Dirbtinis intelektas – tai tema, kuria šiokią tokią nuomonę turi praktiškai kiekvienas. Vieni laukia nesulaukia, kol šis perims daugybę sunkiausių žmonių atliekamų darbų. Kiti kaip tik nerimauja dėl to, kaip mes prisitaikysime prie pasaulio, kuriuo turėsime dalintis su dirbtiniu intelektu. Treti netgi piešia apokaliptinius scenarijus, pilnus vizijų, kuriose mes paprasčiausiai esame pakeičiami. Bent jau dėl pastarosios grėsmės kol kas neverta jaudintis. Superintelektas dar labai toli. Tačiau tai nekeičia fakto, kad dirbtinis intelektas vystosi ypač dideliu tempu. Šioje srityje greitai sulauksime proveržių, kurie iš esmės pakeis mediciną, transportą, tai, kaip mes bendraujame su prietaisais, ir t. t. Siūlome iš arčiau susipažinti su keturiais dirbtinio intelekto proveržiais, kurie nenumaldomai artėja.
Transformeriai arba dirbtinis intelektas ir kalba
Ne, mes čia nekalbame apie robotus transformerius. Tačiau technologija, kurią turime omenyje, su pastaraisiais turi šį tą bendro. Transformeriai – tai personažai, galintys pagal poreikį keisti savo išvaizdą. Tai du dalykai tuo pačiu metu. Panašų principą mokslininkai bando pritaikyti spręsdami vieną sudėtingiausių galvosūkių dirbtinio intelekto srityje. Kalbos problema iki šiol išlieka neišspręsta. Kompiuteriams iki šiol sunkiai sekasi tiek ją suprasti, tiek atkartoti. Tiesą sakant, netgi Turing‘o testas visų pirma koncentruojasi į tai, kaip mašina geba suprasti kalbą. Transformerių principą 2017 m. pirmą kartą aprašė Google inžinieriai. Labai greitai paaiškėjo, kas jis veikia daug geriau, nei taikytieji anksčiau. Tokia sistema unikali tuo, kad ji turi vidinę atmintį. Kitaip tariant, ji geba suvokti kontekstą (dirbtinio intelekto tyrimuose tai esminė problema). Įsivaizduokite, kad turime štai tokią trumpą pastraipą. Paukštis nutūpė ant šakos. Jo giesmė girdėjosi visame parke. Jūs, ko gero, intuityviai supratote, kad antrajame sakinyje žodis „jo“ įvardina paukštį iš pirmo sakinio. Tačiau mašinos čia labai dažnai susipainioja. Kadangi transformeriai turi savo atmintį, jie pagaliau geba suvokti tokį kontekstą. Be abejo, iki tobulumo sistemai dar labai toli. Visgi tokio modelio elementai pamažu tampa Google Assistant sistemos dalimi, ir jeigu ja naudojatės, ko gero, jau spėjote pastebėti, kad ji pamažu tampa vis protingesnė.
Generatyvinis priešininkų tinklas
Konfliktai retai atneša ką nors gero. Bent jau žmonių pasaulyje. Kuriant dirbtinio intelekto sprendimus, pasirodo, jie netgi labai naudingi. Per pastaruosius kelerius metus, naudojant generatyvinio priešininkų tinklo principą, labai daug pasiekta vaizdų kūrimo srityje. Dirbtinis intelektas juos jau sugeba kurti labai tikroviškus. Tokios technologijos, visų pirma, labai išplėstų vaizdų paieškos galimybes, taip pat taptų neįkainojamu pagalbininku dizaineriams. Tačiau prie ko čia konfliktai? Generatyvinis priešininkų tinklas veikia iš esmės pradėdamas barnį tarp dviejų sistemų. Viena vadinama generatoriumi, o kita diskriminatoriumi. Generatorius gauna užduotį kažką nupiešti. Tarkime, kokio nors paveikslo reprodukciją. Ją atlikęs, rezultatą jis perduoda diskriminatoriui, kuris atidžiai išnagrinėja darbą ir identifikuoja visas jame esančias klaidas. Paveikslas tada vėl keliauja pas generatorių, kuris tas klaidas taiso. Procesas kartojamas tol, kol diskriminatorius nebeturi prie ko prikibti. Toks veikimo principas pasirodė esantis ypač efektyvus. Be to, jis veikia ir kitose srityse. Pavyzdžiui, mokslininkai tokiu būdu netgi sugebėjo sukurti dirbtinį žmogaus genetinį kodą. Galima neabejoti, kad generatyvinio priešininkų tinklo pritaikymo pavyzdžių matysime vis daugiau.
Neurosimbolinis dirbtinis intelektas
Neurosimbolinis dirbtinis intelektas – pakankamai šviežia technologija. Ji tarsi sujungia du senesnius dirbtinio intelekto veikimo modelius. Tai savotiškas miksas tarp nuolat besimokančių neurotinklų ir taisyklėmis paremto simbolinio dirbtinio intelekto. Ką tai reiškia išvertus į suprantamesnę kalbą? Neurotinklas veikia kaupdamas ir analizuodamas informaciją, o tada ieškodamos joje pasikartojimų. O taisyklėmis besivadovaujantis dirbtinis intelektas vadovaujasi logika jeigu a, tai c, jeigu b, tai d, ir t. t. Neurosimbolinis metodas sujungia abi šias technologijas. Sistema surenka labai daug informacijos, o tada ją interpretuoja ieškodamas koreliacijų ir simbolinių ryšių. IBM inžinieriai, toliausiai pažengę šiuose tyrimuose, jau spėjo pademonstruoti daugybę daug žadančių rezultatų. Didžiausias tokių sistemų privalumas, kad dirbtinis intelektas daug geriau suvokia priežastinius ryšius ir netgi geba paaiškinti, kodėl priėmė vienokį ar kitokį sprendimą. Žmogui tai atrodo savaime suprantama, bet sistemoms paprastai tai daryti sekasi labai sunkiai.
Mašininis mokymasis ir molekulinė sintezė
Dirbtinio intelekto potencialą paversti pasaulį geresne vieta puikiai perteikia jo pasiekimai matematikos ir kitų tiksliųjų mokslų srityje. Pavyzdžiui, pernai, ko gero, žinomiausia mašininio mokymosi sistemos DeepMind pagrindu sukurta AlphaFold išsprendė dešimtmečius mokslininkus kankinusį biologinį galvosūkį apie proteino grandinių lankstymąsi. Atrodo smulkmena, bet šis proveržis atvėrė dar neartus dirvonus – staiga atsirado galimybė geriau suprasti ląstelių elgesį, kurti naujus vaistus, gydyti ligas. Tai puikus pavyzdys, kaip mašininio mokymosi sprendimai gali pasitarnauti siekiant proveržių įvairiose srityse. Dirbtinio intelekto sprendimai padeda mokslininkams išspręsti teorines problemas, prie kurių jie patys praleistų ištisus metus. O tai padarius, atsiranda galimybė sprendimus labai greitai pritaikyti praktikoje. Biologija, farmacija bei medicina, ko gero, bus tos sritys, kuriose per artimiausius kelerius metus pamatysime patį akivaizdžiausią dirbtinio intelekto indėlį.
