Искусственный интеллект

На Хабре уже не раз публиковались новости о человекообразном роботе ATLAS, создаваемом специалистами DARPA. Ранее этот робот ходил по рассыпанным камням, и показывал, как он умеет балансировать на одной ноге. Теперь робот показал, как умеет передвигаться по «пересеченной местности», которая была смоделирована с использованием деревянных брусков, бухты каната, камешков и прочих вещей.

Как уже писалось ранее, этот робот предназначен для работы в достаточно сложных условиях, например, при стихийных бедствиях. Робот сможет помогать спасателям, а благодаря своей человекообразной форме его можно транспортировать в обычном транспорте, плюс робот может использовать инструменты, которыми пользуется и человек.



Via dvice

Вступление

Сразу сообщу, что данная заметка не имеет отношения к перцептронам, сетям Хопфилда или любым другим искусственным нейронным сетям. Мы будем моделировать работу «настоящей», «живой», биологической нейронной сети, в которой происходят процессы генерации и распространения нервных импульсов. В англоязычной литературе такие сети ввиду их отличия от искусственных нейронных сетей называются spiking neural networks, в русскоязычной же литературе – нет устоявшегося названия. Кто-то называет их просто нейронными сетям, кто-то – импульсными нейронными сетями, а кто-то – спайковыми.

С 10 по 14 июня 2013 года в выставочном комплексе Moscone West в Сан-Франциско проходила всемирная конференция разработчиков Apple — WWDC 2013. Это событие прошло мимо Хабра. Ну я не смог найти записи этого года. Однако, на этой конференции была представлена новая игрушка, точнее игрушки — умные гоночные машинки Anki DRIVE.

Если ты, %хабраюзер%, застал времена «За рулём», помнишь игрушечные железные дороги, которые в 90-х заменили машинки на пультах управления (в том числе по трекам) или в настоящее время увлекаешься робототехникой, коптерами и вертолетиками, то прошу под кат.

За год средний американец тратит на дорогу около недели чистого времени.
Пробки и вытекающие из этого издержки, в виде топлива и общего падения производительности, обходятся крупным американским городам в 121 млрд. долларов США, т.е. равно 800$ на одно транспортное средство. Теперь у IT-специалистов Пенсильвании есть новая интеллектуальная система управления трафиком, которая должна помочь уменьшить заторы на дорогах, сопутствующее загрязнение и время в пути.
«Каждый светофор является частью большой сети, позволяя двигаться потоку машин наиболее эффективно» — сказал Стивен Смит, ученый-компьютерщик из Университета Карнеги-Меллона в Питтсбурге. Система названная Smart Urban Traffic Control (SURTRAC) — позволяет отдельным светофорам на перекрёстках приспосабливаться к изменениям трафика в режиме реального времени.

DARPA продемонстрировало очередные достижения человекоподобного робота ATLAS. Робот уверенно ходит по россыпи камней размером до нескольких десятков сантиметров и балансирует на одной ноге, выдерживая достаточно сильные толчки. Робот ATLAS построен компанией Boston Dynamics — создателем таких известных роботов как BigDog, Cheetah, SandFlea, Petman. DARPA намерено использовать ATLAS для работы в опасных условиях, например во время спасательных операций при пожарах и стихийных бедствиях. Сходство с человеком позволит роботу использовать предназначенные для людей инструменты, оборудование и транспорт.

Гектор Левек^wiki утверждает, что его компьютер тупой. И ваш тоже. Siri и голосовой поиск Google умеют понимать заготовленные предложения. Например «Какие фильмы будут показывать неподалёку в 7 часов?» Но что насчёт вопроса «Может ли аллигатор пробежать стометровку с барьерами?» Такой вопрос никто раньше не задавал. Но любой взрослый может найти ответ на него (Нет. Аллигаторы не могут участвовать в беге с барьерами). Но если вы попытаетесь ввести этот вопрос в Google, то получите тонны информации о спортивной команде по лёгкой атлетике Florida Gators. Другие поисковые системы, такие как Wolfram Alpha, тоже не способны найти ответ на поставленный вопрос. Watson, компьютерная система выигравшая викторину «Jeopardy!», вряд ли покажет себя лучше.

Самая большая проблема в изучении действующих методов предсказания преступлений — отсутствие достоверной информации. Нет ничего удивительного в том, что вокруг систем, эффективность работы которых оценивается именно по достоверности выдаваемых данных, сплетается паутина из непроверенных фактов, злонамеренных информационных вбросов, саботажа и раздуваемых жёлтой прессой криков. Легче всего спрятать то, что у всех на виду. Вам действительно необходимо было явление Сноудена, чтобы перестать отправлять через Skype корпоративные секреты? Вы сомневались в тесном сотрудничестве IT-компаний со спецслужбами до Wikileaks? Вы до сих пор верите, что за вывеской «проводится начальная стадия эксперимента» можно спрятать эффективную аналитическую машину? Ещё в 2009 году на Хабре появились первые статьи о предсказании преступлений. Тогда казалось, что мы свидетели зарождения новой эпохи.

Вот только мы не свидетели. Мы — подозреваемые эпохи предсказаний.

Для тех, кто не знаком с SOINN, скажу, что это относительно новой вид нейронных сетей, называемых Self Organizing Incremental Neural Network — самоорганизующиеся, растущие нейронные сети.

Занимаясь алгоритмическим трейдингом, я довольно продолжительное время строил торговых роботов на основе классических индикаторов и методов технического анализа. Попутно, почитывая различные статьи, я натыкался на упоминания о нейронных сетях, которые с той или иной степенью успешности трейдеры применяют для торговли. Эта тема меня увлекла.

Вместо введения

Памятуя итоги предыдущей, довольно сумбурной статьи, родилась мысль «съесть слона по кусочкам» и опубликовать цикл статей, вводящих в модель искусственного интеллекта DIGITID, над которой я работаю вот уже 11 лет.

Первая тема, которую крайне важно рассмотреть, это проблема понимания в искусственном интеллекте

Есть ли проблема понимания, что такое «понимание» и как оно работает?

При общении с людьми, которые интересуются искусственным интеллектом (и не только, так же и с теми, кто интересуется вопросами устройства психики, ума, личности безотносительно их симуляции и моделирования), обнаружилось, что проблема понимания требует широкого освещения и прояснения.

Так что же такое «понимание»? Когда человек говорит «я понял» что произошло? Что происходит когда человек еще не понимает? Каков процесс «понимания»? Является ли это мгновенным переходом или постепенным накоплением?

В большинстве случаев вопрос «что значит понимание» ставит собеседника в тупик. Понимание кажется чем-то очень естественным и вполне очевидным, если только не рассматривать, что же это значит пристально и пристрастно.

Чаще всего, понимание рассматривается как некое проникновение в смысл, сопоставление разрозненных фактов в единую канву, ситуацию.
Понимание тесно связано с некоторой уверенностью, ясностью, предсказаниями чего-то, что еще не обнаружено, но в связи с пониманием будет обнаружено, если этому уделить внимание.

Предлагаю хабравчанам поучаствовать в опросе ниже и предложить свои комментарии по вопросу того, что же такое понимание.

На самом деле реверс-ижиниринг интеллекта, выполняемый самим интеллектом это психология — желание понять что такое сознание, разум, психика, интеллект, всё это синонимы мыслящей системы.

Терминология психологии неточная и спорная, поэтому надо уточнять или переопределять термины. Также в область исследования входят лингвистика и программирование. Знания из лингвистики могут помочь создать универсальный логический язык для представления и обработки любой информации. Этот же логический язык программирует всю логическую систему, и отдельно эффективное распознавание образов без задержки.

CPU и GPU можно сравнить с функциональной асимметрией мозга человека — отчетливо различимы логические и образные мыслительные процессы. Поэтому особенно следует отметить замечательную технологию CUDA — можно сказать что только сейчас наступило подходящее время для создания ИИ, даже в домашних условиях.

Знаете ли Вы, как именно Вы что-то знаете? Никто не знает!

Хочу раскрыть Вам несколько секретов естественного интеллекта, а заодно рассказать о том, как проектирую интеллект искусственный.

Небольшой дисклеймер. В статье будут описаны весьма амбициозные идеи. Большинство из представленных идей можно развернуть в самостоятельные циклы статей. Поэтому здесь представлены идеи лишь для первичного ознакомления. Я не питаю иллюзий, что будет много тех, кто схватит идею слету. Поэтому вопросы приветствуются, буду стараться разъяснять. И да, я знаю, что это все очень похоже на миллион других идей, алгоритмов и т. п. Разница лишь в том, что эта конструкция идей претендует на совершенно полную симуляцию работы естественного интеллекта во всех аспектах, которые Вы можете или не можете вообразить. Без черных дыр, неосмысленных проблем или неизвестных технических решений.

Да, это все о наиболее полном и сильном искусственном интеллекте. Предчувствую жадность некоторых исследователей и пренебрежение некоторых коллекционеров идей. Но все же, теперь, после предупреждения, приступим. Информации будет много и плотность ее очень высока, так что — держитесь за что-нибудь покрепче. Может быть придется перечитывать десятки раз и задавать тысячи вопросов. Я готов на них отвечать, поскольку одиночные исследования пора выводить на более практический уровень, требующий привлечения нескольких сотен специалистов.

В четверг, 27 июня DARPA огласило результаты первого этапа конкурса по созданию человекоподобных роботов (DARPA robotics challenge). Цель проекта — создать робота, который сможет пользоваться оборудованием, инструментами, помещениями и транспортом, предназначенным для человека, и при этом быть достаточно простым в управлении. Такой робот сможет заменить людей в опасной среде — при тушении пожаров, авариях и стихийных бедствиях. Первый этап конкурса проходил в виртуальной реальности — внутри симулятора Gazebo, созданного Open Source Robotics Foundation (OSRF). На втором этапе, который пройдёт в декабре этого года, участникам предстоит управлять уже реальными роботами ATLAS производства Boston Dynamics.

В ходе конкурса виртуальные роботы должны были выполнить три вида заданий: сесть в автомобиль и проехать трассу с препятствиями, пройти по пересечённой местности, присоединить пожарный шланг к крану в стене и открыть вентиль. На каждое задание давалось пять попыток с различными ограничениями во времени и качестве связи с виртуальным роботом — чтобы сделать условия ближе к боевым, полоса пропускания для связи с роботом варьировалась от 900 до 60 мегабит, а пинг был увеличен до 500 миллисекунд.


Пример успешного выполнения одного из заданий.

Считается, что человек воспринимает действительность органами чувств. Простоты ради предположим, что используется одно зрение. Спрашивается: что человек видит? Довольно очевидно что – цветовые пятна, ведь человек по определению не может ВИДЕТЬ, то есть воспринимать зрением, что-то иное.



Сами по себе цветовые пятна не обладают семантикой, но они складываются в общую значащую картинку при помощи мышления.

Искусственный интеллект – задача многогранная и сложная. Уж не говоря о том, что ей еще надо найти безопасное применение…
Вчера, заглянув на хабр, я прочел статью про ИИ и то, чем он должен обладать. Очень долго я думал о том, почему опускают чувства, ощущения и эмоции.
Я считаю, что чувства — одна из важнейших моделей программирования ИИ, однако, давайте по порядку.

Глоссарий

Для начала давайте определимся с понятиями и описаниями.

Также хочу добавить что чувство – это более высокий элемент, чем ощущение. Банальный пример: чувство сопереживания и ощущение боли. Ощущать сопереживание нельзя, значит ощущение это то, что дают нам органы чувств.

Добавлю, что я не буду рассматривать сами органы чувств и оставлю этот момент на желание читателя.

Некоторые элементы подчерпнуты из психологии, физиологии, философии и еще пары наук, однако, все остальное – чисто теоритическая часть и субъективное мнение.

И заранее: Интеллект != нейронная сеть.

Прочитав множество статей по искусственному интеллекту, решил написать свою. Я уже довольно долго наблюдаю за сферой разработок ИИ, а точнее искусственных нейронных сетей. Наслышан о проектах эмуляции мозга человека, кошки и т.п. Не могу не выразить свое разочарование по данной теме. На самом деле мощь интеллекта искусственных нейронных сетей преувеличивается и приукрашивается журналистами и разработчиками. Например, видел такую статью: «Нейронная сеть Google научилась выявлять кошек на изображениях». Эта статья так раздута и приукрашена, что и действительно думаешь: «Эврика! Вот он наш ИИ! Наконец-то!». Многие, слушая подобные заявления по телевидении разинув рот говорят что-то вроде: «Смотри до чего техника дошла!». Подобное вызывает у меня лишь ухмылку и разочарование. И вот почему… Сам Google заявил, что среди изображений «скормленных» их нейронной сети большинство – изображения кошек. Если взять во внимание свойство нейронной сети обучаться, то никакого интеллекта и сверхъестественного здесь не видно, это было закономерно, что нейронная сеть научится находить кошек, согласитесь. Ладно, довольно лирического отступа, приступим к настоящим рассуждениям.
Сам имею небольшой опыт с нейронными сетями и то, скорее не с их созданием, а с их исследованиями, экспериментами. Я сам много думал над созданием ИИ, было время, когда сам попался на удочку приукрашенных историй о ИНС, из-за чего и родился к ним мой интерес. В моих планах на будущее создать свою собственную ИНС, после того, как пойму каким образом создать действительно умную. Для этого я сделал небольшой список вопросов на эту тему, которые должны помочь в создании ИИ.

Сравнивая человека с роботом (или автоматом) мы при этом подразумеваем, что поведение такого человека описывается слепым алгоритмом: человек механистически выполняет набор действий, не ставя перед собой вопросы «зачем эти действия выполняются?» и «почему ожидается, что эти действия приведут к ожидаемому результату?».

Почти все программы ведут себя подобным механистическим образом. Но ведь есть и другой подход.

Алгоритмы можно поделить на две большие группы: целестремительные и слепые алгоритмы.
— Целестремительный алгоритм имеет явную цель, которую старается достичь.
— Слепой алгоритм себе явно цель не ставит, но в результате применения алгоритма цель всё равно достигается.

В Совете ООН по правам человека предложили временно запретить производство боевых автономных роботов, способных самостоятельно принимать решение об уничтожении живых мишеней. Эксперты уверены, что если не сдерживать развитие подобных технологий, то через 30 лет стоит ожидать гибели множества людей от рук «немного сбившихся в один момент с программы роботов».

В четверг спецдокладчик ООН по вопросу о внесудебных казнях, казнях без надлежащего судебного разбирательства или произвольных казнях Кристоф Хайнс призвал ввести повсеместный мораторий на производство летальных автономных роботизированных систем (Lethal autonomous robotics – LARS).

«Есть шагающие роботы, в том числе двуногие, очень похожие на человека. Они могут взять обычную винтовку М-16 и убивать. Это уже реальность»

^{Некоторые люди полагают, что они мыслят, в то время как они просто переупорядочивают свои предрассудки.}
Давно я написал статью-обзор по эволюции методов моделирования нейронов и забросил это дело. В описание попали старые и всем интересующимся нейронами известные методы, можно сказать, получился обзор учебников выпущенных до распада СССР. Если кому интересно может сходить habrahabr.ru/post/101020, посмотреть старый обзор. Сейчас у меня подсобрался материал по нескольким с моей точки зрения увлекательным и более современным методам моделирования, которые заслужили упоминания в виде структурированного обзора. Здесь я только упомяну эти методы в описательном порядке, по той простой причине, что для большинства интересней знать, зачем мы его применяем, а не как он работает и как его применять. Объем текста значительно уменьшится, интересность повысится, а то, как в действительности работают эти методы, каждый сможет найти сам.
Итак, готовьтесь.

Роботы, которых создают в лаборатории робототехники Корнелльского университета, мало похожи на устрашающие порождения сумрачного гения Boston Dynamics и многих других лабораторий, разрабатывающих роботов военного назначения. Это персональные роботы — помощники, официанты, сиделки. Их обязанности — следить за порядком в комнатах, приносить и уносить предметы, прислуживать во время еды. Для таких роботов важно умение чутко улавливать намерения людей, чтобы оказаться рядом в правильный момент и наоборот, не мешаться под ногами, когда они не нужны. Их учат предсказывать, что будет делать человек в следующие несколько секунд. Может быть, ему надо помочь открыть дверь. А может — подержать что-то. Или налить чая в опустевшую чашку. И всё это без нажатия на кнопки, без специальных жестов и голосовых команд.

Робот воспринимает окружающий мир через трёхмерную камеру Microsoft Kinect. Базой для предсказания действий человека является набор ранее увиденных и распознанных роботом движений. Кроме того, роботу знакомы предметы окружающей обстановки и их назначение. Он знает, что такое стул, книга, чашка, холодильник, знает, как человек взаимодействует с этими предметами.

Доброго времени суток, уважаемое хабро-сообщество!

Представляю на ваш суд статью, написанную по мотивам моей магистерской работы (факультет прикладной математики, информатики и механики Воронежского ГосУниверситета). Ее тема «Применение распределенных искусственных иммунных систем для решения задачи символьной регрессии». Постараюсь коротко (но содержательно) рассмотреть основные понятия искусственных иммунных систем и мой подход к их реализации для решения задачи символьной регрессии – восстановления символьного представления функции по заданному множеству ее значений в некоторых точках. Программа была написана на языке Python (версии 3.3), исходники доступны на Github.