Ян ЛеКун, віцепрезидент і керівник відділу Штучного інтелекту компанії Meta, опублікував нову статтю, в якій виклав своє бачення «автономного» штучного інтелекту, здатного навчатися і пізнавати світ у більш людський спосіб, ніж сучасні моделі машинного навчання.

За майже 70 років, що минули з того часу, як ШІ був вперше представлений громадськості, машинне навчання стрімко зросло в популярності та досягло запаморочливих висот. Проте, попри те, як швидко ми почали покладатися на потужність обчислень, одне питання переслідує цю сферу майже так само довго, як і з моменту її зародження: Чи зможуть ці надрозумні системи одного дня набути достатньо розумності, щоб зрівнятися з людством, або навіть перевершити його?

Попри деякі сумнівні нещодавні заяви (наприклад, колишнього інженера Google, який стверджував, що перед його звільненням чат-бот набув розуму), ми ще далекі від цієї реальності. Замість цього одним з найбільших бар’єрів на шляху до панування роботів є той простий факт, що в порівнянні з тваринами та людьми, нинішнім системам штучного інтелекту бракує розуму — концепції, необхідної для розвитку «автономних» систем машинного інтелекту, який може навчатися, спостерігаючи за реальним світом, а не за допомогою тривалих тренувань для виконання конкретного завдання.

Тепер нове дослідження, опубліковане на початку цього місяця в Open Review.net ЛеКуном, пропонує спосіб розв’язати цю проблему шляхом навчання алгоритмів більш ефективному навчанню, оскільки ШІ довів, що він не дуже добре прогнозує і планує зміни в реальному світі. З іншого боку, люди та тварини здатні отримати величезну кількість знань про те, як влаштований світ, шляхом спостереження і з надзвичайно малою фізичною взаємодією.

ЛеКун, окрім того, що очолює напрямок ШІ в компанії Meta, також є професором Нью-Йоркського університету і присвятив свою видатну кар’єру розробці систем навчання, на які сьогодні покладаються багато сучасних програм ШІ. Намагаючись дати цим машинам краще розуміння того, як функціонує світ, його можна назвати батьком наступного покоління ШІ. У 2013 році він заснував групу Facebook AI Research (FAIR), яка стала першою спробою Meta експериментувати з дослідженнями ШІ, а через кілька років пішов у відставку і став головним науковцем компанії з ШІ.

З того часу Meta з різним успіхом намагається домінувати в цій галузі. У 2018 році їхні дослідники навчили штучний інтелект відтворювати очні яблука в надії полегшити користувачам редагування своїх цифрових фотографій. На початку 2022 року чат-бот BlenderBot3 компанії Meta (який опанував напрочуд злі наміри на адресу свого творця) викликав дебати про етику ШІ та упередженість даних. Інструмент Meta Make-a-Video здатний анімувати як текст, так і одиничні та парні зображення у відео, що є ще однією поганою новиною для колись перспективного мистецтва, створеного штучним інтелектом.

Наприклад, підлітки можуть навчитись водити машину лише за кілька десятків годин повторення, не випробовуючи себе в аварії. Системи машинного навчання, з іншого боку, повинні бути навчені на шалено великих обсягах даних, перш ніж вони зможуть виконати те ж саме завдання.

«Машині довелося б багато разів падати зі скелі, перш ніж вона зрозуміла б, що це погана ідея», — сказав ЛеКун, представляючи свою роботу в Каліфорнійському університеті – «А потім ще кілька тисяч разів, перш ніж вона зрозуміє, як не з’їжджати зі скелі». Ця відмінність полягає в тому, що люди та тварини мають здоровий глузд.

Хоча поняття здорового глузду можна звести до практичного судження, ЛеКун описує його в статті як набір моделей, які можуть допомогти живій істоті зробити висновок про різницю між тим, що ймовірно, що можливо, і що неможливо. Таке вміння дозволяє людині досліджувати своє оточення, заповнювати інформацію, якої бракує, а також уявляти нові розв’язання невідомих проблем.

Проте, здається, що ми сприймаємо дар здорового глузду як належне, оскільки вченим поки що не вдалося наділити ШІ та алгоритми машинного навчання жодною з цих можливостей. Під час цієї ж доповіді ЛеКун також зазначив, що багато сучасних процесів навчання, таких як методика навчання з підкріпленням — метод навчання, заснований на заохоченні сприятливої поведінки та покаранні небажаної — не відповідають рівню надійності людини у виконанні реальних завдань.

«Це практична проблема, тому що ми дійсно хочемо машини зі здоровим глуздом. Ми хочемо самокеровані автомобілі, ми хочемо домашніх роботів, ми хочемо розумних віртуальних помічників», – сказав ЛеКун.

Тож з метою просування досліджень в галузі ШІ протягом наступного десятиліття в роботі ЛеКуна пропонується архітектура, яка б працювала на мінімізацію кількості дій, які необхідно виконати системі для успішного навчання і виконання поставленого завдання.

Подібно до того, як різні ділянки мозку відповідають за різні функції організму, ЛеКун пропонує модель для створення автономного інтелекту, який складатиметься з п’яти окремих, але сконфігурованих модулів. Одна з найскладніших частин запропонованої архітектури, “модуль моделі світу”, буде працювати для оцінки стану світу, а також прогнозування уявних дій та інших світових послідовностей, подібно до симулятора. Але завдяки використанню цього єдиного механізму моделі світу — знання про те, як функціонує світ, можна легко поширювати між різними завданнями. Певним чином це може нагадувати пам’ять.

Звісно, попереду ще багато важкої роботи, перш ніж автономні системи навчаться справлятися з невизначеними ситуаціями, але в такому хаотичному і непередбачуваному світі, як наш, це питання, без сумніву, доведеться вирішувати рано чи пізно. Але поки що боротьба з цим хаосом є частиною того, що робить нас людьми.