склонни към необичайно груби грешки. Ако AI е бил обучен с много примери да разпознава снимки на автомобили и снимки на щраус, то той по принцип може много добре да ги разграничава. Въпреки това могат да възникнат систематични грешки: Възможно е умишлено да се промени образът на автомобила толкова минимално, че ние, хората, да не възприемаме промяната, но AI я погрешно класира като щраус. По принцип една AI система може да се направи по-здрава, като я остави да научи, че тези различни примери за автомобили също трябва да бъдат класифицирани като такива. Но основният проблем остава: системата AI се е научила само на статистическо обобщение - използвайки голям брой регулиращи винтове в изкуствена невронна мрежа.
За разлика от това, човешкият мозък също има способността да изгражда умствени модели на нашия опит и по този начин систематично да прави далечни изводи извън настоящите сензорни впечатления, които дори дават обяснения. Една форма на обяснителна структура е известна още като генеративен модел. Той се основава на множество преживявания и с негова помощ нашият мозък генерира вътрешна хипотеза от определено сетивно възприятие, например за посоката, в която автомобилът се движи в момента и кои други обекти покрива. Такива хипотези са много по-стабилни от системите, ориентирани към класификацията, на които се основава дълбокото обучение. Колата никога не е погрешно класифицирана от хората като щраус, защото имаме различни и по-общи стратегии за моделиране, за да предотвратим подобни груби грешки.
2. Прогнозите за AI с дълбоко обучение са трудни за обяснение
AI системите се научават да правят правилни прогнози, като регулират лостовете - тоест тежестите, с които обработват информацията. Това им позволява да разпознават модели в данните. Получените статистически правила се разпределят в цялата мрежа; трудно можем или изобщо не разбираме правилата и със сигурност не можем да ги адаптираме директно. Системата не е обучена да прави разбираеми прогнози, дори ако по нея работят по-нови подходи: Можете да програмирате системата AI да прави видими съответните пикселни модели, на които се основава класификация. Но тези пикселни модели рядко могат да бъдат приписани на характеристика във външния свят, която можем да разберем. Пример за разпознаване на лица: Пикселните модели отговарят ли на абстрактна линия на лицето или по-скоро на друг систематичен контрастен модел, който се различава от нашите класове характеристики? Това остава отворено.
Досега системите за ИИ се основаваха на научени статистически закономерности, без да ги записват на мета ниво и да ги правят достъпни по такъв начин, че да можем да ги разберем. Дори системата за ИИ да е научила това, тя все още няма разбиране за съответните причинно-следствени връзки. Тъй като изобразява само връзки между входни и изходни данни, а не причина и следствие. Ето защо изкуствените невронни мрежи досега не са успели сами да развият просто световно знание.
3. Изкуственият интелект е по-малко гъвкав
Дълбокото обучение разчита само на алгоритми за обучение, които оценяват сходството. Ние, хората, имаме много различни стратегии за обучение. Можем да се поучим от едно преживяване, като изгаряне на пръстите. Учим се, като наблюдаваме другите или имитираме поведението им. Веднага можем да запишем съществени характеристики, например причинно-следствени връзки, и по този начин да предскажем последици и да планираме действия. Можем да игнорираме повърхностни прилики, като тази между делфините и рибите. Нашите теоретични познания ни спасяват от грешка: делфинът не е риба, а бозайник. Така че ние комбинираме различни учебни стратегии и знания, за да избегнем грешки.
Характеристика на човешкото познание е, че от една страна можем да се адаптираме към нови ситуации, от друга страна можем да оценим една и съща ситуация по един или друг начин. Когнитивната гъвкавост - и не високата когнитивна ефективност - е централна характеристика на човешкия интелект. Основната идея, че изкуственият интелект просто трябва да имитира индивидуалното човешко представяне, за да възпроизведе и разбере човешкото познание, изглежда наивна. За да бъде това успешно, той трябва да интегрира различни форми на обучение и взаимодействия между отделни учебни модули в своята мрежова архитектура.
Трите нива на интелигентни системи
Няма ли абсолютно никакви прилики между човешкия и изкуствения интелект? Британският невролог Дейвид Мар описва интелигентните системи на три нива. Първото, изчислително ниво е за това какво може да направи обработката на информация, например разпознаване на обект въз основа на определени характеристики. Тук фундаменталните констатации на ИИ могат да бъдат пренесени върху човешкото познание, тъй като общите принципи на обработка на информация се прилагат за всички системи, независимо дали хората, животните или компютрите.
На алгоритмично ниво става въпрос за пътя към решението, например как се комбинират и обработват отделни характеристики за идентифициране на обект. Въпреки това може да има много различни алгоритми, които решават една и съща изчислителна задача. За да се направи заключение за хората от AI, човек избира тези, които най-добре представят неговата когнитивна архитектура.
На ниво изпълнение алгоритъмът се прилага („внедрява“) или биологично в мозъка, или технически в електронна система. За да може да се сравняват хората и ИИ, изкуствената мрежа в компютъра трябва да съответства на невронната мрежа в мозъка. Последното обаче включва много, отчасти неразбрани биохимични процеси, които изкуствената невронна мрежа не картографира. Това не означава, че общите черти изчезват напълно, но съществува риск те да останат относително абстрактни. Заключенията от AI за невронната обработка на хората досега са били възможни само в много ограничена степен.
Биология срещу физика
Хората носят познавателна архитектура, която е биологично закрепена в мозъка. Основните механизми за самосъхранение осигуряват дишането, телесната температура, приема на калории и много други. Това води до основните нужди от храна, сън, физическа цялост, принадлежност, сексуалност и дори любопитство. На това се основават и нашите емоции. Като биологично-социални същества имаме усещания, чувства и съпричастност. На всяка система за изкуствен интелект днес липсва това: дори да е била обучена по нея, тя в най-добрия случай може да симулира основни нужди и емоции.
Това обикновено се оправдава с факта, че системите с ИИ нямат никакъв съзнателен опит. Но това е твърде недалновидно, защото хората обработват много несъзнателно. По-скоро е изключително важно изкуственият интелект да не трябва да поддържа биологичен баланс, за да се поддържа, и следователно не се нуждае от регулаторни механизми. Нашите основни нужди мотивират нас хората, наред с други неща, да изследваме нашата физическа и социална среда. По този начин ние разработваме модел на света и предположения за причинно-следствени връзки.
По този начин нашите биологично закотвени познания са по-разнообразни и свързани по различен начин от днешните системи за ИИ. Ние не просто възприемаме обектите пасивно, но активно ги изследваме и виждаме предварително какво можем да направим с тях. Нашето възприятие се формира от нашата култура и нашите преживявания; нашите мисли се основават на нашите възприятия и усещания. Това е радикална разлика: Днешните AI системи са идиоти за специални задачи или свързани модули за сложни задачи, но и на двете все още липсват емоции и здрав разум.
Къде трябва да отиде?
Ако изкуственият интелект допринася за фундаменталното разбиране на човешкия интелект, той трябва да бъде вграден биологично и ситуационно. С други думи: Здравият, гъвкав ИИ, базиран на човешки модели, трябва да бъде биологично мотивирана учебна система, която е оборудвана с взаимосвързани модули и която създава очаквания за околната среда. Такава система би могла да даде задълбочен поглед върху човешкото познание - включително неговото развитие - и да създаде изкуствен интелект, който заслужава името му.
Доколко подобни системи за изкуствен интелект могат да станат за нас? За това може само да се спекулира. Все още не е дешифрирана адекватно невробиологичната основа на нашия съзнателен опит. Реплика на съзнателен човешки опит с днешната технология за изкуствен интелект засега остава невъзможна. По същия начин се разбира само частично как се свързват възприятията и решенията, усещанията и емоциите. Но един ден вероятно ще разработим системи за изкуствен интелект, които могат да изчислят и вземат предвид емоционалното състояние на човешки аналог. Те не само ще се основават на корелации, но също така ще картографират причинно-следствените връзки. За тези архитектури ще възникне въпросът отново доколко те могат да пресъздадат човешкото мислене.
Дали ще живеем заедно с автономни роботи в средносрочен план, които не можем да различим от хората: чиста спекулация. Ще има обаче интелигентно работно оборудване, което се слива с нас като индивидуализирани инструменти - както смартфоните вече правят. В медицината може да се очаква, че ИИ ще разшири нашите когнитивни способности и че мозъчните импланти поне частично ще компенсират когнитивните ограничения, като дълбока мозъчна стимулация при Паркинсон вече днес. В малко по-нататъшното бъдеще може да има и изкуствени системи, организирани по съвсем различен начин, които показват по-дълбоко, причинно-следствено разбиране на света. В идеалния случай такива системи ще съветват хората по екологични и икономически въпроси, наред с други неща. Такъв силен ИИ крие опасности, но и потенциал за решаване на глобални проблеми.
Съвети за литература
Butz, M.V., Kutter, E.F.: Как умът се появява. Oxford University Press, 2017.
Newen, A., de Bruin, L., Gallagher, S. (Eds.): The Oxford Handbook of 4E Cognition. Oxford University Press, 2018.