Современный проект создания человекоподобного искусственного интеллекта (ИИ) стартовал после Второй мировой войны, когда было обнаружено, что электронные компьютеры - это не только машины для вычисления чисел, но также могут манипулировать символами. Достичь этой цели можно, не предполагая, что машинный интеллект идентичен человеческому. Это известно как слабый ИИ. Однако многие исследователи искусственного интеллекта преследовали цель разработки искусственного интеллекта, который в принципе идентичен человеческому интеллекту, так называемого сильного искусственного интеллекта. Слабый ИИ менее амбициозен, чем сильный ИИ, и поэтому вызывает меньше споров. Однако есть важные разногласия, связанные и со слабым ИИ. В этой статье основное внимание уделяется различию между общим искусственным интеллектом (AGI) и узким искусственным интеллектом (ANI). Хотя AGI можно классифицировать как слабый ИИ, он близок к сильному ИИ, потому что одной из основных характеристик человеческого интеллекта является его универсальность. Хотя AGI менее амбициозен, чем сильный AI, критика была почти с самого начала. Одним из ведущих критиков был философ Хьюберт Дрейфус, который утверждал, что компьютеры, у которых нет тела, детства и культурных практик, вообще не могут обрести интеллект. Один из основных аргументов Дрейфуса заключался в том, что человеческое знание частично неявно и поэтому не может быть сформулировано и включено в компьютерную программу. Однако сегодня можно утверждать, что новые подходы к исследованиям искусственного интеллекта сделали его аргументы устаревшими. Глубокое обучение и большие данные являются одними из последних подходов, и сторонники этого утверждают, что они смогут реализовать AGI. Более пристальный взгляд показывает, что, хотя развитие искусственного интеллекта для конкретных целей (ANI) было впечатляющим, мы не подошли намного ближе к разработке общего искусственного интеллекта (AGI). Далее в статье утверждается, что это в принципе невозможно, и возрождается аргумент Хуберта Дрейфуса о том, что компьютеров нет в мире.

Как только не объяснял человек природу своего сознания и мышления на протяжении истории, начиная с библейской легенды о «сотворении тела из глины и заселении его духом» и заканчивая довлеющей на сегодня парадигмой «наш мозг — это обработчик информации, подобный компьютеру». И если все прошлые аналогии уже практически исчерпали веру в себя, то с последней вопрос стоит остро, ведь многие специалисты по нейробиологии не согласны и считают ее в корне ошибочной. Как бы ни старались ученые-исследователи головного мозга и когнитивные психологи, им никогда не найти в человеческом мозге копию 5-й симфонии Бетховена – равно как копии слов, изображений, грамматических правил или любых других видов экзогенных стимулов. Бесспорно, человеческий мозг устроен сложно, но он не содержит большую часть из того, что, как многим кажется, в нем есть – даже таких простых вещей как «воспоминания».

Константин Воронцов — профессор Физтеха и Вышки, доктор физико-математических наук, преподаватель школы анализа данных «Яндекса». Он занимается машинным обучением и анализом данных со времен, когда это совсем не было мейнстримом. Многие впервые узнали о машинном обучении благодаря сайту machinelearning.ru, одним из основателей которого был Воронцов.

В недавней статье команда DeepMind ( Silver et al., 2021 ) утверждает, что награды достаточно для всех видов интеллекта. В частности, они утверждают, что «максимального вознаграждения достаточно, чтобы управлять поведением, которое проявляет большинство, если не все атрибуты интеллекта». Они утверждают, что простые награды - это все, что нужно агентам в богатой среде для развития мультиатрибутного интеллекта, необходимого для создания общего искусственного интеллекта. Это звучит как смелое заявление, но на самом деле оно настолько расплывчато, что почти бессмысленно. Они подтверждают свой тезис, не предлагая конкретных доказательств, а неоднократно заявляя, что вознаграждения достаточно, потому что наблюдаемые решения проблем согласуются с решенной проблемой.

Десятки лет преследуя мечту о создании «настоящего искусственного интеллекта», ученые разработали технологии, имитирующие зрение, языковые и моторные навыки, способность к рассуждению и прочие способности, входящие в понятие интеллекта. Их усилия привели к появлению систем, умеющих неплохо решать узкоспециальные задачи, но им еще далеко до универсального интеллекта животных и тем более людей. Специалисты из лаборатории DeepMind утверждают, что это не так, и они знаю, как может развиться такой ИИ на базе сегодняшних технологий.

В Google считают, что они

Гэри Маркус
Недавние исследования в области искусственного интеллекта и машинного обучения в основном делали упор на универсальное обучение, постоянно расширяющиеся обучающие наборы и все больше вычислений. Напротив, я предлагаю гибридный, основанный на знаниях, основанный на рассуждениях подход, основанный на когнитивных моделях, который мог бы обеспечить основу для более богатого и надежного ИИ, чем это возможно в настоящее время.

Тесты показывают, что популярный ИИ пока ещё плохо разбирается в реальности

В данной статье предложена архитектура реализации сильного гибридного интеллекта, основанная на идеях Никиты Николаевича Моисеева. Также сформулированы Принцип Легасова, Принцип Ефремова и Принцип Моисеева, использование которых может обеспечить безопасное и эффективное использование предложенной архитектуры.

Современные системы машинного обучения весьма функциональны, но обладают серьезным недостатком — они не способны к освоению новой информации без переобучения. Это отличает их от человеческого мозга, который постоянно учится по мере столкновения с чем-то новым. Группа специалистов по ИИ и нейробиологов из некоммерческой организации ContinualAI представила недавно Avalanche — библиотеку инструментов, облегчающих изучение постоянно обучающегося искусственного интеллекта.

Напомню предысторию. Меня зовут Алексей Редозубов и я занимаюсь созданием сильного искусственного интеллекта. Мой подход крутится вокруг контекстно-смысловой модели работы мозга. Об этом был цикл статей на хабре и много видео на Youtube. Сейчас я хочу рассказать об основах контекстно-смысловой модели и о недавних исследованиях, которые позволили взглянуть на эту модель с новой, неожиданной стороны. Исследованиях невероятных настолько, что уверен — многие сочтут их безумием.

Блог

В Институте Макса Планка провели исследование о перспективах развития ИИ. Его авторы считают, что скоро мы не сможем управлять сверхразумными машинами. РБК Тренды спросили экспертов, что они думают о потенциальной угрозе.

Человек не сможет управлять сверхразумными машинами с ИИ. К такому выводу пришли авторы исследования «Суперинтеллект не может быть ограничено: уроки теории вычислимости» Центра людей и машин Института развития человека Макса Планка. Результаты исследования опубликованы в Journal of Artificial Intelligence Research.

В последнее время термин «искусственный интеллект» стал чрезвычайно широким. Где только не употребляют его – от «умных» устройств до программ игры в шахматы, Го и пр. При этом собственно интеллекта, сознания в человеческом понимании в этих устройствах нет.

Сегодня технологии искусственного интеллекта прочно вошли в нашу повседневную жизнь, став незаменимыми помощниками в решении множества задач — от эффективной поддержки наших усилий при выполнении рутинных действий, обработке и анализе больших массивов неструктурированной информации—до оказания помощи в реализации нашего творческого потенциала и развития наших креативных навыков. А в таких индустриях как здравоохранение, беспилотный транспорт и охрана общественного порядка, технологии ИИ помогают принимать решения более качественно и быстрее— ровно тогда, когда счет идет на секунды, и эти секунды способны спасти чьи то жизни!
Коллектив авторов:
Бурцев М. С., канд. физ.-мат. наук, МФТИ. Бухвалов О.Л., канд. техн. наук, Brain Garden. Ведяхин А. А., канд. экон. наук, первый заместитель председателя правления, ПАО Сбербанк. Витяев Е. Е., д-р физ.-мат. наук, Институт математики СО РАН, профессор Новосибирского государственного университета. Еременко М.А, ПАО Сбербанк. Ефимов А. Р., ПАО Сбербанк, НИТУ «МИСиС». Колонин А. Г., канд. техн. наук, Новосибирский государственный университет, Aigents. Курпатов А. В., ПАО Сбербанк. Мазин В.А., канд. физ.-мат. наук, Mind Simulation AGI laboratory. Марков С.С., ПАО Сбербанк. Молчанов А. А., ПАО Сбербанк. Нейросеть RuGPT-3. Николенко С. И., канд. физ.-мат. наук, ПОМИ РАН, Neuromation. Очеретный А.С., ПАО Сбербанк. Панов А. И., канд. физ.-мат. наук, ФИЦ ИУ РАН, МФТИ. Пономарев Д. К., канд. физ.-мат. наук, Институт систем информатики СО РАН, Новосибирский государственный университет. Потапов А.С., доцент, к.т.н., SingularityNet

Since AI is getting a hot topic and many folks started asking me about participating in AGI startups, I decided to outline my view on the topic using easy language. The following is my (Victor Smirnov) personal view on AI that other committers and contributors may not necessary share or support.

Мы ведем группы и организуем семинары русскоязычного сообщества разработчиков систем AGI (Artificial General Intelligence или Общий Искусственный Интеллект) или Strong AI (Сильный Искусственный Интеллект), а также - являющийся их частным случаем HLAI (Human-Level Artificial Intelligence или Искусственный Интеллект Человеческого Уровня).