Tikriausiai ne kartą girdėjote teiginį, jog netolimoje ateityje mes sugebėsime gaminti mašinas, kurios mokysis, logiškai samprotaus ir netgi sugebės įsijausti į vienos ar kitos problemos sprendimo procesą. Jei kada nors domėjotės dirbtiniu intelektu, tikriausiai pastebėjote, kad šis pažadas kol kas dar neišsipildė. Tačiau tai nereiškia, jog dirbtinio intelekto sukurti neįmanoma.

Dar septintajame dešimtmetyje tuo metu palyginti neseniai išrastas tranzistorius paskatino nesuskaičiuojamą daugybę prognozių, jog mašinos savo kūrėjus – žmones – intelekto galimybėmis pralenks jau po 20 metų. Dabar, praėjus 50 metų, geriausi rezultatai, kurių mums pavyko pasiekti – automatizuotos klientų aptarnavimo sistemos, kurios savo nežemiška ramybe ir tono šalčiu neretai išveda skambinančiuosius iš kantrybės.

Taigi, kodėl turėtumėte tikėti mumis, jei pasakysime, jog žmonija jau turi technologiją, leisiančią sukurti tikrą dirbtinį intelektą? Kaip tik tai ir žada projektas MoNETA, kurio siekis – sukurti integriniame luste patalpintus elektroninius „smegenis“. MoNETA (Modular Neural Exploring Traveling Agent) esmę sudaro programinė įranga, kurią šiuo metu kuria Bostono universiteto Kognityvinių ir neuroninių sistemų padalinys. Ši programa veiks mikroprocesoriuje, kurį savo ruožtu kuria Kalifornijoje įsikūręs kompanijos HP padalinys „HP Labs“. Visa sistema (bent jau pagal pačių autorių viziją) funkcionuos remdamasi tais pačiais principais, kurie labiausiai skiria mus, žinduolius, nuo greitų, tačiau nesupratingų mašinų.

MoNETA (senovės romėnų mitologijoje – atminties deivė) turėtų sugebėti tai, ko iki šiol negali joks kompiuteris. Ši sistema suvoks savo aplinką, nuspręs, kuri informacija yra naudinga, integruos šią informaciją savo pačios sudarytą tikrovės suvokimo sistemą, ir kai kuriais atvejais formuluos planus, kurie turėtų užtikrinti jos išlikimą. Kitaip tariant, MoNETĄ motyvuos tie patys veiksniai, kurie motyvuoja tarakonus, kates ir žmones.

Mokslininkai ištisus dešimtmečius įtarė, jog, naudojant įprastinę aparatinę elektroninę įrangą, tikro dirbtinio intelekto sukurti nepavyks. Tradicinė elektronika paklūsta dvejetainei logikai ir pasižymi palyginti didele atskirtimi tarp atminties ir informaciją apdorojančio branduolio. Tačiau šios nuojautos nedavė jokios praktinės naudos, kol prieš porą metų HP sukūrė naują elektroninių įtaisų – memristorių – klasę. Iki memristorių eros buvo neįmanoma sukurti įrenginio, kuris pasižymėtų smegenims būdingais matmenimis, nedideliu poreikiu energijai ir beveik akimirksniu vykdomomis vidinėmis komunikacijomis. Pasirodo, jog šie trys kriterijai yra esminiai, norint sukurti kažką bent kiek panašaus į smegenis ir ką būtų galima apmokyti ir suderinti smegenims analogiškam funkcionavimui.

Trumpai tariant, memristoriai yra pakankamai maži, pigūs ir efektyvūs. Galbūt svarbiausia yra tai, kad jie pasižymi neuronų jungtims – sinapsėms – būdingomis savybėmis. Kaip tik todėl ir tikimasi, kad šie komponentai leis sukurti savo vardą pateisinantį dirbtinį protą.

Naujos kartos dirbtinio intelekto kūrimą šiuo metu aktyviai finansuoja JAV karinių mokslinių tyrimų organizacija DARPA. Kai smegenis imituojančio mikroprocesoriaus kūrimas bus baigtas, debiutinis MoNETA vaidmuo, ko gero, bus „atliekamas“ JAV karinėse pajėgose. Šis įtaisas galėtų sėkmingai pakeisti patruliniuose automobiliuose sėdinčius žmones, kuriems tenka ieškoti minų, žvalgyti pavojingas teritorijas arba atlikti kitas gyvybei grėsmę keliančias užduotis. Tačiau neabejotina, jog išradimas šioje siauroje nišoje ilgai neužsibus. Remiantis kai kuriomis prognozėmis, galingos smegenis primenančios sistemos jau po penkerių metų veiks pigiuose ir visiems prieinamuose kompiuteriuose.

Kiek jos bus panašios į smegenis? Sunku pasakyti. Tačiau galima tikėtis, jog pokyčiai, kuriuos MoNETA sukels elektronikos industrijoje per artimiausius porą dešimtmečių bus stulbinantys.

Dirbtinio intelekto tyrimai pastarąją šimtmečio pusę nestovėjo vietoje – net jei mums ir nepavyko sukurti kažko, primenančio humanoidinius asistentus. Kompiuteriai gali diagnozuoti pacientų sveikatos sutrikimus per internetą. Aukščiausios klasės automobiliai neleidžia vairuotojams nukrypti nuo jiems skirtos eismo juostos. „Gmail“ elektroninio pašto filtras ir prioritetinio laiškų rūšiavimo sistema puikiai tvarkosi su gaunamos informacijos srautais.

Tačiau net patį naudingiausią dirbtinį intelektą (DI) tenka programuoti – tiksliai taip, kad jis galėtų atlikti vieną specifinę užduotį. Tuo tarpu mes norėtume universalaus dirbtinio proto, kurį galėtume „užsiundyti“ ant bet kokio uždavinio; tokio, kuris galėtų adaptuotis prie naujos aplinkos, tuo pat metu nereikalaudamas naujo apmokymo; tokio, kuris galėtų ištraukti vienut vienintelį reikšmingos informacijos gabalėlį iš bekraštės duomenų jūros, tokiu pačiu būdu, kokiu naudotis po milijonus metų trukusios evoliucijos išmoko žmogus.

Trumpam įsivaizduokite automatinį karinį patrulinį automobilį su integruota MoNETA sistema. Ši mašina konkrečios misijos galės imtis net tada, kai bus aiškūs tik daliniai uždaviniai, galintys pasikeisti bet kuriuo momentu. Ji galės tirti nežinomo landšafto vietoves, atpažinti priešiško pobūdžio veiklą, sudaryti naujus planus ir skubiai atsitraukti iš priešo teritorijos. Jei kelias bus užblokuotas, ji sugebės akimirksniu priimti naują sprendimą – esant poreikiui, kelią namo ras net važiuodama bekele. Intuicija, požymių atpažinimas, improvizacija ir gebėjimas susitvarkyti su dviprasmiškomis situacijomis – visus šiuos dalykus puikiai įveikia žinduolių smegenys, tuo tarpu šiandieniniams mikroprocesoriams ir programoms tai sunkiai įkandama.

Prisiminkime „Deep Blue“, kompanijos IBM sukurtą 1,4 tonos svorio superkompiuterį, kuris 1997 metais susirungė su tuometiniu pasaulio šachmatų čempionu Garry Kasparovu. Visais ankstesniais atvejais („.eep Blue“ pirmtakų buvo penki) Kasparovas įveikė kompiuterius. Po įtemptos žaidimų serijos, susidėjusios iš trijų lygiųjų ir vieno laimėjimo kiekvienoje pusėje, šeštojo turo metu „Deep Blue“ galiausiai palaužė Kasparovą. Nežiūrint į tai, „Deep Blue“ savyje neturėjo jokio dirbtinio intelekto. Pasaulio čempionui įveikti buvo panaudota specialiai pritaikyta aparatinė įranga ir „grubios jėgos“ strategija, t. y. paprasčiausiai kas sekundę apskaičiuojami 200 milijonų galimų šachmatų figūrų ėjimų. Palyginimui, per tą patį laiko tarpą Kasparovas galėjo paskubomis apmąstyti apytiksliai vos du ėjimus.

Garis Kasparovas prieš Deep Blue

Per kitą dešimtmetį kompiuterių skaičiavimo pajėgumai kilo kaip ant mielių. Jau 2007 metais to 1,4 tonas svėrusio kompiuterio skaičiavimų galia galėjo būti sutalpinta vos nago dydžio „.ell“ mikroprocesoriuje. Per tuos 10 metų tranzistorių skaičius procesoriuose padidėjo nuo 7,5 milijono („Intel Pentium II“) iki 234 milijonų („Cell“). Tačiau šis galios proveržis nė trupučio nepriartino dirbtinio intelekto sukūrimo, ką šiuo metu puikiai demonstruoja DARPA rengiamas konkursas “Grand Challenge“.

„Grand Challenge“ konkurso esmė – sukurti autonominius automobilius, kurie galėtų vairuoti patys save be jokio žmogaus įsikišimo. Dirbtiniam intelektui buvo priskirta esminė pergalė, kai „Stanley“, Stenfordo universiteto „Volkswagen Touareg“ Kalifornijos Mojave dykumoje įveikė 212 km atstumą. Už šį pasiekimą automobilį modifikavusiai komandai buvo skirtas 2 milijonų dolerių prizas. Didžiulis DI šuolis?

Ne visai. Kitų metų (2007) DARPA konkurse kartelė buvo kilstelėta. Iš dirbtinio intelekto valdomų automobilių buvo reikalaujama, kad jie įveiktų ne tik atviras dykumų erdves, bet ir intensyvaus eismo gatves – tokias, kokios pasitaiko normaliuose miestuose. Šį kartą DARPA tyrinėtojų komandas aštuonioms dienoms įkurdino George Karinių oro pajėgų bazėje. Čia automobiliai turėjo trasas įveikti vadovaudamiesi pagrindinėmis Kalifornijoje galiojančiomis eismo taisyklėmis, prasilenkdamos viena su kita, praleisdamos pėsčiuosius, sustodamos stovėjimo vietose ir įveikdamos sankryžas. Visas šias užduotis dauguma amerikiečių paauglių įveikia jau būdami 16-os.

Rezultatai buvo nuviliantys. Moderniausiais jutikliais ir pozicionavimo sistemomis apginkluoti automobiliai (vienu atveju net su 14 modulinio tipo („Glade“) serverių) triuškinamai „krisdavo“ nuo elementariausių kliūčių, tokių, kaip ant kelio gulintis duonos kepalo dydžio akmuo. Per keletą valandų beveik pusė komandų buvo pašalinta iš lenktynių už tokius pažeidimus, kaip atsitrenkimai į kliūtis stovėjimo aikštelėse arba tarpusavio susidūrimai, bandant pasidalinti tą pačią eismo juostą. Tiesa, per vėlesnius metus pažanga šioje srityje visgi pasiekta, tačiau radikalaus „perversmo“ nėra.

Vienas iš „Grand Challenge“ konkurso dalyvių

Dabar įsivaizduokite pačią paprasčiausią žiurkę. Jos biologinis intelektas naudoja universaliosios paskirties „sulietinę įrangą“ (angl. „wetware“) – tai biocheminio pobūdžio aparatinės ir programinės įrangos „piurė“, kurios kitas pavadinimas – smegenys. Turėdama tokio lygio išteklius, žiurkė panašias į „Grand Challenge“ automobiliams keliamas užduotis įveikia su daug geresniais rezultatais. Pirma, alkana žiurkė į maisto paieškas žvelgia labai kūrybiškai. Ji gali sekti žinomais ir įsimintais maršrutais, kurie, kaip ji žino, yra saugūs. Tačiau tuo pat metu jai tenka integruoti skirtingų juslių generuojamus signalus, atsirandančius susiduriant su skirtingais aplinkos objektais ar iššūkiais. Gyvūnas gali atpažinti tokius objektus, kaip spąstai pelėms ir dažnai jų išvengia, net jei tokiu kampu pastatytų spąstų niekada anksčiau neregėjo.

Pasisotinusi žiurkė sparčiai atsisako „einamojo“ plano ir imasi kito veiksmo, esančio žemiau jos prioritetų skalėje. Visi šie vienalaikiai iššūkiai, atsižvelgiant į įvairius jų sudėtingumus, mašinai yra labai nepraktiški – visai reikalingai įrangai sutalpinti prireiks bent nedidelio sunkvežimio. Tuo tarpu gigantiškam kompiuteriui nei kiek nenusileidžia smegenys, skirtingose savo srityse talpinančios milijonų neuronų ir milijardų sinapsių tinklą. Ir sveria jos ne daugiau nei 2 gramus, o energijos suvartoja ne daugiau nei viena maža lemputė ant Kalėdų eglutės.

Kodėl gi žiurkės smegenys yra tiek pranašesnės? Vienas žodis – architektūra. Suaugusios žiurkės smegenys susideda iš 21 milijono nervinių ląstelių – neuronų (žmogaus smegenyse jų yra apie 100 milijardų). Neuronai vienas su kitu bendrauja naudodami savo ataugomis – dendritais ir aksonais. Šias ataugas galima įsivaizduoti kaip pavienio neurono įėjimus (dendritai) ir išėjimus (aksonai). Jais elektriniai impulsai perduodami iš vieno neurono į kitą. Dauguma nervinės sistemos duomenų apdorojimo operacijų atliekama kaip tik tarpneuroninėse jungtyse. Tokia jungtis tarp vieno neurono dendrito ir kaimyninio nerono aksono yra vadinama sinapse.

Neurono sandara: 1. Dendritas 2. Aksonas 3. Ranvje sąsmauka 4. Aksono „.luotelė“ 5. Mielininis dangalas (Švano ląstelės) 6. Ląstelė 7. Ląstelės branduolys (Wikipedija)

Iki šiol vadinamosios neuroninės informatikos specialistai dažniausiai siekdavo sukurti programas, galinčias imituoti arba atkartoti žinduolio smegenų funkcijas, veikdamos tradiciniuose klasikinės von Neumann architektūros kompiuteriuose. Pagal šią architektūrą, vietos, kuriose duomenys apdorojami, ir vietos, kuriose jie yra saugomi, yra atskiriamos viena nuo kitos. Šis principas dominuoja nuo pat septintojo dešimtmečio. Mokslininkai logiškai samprotavo, jog, turint pakankamai galingus procesorius, lieka tik sukurti programas, kurios atkartoja smegenų „programinę įrangą“.

Tačiau toks teiginys yra maždaug tas pats, kaip ir posakis, jog turint pakankamai daug žodžių, galima parašyti romaną. Viską lemia architektūra. Norint suprasti, kodėl, palyginkite hipotetinio bito kelionę standartiniame mikroprocesoriuje su jo keliu smegenyse.

Kaip minėjome anksčiau, standartiniame kompiuteryje atmintį ir procesorių skiria duomenų kanalas, vadinamoji magistralė. Ribotas šio kanalo pralaidumas reiškia, jog tam tikrą akimirką „patikrinti“ galima tik ribotus informacijos kiekius. Procesorius savyje rezervuoja nedideli skaičių „langelių“ – registrų, kuriuose duomenys yra saugomi skaičiavimų metu. Atlikęs reikiamus veiksmus, procesorius rezultatą įrašo atgal į atmintį – vėl, pasinaudodamas duomenų magistrale. Paprastai tokia rutina nekelia didesnių problemų: norint minimizuoti riboto pralaidumo magistralėje generuojamą duomenų srautą, dauguma šiuolaikinių procesorių registrus naudoja kartu su spartinančiąja atmintimi (angl. cache memory). Spartinančioji atmintis taip pat skirta informacijai saugoti, tiesiog ji fiziškai išdėstyta gerokai arčiau skaičiavimų vietos. Jei dažnai pasikartojantis veiksmas reikalauja kelių duomenų fragmentų, procesorius juos saugo spartinančiojoje atmintyje, tad aritmetinis loginis mechanizmas juos gali pasiekti daug sparčiau ir efektyviau, nei naudodamas pagrindinę atmintį.

Komentarai (37)