— Каковы сегодня подходы к определению искусственного интеллекта?
— Существует две основные категории и четыре сферы применения, которые связывают с понятием искусственного интеллекта. Исследователи называют эти категории сильным и слабым типом искусственного интеллекта. Когда мы говорим о сильном типе искусственного интеллекта, мы предполагаем роботов-гуманоидов, С-3PO и все то, что мы видим в «Стартреке». На данный момент существует много разработок, посвященных попыткам построить человекоподобного робота, который бы имел интеллект человека. Так выглядит сильный тип искусственного интеллекта, и это по поводу него ведутся разговоры о жутком мире роботов, которые уничтожат людей. Это, конечно, очень нереалистичный сценарий.
— Какой-то из этих типов искусственного интеллекта развивается быстрее?
— Я бы сказал, что слабый тип сегодня является более развитым, но это в первую очередь связано со степенью их полезности для людей. Вопрос сводится к тому, что мы хотим создать — вещи, которые действуют и думают как люди или рациональные сущности. Люди ведь не всегда способны быть рациональными, у них есть эмоции. Поэтому мы можем захотеть создать интеллект, способный различать эмоции, хотя бы в тех ситуациях, где эмоции важны. Например, некоторые системы распознавания голоса способны понимать настроение звонящего: зол ли он, весел или расстроен.
Одним из основных направлений для такого использования ИИ является обслуживание клиентов, например, в колл-центрах. Конечно, когда звонит расстроенный клиент, человек распознает это и пытается его успокоить и поддержать. И наоборот, если мы говорим с человеком, который доволен нашими услугами, тогда мы пытаемся разделить его энтузиазм. В этой сфере мы можем увидеть сходство с сильным типом ИИ, который пытается имитировать людей. Кроме того, существуют примеры использования этих технологий у заводских роботов вроде Baxer: у него есть экран, показывающий человеческое лицо. Если робот перестает работать, то лицо на экране становится расстроенным или растерянным. Это показывает инженерам, что в работе робота ошибки. И наоборот, у робота, который работает хорошо, на экране всегда счастливое лицо.
Одной из сфер, в которых активно используется машинное обучение, стали системы распознавания голоса. Как вы оцениваете их прогресс?
Мы наблюдаем все более успешные системы распознавания голоса вроде Siri, Google, Cortana. Мы все чаще видим, что эти технологии применяются: в составе систем управления телефоном, в сфере обслуживания клиентов и так далее. Я, например, работал с людьми с ограниченными способностями. Для них разработана система Dragon NaturalySpeaking. Она позволяет тем, у кого есть проблемы с верхними конечностями, набирать печатный текст голосом. Она была разработана десять лет назад и тогда делала много ошибок, ее нужно было долго тренировать, она должна была привыкнуть к голосу конкретного пользователя. Сегодня она работает намного эффективнее. Распознавательные системы Google делают записи данных, поступающих в систему, и используют их дальше как тренировочные примеры, чтобы улучшить возможности распознавания.
— А прогресс в распознавании изображений?
— Вы, например, можете заметить, что у меня в руке чашка, в другой — ручка, что на меня надет свитер. Вы можете моментально распознать эти предметы. Компьютер видит только много пикселей — численное и цветовое значение конкретного пространства. Разделение образов — это очень сложная задача. Компьютеру необходимо увидеть множество примеров ручек в разном освещении. На основании этого компьютер формирует математическую модель того, что является ручкой, потом проверяет, является ли этот предмет ручкой.
Кроме того, если я возьму ручку, а потом еще одну и еще одну, а потом возьму такую же, но в десять раз больше, вы все равно назовете все это ручкой. Компьютеру же нужно показать в отдельности все разнообразие ручек или любых других объектов, чтобы он мог их все правильно распознать. Человеческому мозгу это не нужно, даже на очень раннем этапе развития. Если ребенку показать синий мяч, а потом мяч другого цвета, он назовет оба объекта мячами. Компьютеры для этого нужно очень долго тренировать.
Все знают о капче — автоматическом компьютерном тесте Тьюринга, способном отделить человека от машины и направленном против создания сотен Google-аккаунтов или рассылок спама. Многое в капче завязано на оптическом распознавании символов (OCR) — с этим компьютеры пока справляются сложно. Вначале машины пытаются классифицировать объекты, используя языковые алгоритмы. Тем не менее остаются некоторые фрагменты, которые машины не способны классифицировать. Как с ними поступают сейчас? Эти сложные экземпляры вставляют в капчу: эту картинку показывают пользователю, чтобы тот распознал тот или иной объект. Пользователю показывают два примера. На одном из них объект, который компьютер распознал и сам, он его знает (так пользователь получает доступ к сайту). На втором — тот, который компьютер не распознал, он сам не знает правильного ответа. Если человек справился с предыдущим примером, то компьютер предполагает, что и второй пример он решил: система ведь принимает ваш ответ за правильный. Таким образом, решая две капчи, люди делают работу, которую должны выполнять классификаторы.
— Вы занимаетесь разработкой систем искусственного интеллекта в сфере игр. Здесь есть особенности?
— Как создание систем на основе ИИ для игр отличается от их создания для индустрии? Никак. Мы имеем дело с теми же проблемами. Отличие одно: я строю их для развлечения, а не для чего-то серьезного.
Одна из проблем, которыми мы занимаемся, заключается в создании дизайна уровней. Мы разрабатываем уровни для игр, которые соответствуют требованиям разной степени сложности. Представьте: нужно поместить плиту на летящий самолет, на котором уже находятся какие-то объекты. И это та же проблема, с которой я сталкивался, работая в индустрии машиностроения, где мне нужно было построить бампер.
Один из моих студентов занимается разработкой схем гуманитарных лагерей беженцев. У Управления верховного комиссара ООН по делам беженцев и у ВОЗ есть требования. Например, нельзя строить уборные слишком близко к больницам, больницы должны быть на определенном расстоянии от места приготовления еды, есть требования в отношении воды и так далее. И то, как я расположу палатки в лагере беженцев, ничем не отличается от того, как я расположу темницу в отношении комнаты с сокровищами в игре. Таким образом, получается, что мы работаем над одними и теми же проблемами, только для разных сфер применения. Поэтому у меня есть надежда, что решения некоторых проблем внутри игровой индустрии перекочуют в настоящие индустрии.
— В целом почему игры стали крайне комфортной средой для разработок в сфере искусственного интеллекта?
— Обычно игры имеют наблюдаемую среду, четкие и понятные правила игры и механизмы начисления баллов. Кроме того, игры требуют какого-то времени для размышлений. Это делает их идеальной тестовой площадкой для новых технологий. Обучение хорошего игрового агента происходит на основании наблюдений за человеческой игрой. Во многом это напоминает то, как боксеры тренируются, наблюдая за своими соперниками. После того как компьютер узнает базовые правила, человек играет с ним, чтобы научить его новым ходам. Со временем в процессе симуляций и воспроизводства компьютер наращивает знания.
Самые последние большие успехи в играх были сделаны в индустрии, в играх с использованием всевозможных форм ИИ. Это позволило индустрии игр в США обойти индустрию фильмов в отношении вклада в ВВП. Хотя исследователи из академической среды, возможно, скажут, что недавняя работа над искусственным интеллектом для го (программа имеет невероятное число вариантов решений — ветвлений в игровом дереве) была самой лучшей разработкой.
— Каковы новые перспективы серьезных применений систем искусственного интеллекта, пришедших из игр?
— «Серьезные игры» связаны с применением технологий, развитых в игровом поле, для решения реальных проблем. Создание лагерей беженцев — это один пример такой «серьезной игры». Например, ролевые игры, которые находят свое применение в тренингах для различных компаний. В играх можно моделировать ситуации, которые были бы опасны в реальности. Например, ураган, которой прошелся по Техасу, уже был смоделирован в игровой форме, причем удалось спрогнозировать его последствия. Так что игры — это не только веселье, но и инструмент, с помощью которого можно тренировать решение реальных проблем. Мы начинаем добывать победы в играх, в которых есть случайные элементы. Покер — это новый вызов. Сложность его состоит не только в случайной среде, но и в сложной системе ставок и возможности блефовать.
— Каковы перспективы в разработке сильного искусственного интеллекта?
Илон Маск сказал бы, что это приведет нас к Третьей мировой войне. Некоторую обеспокоенность высказывают по поводу использования ИИ в секс-индустрии, а именно по поводу создания роботизированных секс-игрушек. IEEE высказались о необходимости выработки четких этических норм, прежде чем мы построим что-то еще. Я считаю, что еще слишком рано беспокоиться о роботах-репликантах, терминаторах или даже C-3PO.
Я больше боюсь появления роботов вроде Марвина из книги «Автостопом по Галактике» — депрессивного робота с огромной вычислительной способностью для выполнения задач в роли слуги.
