Данное определение является инженерным по трем обстоятельствам. Прежде всего, оно задает критерий. Во-первых, результативность решений не носит абстрактного характера, а определяется в каждом конкретном случае постановщиком задачи. В одних случаях у ИИ может отсутствовать право на единственную ошибку, а в других результативным решением может оказаться показатель, выше уже сложившегося уровня успешности решения проблемы.
Во-вторых, данное определение не привязывается к конкретным видам харда или софта. Возможно, завтра у нас появятся полноценные квантовые компьютеры. В университете Нотр-Дам уже сегодня идут эксперименты по использовании в качестве элементной базы компьютера живых бактерий. То же самое с софтом. Было бы самонадеянным утверждать, что и завтра вычислительные комплексы будут использовать машинное обучение и нейронные сети. Наконец, третий, принципиальный момент в определении это то, что ИИ обязан научиться работать с неполной и частично лживой информацией. Это, пожалуй, самая сложная проблема.
Термин «ИИ» зачастую заменяет такие сложные и непонятные лицам, принимающим решения, термины, как нейронный сети, глубокое машинное обучение, дискриминантный анализ, многомерная статистика, вычислительная лингвистика и т. п. Согласно данным контент-анализа, приведенного Стэнфордским университетов в 2017 г., ИИ не в социальных СМИ, а в научных изданиях используется как синоним того или иного математико-статистического метода. Условно назовем это маркетинговым использованием термина ИИ. Наиболее широко это явление проявилось в англосаксонских странах, прежде всего США и Великобритании.
Для европейских публикаций и исследований характерно другое использование термина ИИ. В Европе, особенно в Германии и во Франции, ИИ по сути стал синонимом любых сложных экспертных систем, в основе которых лежит блок поиска, обработки и анализа информации. Такое понимание ИИ связано с тем, что в силу целого ряда факторов в большинстве стран ЕС не получили широкого развития наиболее современные методы дискретной математики и работа идет в направлении совершенствования информационно-аналитических систем, которые были созданы в конце XX начале текущего века.
Свое понимание ИИ имеется в Японии, одной из трех лидирующих стран в этой сфере. Они понимают под ИИ программы, которые могут выполнять интеллектуальные функции человека вне зависимости от сферы их применения.
Авторы уже указанного доклада Центра новой американской безопасности, понимают ИИ также как автор этого термина знаменитый математик, кибернетик, создатель множества языков программирования Джон Маккарти. Он определили ИИ, как «вычислительные методы, позволяющие решать нечеткие и противоречивые задачи в условиях многокритериального выбора и хронической неполноты информации».
С учетом разработок в области когнитивных вычислений, осуществленных уже после смерти Маккарти, Центром новой американской безопасности предлагается следующее, наиболее общее и в то же время рабочее определение: ИИ это программноаппаратные вычислительные комплексы полного информационного цикла (включающего восприятие, фильтрацию, обработку, хранении информации, выполнение аналитических и синтетических когнитивных функций), позволяющие в режиме человек-машина или автономно принимать и реализовывать решения в сложной, динамичной и неопределенной среде.
Данное определение подчеркивает несколько ключевых концептов, без понимания которых лица, принимающие решения, не смогут сделать правильного выбора:
Во-первых, ИИ это не машинное обучение, не нейронные сети и не другие виды программных продуктов. Это всегда программно-аппаратные комплексы, в которых роль физических компонентов, как минимум, не меньше, чем информационных.
Большая часть программных методов ИИ была хорошо известна еще в 60-70-е гг. прошлого века, однако не могла быть реализована, поскольку компьютеры не обладали необходимым быстродействием. Тенденцией последних лет стало стремление ключевых производителей ИИ как можно больше наиболее важных функций упаковывать в непосредственно встроенный процессор и софт. Такая архитектура гарантирует производителям ИИ монополию на рынке. Кроме того, дальнейший скачок в области ИИ связан с изменением типов процессоров. Уже сегодня на смену кремнию приходят квазиквантовые компьютеры. Известно об успешной разработке и опробовании в Израиле сверхскоростного графе-нового компьютера. Известно, что в ряде стран мира были проведены успешные испытания процессоров для ИИ, созданных на алмазной основе, процессоров с так называемой «алмазной подложкой». Наконец, в 2017 г. команда Стэнфордского университета, университета г. Сеул, компании «Сименс» и Израильского технологического университета смогли создать работающий в реальном режиме биологический компьютер, где в качестве процессора используются молекулы. Т. е. будущее ИИ связано не столько с программами, сколько с прогрессом в области аппаратной части и новыми типами процессоров.
Во-вторых, полный цикл обработки информации в настоящее время осуществляется преимущественно на базе комбинаторных методов, глубокого обучения и нейронных сетей. Однако все три метода страдают тем недостатком, что успешно могут работать только с конечными задачами. Наиболее яркий пример конечной задачи это любая игра, где наперед задано все количество возможных ситуаций и комбинаций, возникающих в ходе игры. Но следует считать, что комбинация нейронных сетей с машинным обучением в ближайшие годы будет господствующей в вычислительной технологии ИИ.
Наконец, в-третьих, тенденцией взаимодействия человек-машина в рамках ИИ является повышение уровня автономии ИИ, т. е. возложение на него частично или в полном объеме принятия решений. Это особенно ярко проявляется в военной и финансовой сфере, где счет идет на миллисекунды и соответственно вычислительная реакция превосходит человеческую.
Как уже отмечалось, в настоящее время ИИ используется, прежде всего, для распознавания образов, прогнозирования и управления сложными системами. Однако в принципе ИИ может быть ориентирован на любые задачи, которые в настоящее время решают люди. При этом необходимо оговориться, что ИИ способен подменить людей в настоящее время только в рамках имитационных, функциональных и операционных задач. Это означает, что ИИ применяется лишь тогда, когда извне ему ставится четкая задача, которая может быть выполнена в рамках наперед заданной последовательности шагов или операций. При этом сама задача носит имитационный, т. е. воспроизводимый с образца характер. Творческие задачи с созданием нового ИИ, по крайней мере на сегодняшний момент, решать не готов.
В начале XXI века за счет мощных программно-аппаратных комплексов ИИ стал распознавать изображения с 98 % точностью и делает он это лучше, чем человек, который распознает изображения с точностью до 95 %. Кроме того, впервые системы ИИ научились создавать синтетические изображения, которые практически неотличимы от оригинальных фотографий. Появилась возможность создания несуществующих личностей, которые, по крайней мере, в информационном пространстве могут жить полноценной жизнью, осуществляя с помощью чат-ботов коммуникации с людьми, информируя о своей жизни через ролики в YouTube и т. п. Согласно проведенным экспериментам, люди распознают ошибку, т. е. определяют искусственный характер изображения лишь в 3 % случаев из 100 %.
Системы ИИ добились впечатляющих результатов в конечных конкурентных играх: от шахмат до игры в го. В 2017 г. ИИ впервые победил человека в игре, где наряду с комбинаторикой требовалась рефлексия позиции, а именно в покере. Методы ИИ в последние годы обеспечили прорыв в переводе. Другие направления задач, где осуществляется быстрый прогресс, включают в себя распознавание речи, автомобильную навигацию и прогнозирование биржевых процессов.
Успехи ИИ связаны с тремя основными факторами. Во-первых, с использованием новой высокопроизводительной элементной базы. Во-вторых, с применением новых программных решений, базирующихся на сложной комбинаторике и машинном обучении. В-третьих, с широким использованием робототехники как периферийных устройств ИИ, аналогичным периферийным устройствам человека, типа рук, ног, по отношению к мозгу.
Хотя в последние 10 лет ИИ развивался экспоненциально, вряд ли следует ожидать таких же темпов прогресса и в перспективе. Как правило, технические нововведения развиваются по гиперциклу Гартнера. При гиперцикле после долгого периода созревания наступает этап экспоненциальных перемен. В результате система достигает уровня зрелости и определенное время оказывается как бы на плато, раздвигаясь вширь, а не развиваясь вглубь. Затем наступает спад, связанный с насыщением данной технологией наиболее продвинутых пользователей. Однако спад является недолговременным и сменяется умеренным ростом, который характерен для любой зрелой технологии. Вряд ли есть основания полагать, что ИИ не будет развиваться в рамках гиперцикла. Сегодня центральной задачей ИИ является создание эффективных гибридных систем, где ИИ взаимодействует с человеком.
§ 2. ИИ, распознание угроз и оценка рисков
Магистральным направлением использования ИИ являются вопросы безопасности. При решении этой группы вопросов как в никакой другой сфере важно заблаговременно распознавать угрозы и оценивать риски. Распознавание угрозы мало чем отличается от распознавания лица. Любая угроза имеет определенный устойчивый паттерн, который может быть выражен через набор числовых характеристик. Поскольку вопросы распознавания в решающей степени зависят от скорости и полноты вычислений, то ИИ как комбинаторная машина, позволяет распознавать угрозы намного быстрее и точнее, чем человек.