10.1. Фундаментальні поняття: інтелектуальна система, агент, середовище, задачі штучного інтелекту, сильний і слабкий штучний інтелект

Інтелектуальна інформаційна система (ІІС) — це один з видів автоматизованих інформаційних систем, інколи ІІС називають системою, засновану на знаннях. ІІС є комплексом програмних, лінгвістичних і логіко-математичних засобів для реалізації основного завдання: здійснення підтримки діяльності людини і пошуку інформації в режимі розширеного діалогу природною мовою[1].

Класифікація ІІС.

• Експертні системи

  • Власне Експертні системи (ЕС)

  • Інтерактивні банери (web + ЕС)

• Запитально-відповідальна система (деяких джерелах «системи спілкування»)

  • Інтелектуальні пошукові системи (наприклад, система Старт)

  • Віртуальні співбесідники

ІІС можуть розміщуватися на якому-небудь сайті, де користувач ставить системі питання природною мовою (якщо це запитально-відповідальна система) або, відповідаючи на питання системи, знаходить необхідну інформацію (якщо це експертна система). Але, як правило, ЕС в інтернеті виконують рекламно-інформаційні функції (інтерактивні банери), а серйозні системи (такі, як, наприклад, ЕС діагностику устаткування) використовуються локально, оскільки виконують конкретні специфічні завдання.

Інтелектуальні пошукові системи відрізняються від віртуальних співбесідників тим, що вони досить безликі і у відповідь на питання видають деякий витяг з джерел знань (інколи досить великого обсягу), а співбесідники володіють «характером», особливою манерою спілкування (можуть використовувати сленг, ненормативну лексику), і їхні відповіді мають бути гранично лаконічними (інколи навіть просто у формі смайликів, якщо це відповідає контексту :-)).

Для розробки ІІС раніше використовувалися логічні мови (Пролог, Лісп і т. д.), а зараз використовуються різні процедурні мови. Логіко-математичне забезпечення розробляється як для самих модулів систем, так і для стикування цих модулів. Проте на сьогоднішній день не існує універсальної логіко-математичної системи, яка могла б задовольнити потреби будь-якого розробника ІІС, тому доводиться або комбінувати накопичений досвід, або розробляти логіку системи самостійно. В області лінгвістики теж існує безліч проблем, наприклад, для забезпечення роботи системи в режимі діалогу з користувачем природною мовою необхідно закласти в систему алгоритми формалізації природної мови, а це завдання виявилося куди складнішим, ніж передбачалося на світанку розвитку інтелектуальних систем. Ще одна проблема — постійна мінливість мови, яка обов'язково має бути відбита в системах штучного інтелекту.

Забезпечення роботи ІІС

• Математичне

• Лінгвістичне

• Програмне

• Технічне

• Технологічне

• Кадрове

Класифікація завдань, вирішуваних ІІС:

• інтерпретація даних. Це одне з традиційних завдань для експертних систем. Під інтерпретацією розуміється процес визначення змісту даних, результати якого мають бути погодженими і коректними. Зазвичай передбачається багатоваріантний аналіз даних.

• діагностика. Під діагностикою розуміється процес співвідношення об'єкта з деяким класом об'єктів і виявлення несправності в деякій системі. Несправність — це відхилення від норми. Таке трактування дозволяє з єдиних теоретичних позицій розглядати і несправність устаткування в технічних системах, і захворювання живих організмів, і всілякі природні аномалії. Важливою специфікою є тут необхідність розуміння функціональної структури («анатомії») діагностуючої системи.

• моніторинг. Основне завдання моніторингу — безперервна інтерпретація даних у реальному масштабі часу і сигналізація про вихід тих або інших параметрів за допустимі межі. Головні проблеми — «пропуск» тривожної ситуації і інверсне завдання «помилкового» спрацьовування. Складність цих проблем в розмитості симптомів тривожних ситуацій і необхідність обліку тимчасового контексту.

• проектування. Проектування полягає в підготовці специфікацій на створення «об'єктів» із заздалегідь визначеними властивостями. Під специфікацією розуміється весь набір необхідних документів — креслення, записка пояснення і так далі Основні проблеми тут — здобуття чіткого структурного опису знань про об'єкт і проблема «сліду». Для організації ефективного проектування і в ще більшій мірі того, що перепроектувало необхідно формувати не лише самі проектні рішення, але й мотиви їхнього прийняття. Таким чином, в завданнях проектування тісно зв'язуються два основні процеси, виконуваних в рамках відповідної ЕС: процес виведення рішення і процес пояснення.

• прогнозування. Прогнозування дозволяє передбачати наслідки деяких подій або явищ на підставі аналізу наявних даних. Прогнозуючі системи логічно виводять ймовірні наслідки із заданих ситуацій. У прогнозуючій системі зазвичай використовується параметрична динамічна модель, в якій значення параметрів «підганяються» під задану ситуацію. Висновки, що виводяться з цієї моделі, складають основу для прогнозів з ймовірними оцінками.

• планування. Під плануванням розуміється знаходження планів дій, що відносяться до об'єктів, здатних виконувати деякі функції. У таких ЕС використовуються моделі поведінки реальних об'єктів з тим, аби логічно вивести наслідки планованої діяльності.

• навчання. Під навчанням розуміється використання комп'ютера для навчання деякої дисципліни або предмету. Системи навчання діагностують помилки при вивченні якої-небудь дисципліни за допомогою ЕОМ і підказують правильні рішення. Вони акумулюють знання про гіпотетичного «учня» і його характерні помилки, потім у роботі вони здатні діагностувати слабкості в знаннях учнів і знаходити відповідні засоби для їхньої ліквідації. Крім того, вони планують акт спілкування з учнем залежно від успіхів учня з метою передачі знань.

• керування. Під керуванням розуміється функція організованої системи, що підтримує певний режим діяльності. Такого роду ЕС здійснюють управління поведінкою складних систем відповідно до заданих специфікацій.

• підтримка прийняття рішень. Підтримка прийняття рішень — це сукупність процедур, що забезпечує особу, що приймає рішення, необхідною інформацією і рекомендаціями, що полегшують процес ухвалення рішення. Ці ЕС допомагають фахівцям вибрати і сформувати потрібну альтернативу серед безлічі виборів при ухваленні відповідальних рішень.

У загальному випадку всі системи, засновані на знаннях, можна підрозділити на системи, що вирішують завдання аналізу, і на системи, які вирішують завдання синтезу. Основна відмінність завдань аналізу від завдань синтезу полягає в тому, що якщо в завданнях аналізу безліч рішень може бути перераховане і включене в систему, то в завданнях синтезу безліч рішень потенційно не обмежена і будується з вирішень компонент або проблем. Завданнями аналізу є: інтерпретація даних, діагностика, підтримка ухвалення рішення; до завдань синтезу відносяться проектування, планування, управління. Комбіновані: вчення, моніторинг, прогнозування.

Типова схема функціонування інтелектуальної системи. Функціонування інтелектуальної системи можна описати як постійне прийняття рішень на основі аналізу поточних ситуацій для досягнення певної мети. Природно виділити окремі етапи, які утворюють типову схему функціонування інтелектуальної системи:

1. Безпосереднє сприйняття зовнішньої ситуації; результатом є формування первинного опису ситуації.

2. Зіставлення первинного опису зі знаннями системи і поповнення цього опису; результатом є формування вторинного опису ситуації в термінах знань системи. Цей процес можна розглядати як процес розуміння ситуації, або як процес перекладу первинного опису на внутрішню мову системи. При цьому можуть змінюватися внутрішній стан системи та її знання. Вторинний опис може бути не єдиним, і система може вибирати між різними вторинними описами. Крім того, система в процесі роботи може переходити від одного вторинного опису до іншого. Якщо ми можемо формально задати форми внутрішнього представлення описів ситуацій та операції над ними, ми можемо сподіватися на певний автоматизований аналіз цих описів.

3. Планування цілеспрямованих дій та прийняття рішень, тобто аналіз можливих дій та їхніх наслідків і вибір тієї дії, яка найкраще узгоджується з метою системи. Це рішення, взагалі кажучи, формулюється деякою внутрішньою мовою (свідомо або підсвідомо).

4. Зворотна інтерпретація прийнятого рішення, тобто формування робочого алгоритму для здійснення реакції системи.

5. Реалізація реакції системи; наслідком є зміна зовнішньої ситуації і внутрішнього стану системи, і т. д.

Дуже важливим є таке міркування. Не слід вважати, що вказані етапи є повністю розділеними у тому розумінні, що наступний етап починається тільки після того, як повністю закінчиться попередній. Навпаки, для функціонування інтелектуальної системи характерним є взаємне проникнення цих етапів. Наприклад, ті чи інші рішення можуть прийматися уже на етапі безпосереднього сприйняття ситуації. Насамперед, це рішення про те, на які зовнішні подразники слід звертати увагу, а на яке не обов'язково. Зовнішніх подразників так багато, що їхнє сприйняття повинно бути вибірковим.

Терміни «агент» та «інтелектуальний агент» (ІА) мають два значення, і через це іноді виникає плутанина.

У комп’ютерній науці, інтелектуальний агент — це програма, що самостійно виконує завдання, указане користувачем комп'ютера, протягом тривалих проміжків часу. Інтелектуальні агенти використовуються для сприяння операторові або для збирання інформації. Одним із прикладів завдань, виконуваних агентами, може служити завдання постійного пошуку й збору необхідної інформації в Інтернеті. Комп’ютерні віруси, боти, пошукові роботи — усе це також можна віднести до інтелектуальних агентів. Хоча такі агенти мають строгий алгоритм, «інтелектуальність» у цьому контексті розуміється як здатність пристосовуватися й навчатися.

У штучному інтелекті, під терміном інтелектуальний агент розуміють розумні сутності, що спостерігають за навколишнім середовищем і діють у ньому, при цьому їхня поведінка раціональна в тому розумінні, що вони здатні до розуміння і їхні дії завжди спрямовані на досягнення якої-небудь мети. Такий агент може бути як роботом, так і вбудованою програмною системою. Про інтелектуальність агента можна говорити, якщо він взаємодіє з навколишнім середовищем приблизно так само, як діяла би людина.

Ці два значення поняття «інтелектуальний агент» досить різні, і між ними майже немає зв'язку. Інтелектуальний агент у першому значенні може бути розроблений, використовуючи традиційні методи розробки, у ньому дещо більше інтелекту, ніж у поштовому клієнті або утиліті для форматування жорсткого диска. Однак інтелектуальний агент у другому значенні може бути повністю незалежним, виконуючи свої завдання.

В операційних системах сімейства UNIX інтелектуальний агент, що діє в межах одного комп'ютера або локальної мережі, зазвичай називається демоном, у сімействі Windows — службою (сервісом). Приклад: cron в UNIX і «Планувальник завдань» у Windows займаються тим, що запускають зазначені користувачем завдання в певні моменти часу.

У штучному інтелекті існує кілька типів агентів. Наприклад:

1. Фізичний агент — агент, що сприймає навколишній світ через деякі сенсори й діє за допомогою маніпуляторів.

2. Часовий агент — агент, що використовує інформацію, що змінюється з ходом часу, і пропонує деякі дії або надає дані комп'ютерній програмі або людині, і отримує інформацію через програмний ввід.

Проста агентна програма може бути математично описана як агентська функція, що проектує будь-який придатний результат сприйняття на дію, яку агент може виконати, або в коефіцієнт, елемент зворотного зв'язку, функцію або константу, які можуть вплинути на подальші дії.

f : P ∗ − > A

Програмний агент, навпаки, проектує результат сприйняття тільки на дію.

Усіх агентів можна розділити на п'ять груп, за типом обробки сприйманої інформації:

• агенти з простою поведінкою.

• агенти з поведінкою, заснованою на моделі.

• цілеспрямовані агенти.

• практичні агенти.

• агенти, що навчаються.

Агенти з простою поведінкою. Агенти з простою поведінкою діють тільки на основі поточних знань. Їхня агентська функція заснована на схемі умова-дія IF (умова) THEN дія

Така функція може бути успішною, тільки якщо навколишнє середовище повністю піддається спостереженню. Деякі агенти також можуть мати інформацію про їхній поточний стан, що дозволяє їм не звертати уваги на умови, передумови яких уже виконані.

Агенти з поведінкою, заснованою на моделі

Агенти з поведінкою, заснованою на моделі, можуть оперувати із середовищем, що лише частково піддається спостереженню. Усередині агента зберігається уявлення про ту частину, що перебуває поза межами огляду. Щоб мати таке уявлення, агентові необхідно знати, як виглядає навколишній світ, як він улаштований. Ця додаткова інформація доповнює «Картину Світу».

Цілеспрямовані агенти схожі з попереднім типом, однак вони, крім іншого, зберігають інформацію про ті ситуації, які для них бажані. Це дає агентові спосіб вибрати серед багатьох шляхів той, що приведе до потрібної мети.

Практичні агенти. Цілеспрямовані агенти розрізняють тільки стани, коли ціль досягнута, і коли не досягнута. Практичні агенти, крім цього, здатні розрізняти, наскільки бажаний для них поточний стан. Така оцінка може бути отримана за допомогою «функції корисності», що проектує множину станів на множину мір корисності станів.

Агенти, що навчаються. У деякій літературі агенти, що навчаються (АН), також називаються автономними інтелектуальними агентами (англ. autonomous intelligent agents), що означає їхню незалежність і здатність до навчання й пристосовування до обставин, що змінюються. На думку Нікола Касабова[1], система АН повинна виявляти такі здатності:

• навчатися й розвиватися в процесі взаємодії з навколишнім середовищем

• пристосовуватися в режимі реального часу

• швидко навчатися на основі великого обсягу даних

• покроково пристосовувати нові способи розв'язання проблем

• володіти базою прикладів із можливістю її поповнення

• мати параметри для моделювання швидкої й довгої пам'яті, віку й т.д.

• аналізувати себе у термінах поведінки, помилки й успіху

Субагенти. Щоб активно виконувати свої функції, інтелектуальні агенти зазвичай мають ієрархічну структуру, що включає багато «субагентів». Інтелектуальні субагенти обробляють і виконують низькорівневі функції. Інтелектуальні агенти й субагенти складають повну систему, що здатна виконувати складні завдання. При цьому поведінка системи створює враження розумності.

Існує декілька типів субагентів:

1. Часові агенти (для ухвалення оперативного рішення)

2. Просторові клієнти (для взаємодії з реальним світом)

3. Сенсорні агенти (обробляють сенсорні сигнали — наприклад, агенти, що працюють на основі нейромережі)

4. Обробні агенти (вирішують проблеми типу розпізнавання мовлення)

5. Агенти, що приймають рішення

6. Навчальні агенти (для створення структур і баз даних для інших інтелектуальних агентів)

7. Світові агенти (поєднують у собі інші класи агентів для автономної поведінка)

Інтелектуальними агентами називають програмні системи, що створені для надання послуг користувачеві на основі своїх інтелектуальних інтерфейсів і характеризуються певною поведінкою (правилами і стратегіями поведінки). Вони виконують множину операцій для користувача або іншої програмної системи, володіють певним рівнем автономності й використовують знання про цілі або бажання користувача.

Інтелектуальними агентами в штучному інтелекті є фізичні або віртуальні одиниці, що забезпечують [22]:

- взаємодію із навколишнім середовищем, отримуючи інформацію та реагуючи на нього своїми діями;

- взаємодію із іншими агентами, відправляючи та отримуючи повідомлення від інших агентів;

- внутрішню діяльність, зокрема без втручання людини;

- запам’ятовування та аналіз різних ситуацій;

- аналіз реакції на власні дії;

- прогнозування майбутніх дій та зміни зовнішнього середовища.

Із використанням інтелектуальних здібностей ці агенти будують віртуальні середовища, у яких формуються плани подальших дій.

Проблемне середовище являє собою «проблему», для якої раціональний агент (агент, що діє оптимальним для досягнення найкращого очікуваного результату чином) є «розв'язком».

Проблемне середовище, в штучному інтелекті для раціонального агента, є об'єднанням факторів:

• Показники продуктивності (Performance measure), які визначають критерії успіху

• Середовище (Environment) — знання агента про середовище, які були отримані раніше

• Виконавчі механізми (Actuators), які можуть бути виконані агентом

• Сенсори (Sensors) — послідовність актів сприйняття, які відбулись дотепер

За своїми факторами проблемне середовище може позначатись скорочено PEAS.

Класифікація проблемних середовищ. Спостерігаються повністю або частково:

• Якщо сенсори агента надають йому доступ до повної інформації середовища в кожний момент часу → повністю спостерігається. Агент не потребує збереження інформації про навколишній світ;

• Середовище може спостерігатись частково через сенсорний шум або відсутність певних її характеристик в інформації, яка отримується від сенсорів.

Детерміновані або стохастичні:

• Якщо наступний стан середовища повністю визначається поточним станом та дією, яку виконує агент, → детерміноване середовище; в іншому випадку → стохастичне;

• Якщо середовище є детермінованим в усіх відношеннях, окрім дій інших агентів, то таке середовище називається стратегічним.

Епізодичне або послідовне:

• В епізодичному середовищі досвід агента складається з нерозривних епізодів, де кожний епізод включає в себе сприйняття середовища агентом, а потім виконання певної дії. Кожний епізод не залежить від дій на попередніх;

• У послідовних середовищах кожна дія може вплинути на майбутні дії.

Статичне або динамічне:

• Якщо середовище може змінюватись під час того, як агент обирає наступну дію, то це динамічне для даного агента середовище; інакше середовище є статичним;

• Якщо з плином часу саме середовище не змінюється, а змінюються показники продуктивності агента, то це напівдинамічне середовище.

Дискретне або неперервне:

• Різниця між дискретним та неперервним варіантами середовища може відноситись до станів середовища, способу ліку часу, а також сприйняття та діям агента.

Одноагентне або мультиагентне:

• Для мультиагентних: конкурентне або кооперативне.

Приклад середовища. Автономне управління. Світ автоматичного водія таксі

Система комп'ютерного зору Alvinn була навчена водінню автомобіля, дотримуючись певної смуги руху. В університеті CMU ця система була розміщена в мікроавтобусі, керованому комп'ютером NavLab, та використовувалася для проїзду по Сполученим Штатам; протягом 4586,6 км система забезпечувала рульове управління автомобілем протягом 98 % часу. Людина брала на себе управління лише протягом останніх 2 %, головним чином на виїзних пандусах. Комп'ютер NavLab був обладнаний відеокамерами, які передавали зображення дороги в систему Alvinn, а потім ця система обчислювала найкращий напрямок руху, ґрунтуючись на досвіді, отриманому в попередніх навчальних пробігах. Елементи середовища:

• Показники продуктивності

  • Безпечна, швидка, комфортна їзда в рамках правил дорожнього руху, максимізація прибутку

• Середовище

  • Дороги, інші транспортні засоби, пішоходи, клієнти

• Виконавчі механізми

  • Рульове управління, акселератор, гальмо, світлові сигнали, клаксон, дисплей

• Сенсори

  • Відеокамери, ультразвукової далекомір, спідометр, глобальна система навігації і визначення положення, одометр, акселерометр, датчики, двигуна, клавіатура

Головним завданням штучного інтелекту (artificial intelligence) є комп’ютерне вирішення когнітивних задач, властивих людському мозку. Такі задачі традиційно вирішуються людьми в умовах неповноти, неточності та суперечливості знань про об’єкт дослідження, для розв’язання яких немає чітко заданого алгоритму.

Застосування штучного інтелекту — процес активного використання найсучасніших наукових досягнень у сфері інформатики в різноманітних галузях життєдіяльності суспільства.

Штучний інтелект (ШІ) має багато застосування в сучасному суспільстві. Більш конкретно, ШІ використовуються для медичної діагностики, електронної комерції, дистанційного керування роботами та дистанційного зондування Землі. ШІ використовується для розробки та розвитку численних галузей, включаючи фінансування, охорону здоров'я, освіту, транспорт та інші.

ШІ для добрих намірів. Деякі американські академічні установи використовують ШІ для вирішення деяких найбільших економічних та соціальних проблем у світі. Наприклад, Університет Південної Каліфорнії запустив Центр штучного інтелекту в суспільстві з метою використання ШІ для вирішення соціально значущих проблем, таких як безпритульність. У Стенфорді дослідники використовують ШІ для аналізу супутникових зображень, щоб визначити, які області мають найвищий рівень бідності.

Військова справа. ШІ є важливою технологією перспективних систем управління поля бою та озброєнням[1]. За допомогою ШІ можливо забезпечити оптимальний та адаптивний до загроз вибір комбінації сенсорів і засобів ураження, скоординувати їх сумісне застосування, виявляти та ідентифікувати загрози, оцінювати наміри противника[1]. Суттєву роль ШІ відіграє в реалізації тактичних систем доповненої реальності. Наприклад, ШІ дозволяє забезпечити класифікацію та семантичну сегментацію зображень, локалізацію та ідентифікацію мобільних об'єктів з метою схематичного відтворення контурів об'єктів як символів доповненої реальності для ефективного цілевказування[1].

Важка промисловість. Роботи в багатьох галузях промисловості найчастіше виконують роботу, яка вважається небезпечною для людини. Роботи довели свою ефективність у роботах, які дуже повторюються, що може призвести до помилок або нещасних випадків через втрату концентрації та інших робочих місць, які люди можуть вважати такою, що принижує гідність. У 2014 році Китай, Японія, США, Республіка Корея та Німеччина об'єднали 70 % загального обсягу продажів роботів. У автомобільній промисловості, сектором з особливо високим ступенем автоматизації, у Японії найвища густина промислових роботів у світі: 1414 на 10 000 співробітників[2].

Лікарні та медицина. Штучні нейронні мережі використовуються як клінічні системи підтримки прийняття рішень (англ. Clinical decision support system) для медичної діагностики. Наприклад, технологія EMR[en].

Інші приклади використання ШІ в медицині, які потенційно може бути створено:

• Комп'ютерна інтерпретація медичних зображень. Такі системи допомагають сканувати цифрові зображення, наприклад, з комп'ютерної томографії, і виявляти типові хвороби. Наприклад, злоякісні пухлини.

• Аналіз серцебиття[3].

• Роботи-супутники для догляду за літніми людьми[4].

• Пошук медичних записів в архіві для надання точнішої інформації

• Розробка плану лікування.

• Надання консультацій.

• Створення лікарських засобів[5].

Наразі в галузі охорони здоров'я працюють понад 100 стартапів, які використовують ШІ[6].

Судова система. У Китаї використали допоміжну технологію на базі ШІ під час судового засідання у Шанхаї. На прохання судді, державного обвинувача або захисника система 206 виводила на монітор потрібні докази. Тестувати систему почали у деяких провінціях та містах Китаю у травні 2018 року[7].

Спорт. Greenshoot Labs створили футбольного тренера для команди Wingate&Finchley. Його завдання — сформувати склад для матчу й обрати тактику проти опонентів, стежити за фізичними показниками гравців і робити заміни на основі цієї інформації, вивчати тактику суперника[8].

Наука. 9 липня 2019 року, спеціальна програма ШІ Word2Vec в Lawrence Berkeley National Laboratory на підставі аналізу понад 3 млн. наукових публікацій, що було надруковано до 2009 року, змогла передбачити один з найкращих сучасних термоелектричних матеріалів. Якби така програма була в наявності 2009 року, на це відкриття не довелось би чекати аж до 2012 року, коли відповідний матеріал було відкрито науковцями[9]. Дуже ймовірно, [оригінальне дослідження?] що інші дослідницькі установи будуть удосконалювати програму Word2Vec AI та їй подібні, щоби поглибити спроможності ШІ до аналізу та більш креативної обробки результатів досліджень і даних.

Рішення штучного інтелекту також допомагають постачальникам освітніх послуг автоматизувати оцінювання студентів шляхом миттєвого оцінювання та відстеження успішності. Це в поєднанні з рішеннями для перетворення тексту в мовлення та мовлення в текст створює середовище з рівним доступом до освіти та кращими академічними результатами.[10]

Космос. Комунікація з космічними кораблями. У червні 2023 року, в дослідницькому центрі NASA оголосили про розробку власного аналога ChatGPT для використання ШІ у космосі. У перспективі він дасть змогу астронавтам комунікувати з космічними кораблями та МКС у голосовому режимі. Ранню версію такого ШІ збираються використовувати на навколомісячній космічній станції Lunar Gateway, яку експлуатуватимуть і для вивчення Місяця в рамках проекту Artemis, і як майбутню станцію пересадки під час місій на Марс. Розробники вирішують розв'язання можливої ситуації, за якої система автоматично виправляла б проблеми з передачею даних та інші технічні збої. «Ми не можемо посилати інженера у космос щоразу, коли космічний апарат виходить з ладу або ламається його програмне забезпечення», — наголошують вони. На спеціальній сторінці NASA повідомляє, що їй знадобляться технології ШІ та машинного навчання для управління різними системами станції, навіть за відсутності астронавтів. До них відносяться автономні операції з науковими вантажами, розподіл пріоритетів під час передачі даних, автономне управління, контроль життєзабезпечення і багато іншого. У NASA вбачають потенціал нейромереж і здатність ШІ самонавчатися. Вони впевнені, що космічні чат-боти також проявлятимуть високу ефективність без доступу до суперкомп’ютерів, яких у космосі не може бути[11][12].

Пошук позаземного життя. В січні 2023 року, незалежне онлайн-видання та джерело новин, в якому публікуються статті, присвячені науковим дослідженням, відкриттям та результатам ScienceAlert повідомило, що створений вченими ШІ зміг визначити понад 20 тисяч різних сигналів, які прийшли на Землю з космосу і 8 із цих сигналів можуть стосуватися позаземних цивілізацій. За словами Денні Прайса з Університету Кертін (Австралія), він та його колеги декілька років займалися пошуками доказів існування розумного життя за межами Сонячної системи. Вчені створили ШІ, для якого прописали спеціальний алгоритм, який допомагає визначити, які сигнали є техносигнатурами (тобто штучно створеними сигналами від можливих інопланетян), а які - звичайними радіоперешкодами. "Наш штучний інтелект був навчений шукати в даних радіотелескопів сигнали, які не могли бути створені природними астрофізичними процесами. Коли ми передали нашому ШІ раніше вивчений набір даних, він виявив 8 цікавих сигналів із космосу", - повідомив вчений[13][14].

Образотворче мистецтво. Існує кілька інструментів і веб-сайтів на базі штучного інтелекту, які можуть генерувати зображення, ескізи та креслення на основі введення користувача. Ось кілька прикладів:

• Google AutoDraw https://www.autodraw.com/ цей інструмент використовує алгоритми машинного навчання, щоб розпізнавати дудли користувача та пропонувати пропозиції щодо їх заміни більш витонченими малюнками.

• DALL-E https://openai.com/dall-e/ це дослідницький проект OpenAI, який створює зображення з текстових описів за допомогою методів глибокого навчання.

• AI Painter https://paintschainer.preferred.tech/index_en.html цей веб-сайт дозволяє користувачам завантажувати штрихові малюнки, а потім використовувати ШІ для автоматичного розфарбовування зображення.

• DeepArt.io https://deepart.io/ цей веб-сайт дозволяє користувачам перетворювати свої фотографії на твори мистецтва в стилі відомих художників, використовуючи нейронні мережі та алгоритми машинного навчання.

Інформатика. Інструменти допомоги у програмуванні на основі штучного інтелекту. Штучний інтелект може бути використаний для автоматичного завершення коду у реальному часі, чату та автоматизованої генерації тестів. Ці інструменти зазвичай інтегровані з редакторами та IDE як плагіни. Вони відрізняються за функціональністю, якістю, швидкістю та підходом до конфіденційності.

Пропозиції доповнення коду можуть бути неправильними і повинні бути уважно переглянуті розробниками програмного забезпечення перед прийняттям.

GitHub Copilot — це модель штучного інтелекту, розроблена GitHub та OpenAI, яка може автоматично завершувати код на різних мовах програмування.[16] Ціна для фізичних осіб: $10/міс або $100/рік, з безкоштовним пробним місяцем.

Tabnine[en] був створений Джейкобом Джексоном і спочатку належав компанії Tabnine. У кінці 2019 року Tabnine був придбаний Codota.[17]

Інші інструменти: CodiumAI[18], Replit Ghostwriter[19] CodeWhisperer[20], SourceGraph Cody, CodeCompleteFauxPilot, Tabby[15]

Проектування нейронних мереж. ШІ можна застосовувати для створення інших ШІ. Наприклад, в листопаді 2017, проект Google AutoML створив нову топологію NASNet продуктивність якої перевершувала попередні варіанти створені людьми.[21]

Історичні застосування. Дослідники штучного інтелекту створили багато інструментів для розв'язання найважчих проблем інформатики. Багато їхніх винаходів були успадковані мейнстримною інформатикою і більше не вважаються штучним інтелектом. Наприклад наступні ідеї були розроблені в лабораторіях штучного інтелекту: AI researchers have created many tools to solve the most difficult problems in computer science. Many of their inventions have been adopted by mainstream computer science and are no longer considered AI. All of the following were originally developed in AI laboratories:

• Розподіл часу

• Інтерактивні інтерпретатори

• Графічний інтерфейс користувача і комп'ютерна миша

• Середовища RAD

• структура даних зв'язаний список

• Automatic storage management[en]

• Symbolic programming[en]

• Функційне програмування

• Динамічне програмування

• Об'єктно-орієнтоване програмування

• Оптичне розпізнавання символів

• Constraint satisfaction

Трансляція передач радіомовлення. Згідно повідомлення компанії ZDF, у Німеччині з’явиться радіостанція, контент для якої повністю підбиратиме та модеруватиме ШІ. Проєктом займається приватна німецька радіогрупа Audiotainment Südwest спільно з американською компанією Futuri Media, яка у 2023 році запустила RadioGPT під керуванням ШІ у США. Окрім музики, прогнозу погоди та новин, німецьке RadioGPT також шукатиме історії у соціальних мережах за регіональним принципом[23][24].

Список сфер застосування ШІ:

• Оптичне розпізнавання символів

• Розпізнавання рукописного введення

• Розпізнавання мовлення

• Розпізнавання обличчя

• Породжувальний штучний інтелект

• Обчислювальна творчість[en]

• Комп'ютерний зір, віртуальна реальність та обробка зображень

• Штучне життя

• Автоматизація

• Добування даних

• Представлення знань

• Семантична павутина

• Управління мережами стільникового зв'язку 6G

Цікаві факти. Ексрозробники популярного дейтинг-додатка Tinder представили CupidBot. Чат-бот використовує ШІ для зваблення жінок від імені чоловіків, які не хочуть витрачати час на розмови. Ціль CupidBot — допомагати чоловікам, у яких серйозні проблеми зі спілкуванням і фліртом. Команда розробників запевняє, що їхній алгоритм може «влаштовувати побачення без відкриття будь-яких додатків». CupidBot буде лайкати фото і листуватися за користувача на онлайн-платформах для знайомств, також він «домовиться» про декілька побачень на тиждень. ШІ вибирає профілі, які «підходять» користувачеві, а потім чат-бот заводить розмову з обраною жінкою. Для цього ШІ використовує ChatGPT та аналізує історію збігів (match). Чат-бот може підтримувати понад 100 різних тональностей мови, зокрема жартівливу, поетичну і навіть за потреби агресивну. Тож справжня мета творців CupidBot — змусити Tinder полегшити процес знайомства для невпевнених у собі людей.

Сильний штучний інтелект (СШІ), або загальний штучний інтелект, або штучний генералізований інтелект (AGI) — штучний інтелект, який може успішно виконати будь-яку інтелектуальну задачу, котру може виконати людина.

Це головна мета багатьох досліджень штучного інтелекту протягом багатьох десятиліть та популярна течія наукової фантастики, яка на початку 2020-х наближається до реалізації. На відміну від розвитку людського інтелекту, який розвивався десятками тисяч років, Сильний ШІ зможе розвиватись майже експоненціально — за долі секунди перевершити здібності людського розуму в десятки чи мільйони разів.

На відміну від вузьких систем штучного інтелекту, які призначені для виконання конкретних завдань, системи AGI розробляються таким чином, щоб адаптуватися, вчитися на досвіді та застосовувати свої знання в нових і незнайомих ситуаціях. AGI має потенціал для революції в багатьох галузях: охорона здоров'я, фінанси, транспорт, освіти та ін. Однак розробка AGI також представляє значні проблеми, включаючи визначення інтелекту, формування людських когнітивних здібностей і безпеку застосування та етичного використання інтелектуальних машин. Незважаючи на ці проблеми, розробка AGI залишається одним із найбільш захоплюючих і перспективних напрямків досліджень у галузі ШІ.[1] Момент в майбутній історії, коли ШІ перевершить людський розум, називається «технологічною сингулярністю». Що буде після технологічної сингулярності — неможливо передбачити, оскільки людство ще ніколи не мало справу з чимось набагато розумнішим і потужнішим за людський розум. На думку футуролога Рея Курцвейля людство досягне Сильного ШІ людського рівня у 2029 році. На думку Ілона Маска — у 2025 році[2][3].

В березні 2023 року деякі дослідники описали своє дослідження нецензурованої версії ChatGPT на базі GPT-4, що доступна тільки для розробників в OpenAI, ранньою та неповною версією сильного штучного інтелекту (AGI).[4] В середині квітня 2023 року Сем Альтман з OpenAI заявив, що компанія поки припинила тренування GPT-5, у відповідь на лист[5] з відповідним проханням від 50 тисяч людей, зокрема більше 1800 CEO та 1500 професорів, серед яких, Ілон Маск, Стів Возняк, Юваль Гарарі та багато інших людей.

Загальний штучний інтелект (AGI) є складною та комплексною галуззю, яка відкриває значні можливості, але потребує вирішення і значних викликів, для розвитку AGI. Виклики:

• Визначення інтелекту. Одним із найбільших викликів у AGI є визначення інтелекту. Нема єдиної думки щодо того, що таке інтелект, незрозуміло, як його можливо виміряти в машинах.

• Розвиток когнітивних здібностей, подібних до людських. Іншим значним викликом у AGI є формування когнітивних здібностей, подібних до людських, таких як креативність, емпатія та здоровий глузд. Ці здібності важко запрограмувати в машинах і вимагають глибокого розуміння людського пізнання.

• Дотримання безпеки та етичного використання. Розробка безпечних та етичних систем AGI є надзвичайно важливою, враховуючи потенційний вплив, який ці системи можуть мати на суспільство. Є занепокоєння щодо небажаних наслідків роботи розумних машин і можливості їх використання для шкідливих цілей.

• Обчислювальна потужність і дані: AGI вимагає величезних обсягів даних і обчислювальної потужності, отримання та керування якими може бути серйозною проблемою.

• Узагальнення та передача навчання: системи AGI повинні мати можливість узагальнювати знання для низки завдань і переносити ці знання в нові ситуації. Це складна проблема, і сучасні підходи до машинного навчання борються з узагальненням і трансферним навчанням.

• Стійкість і надійність: системи AGI повинні бути стійкими та надійними, тобто вони повинні бути здатними впоратися з несподіваними ситуаціями та помилками. Це особливо складно в динамічному та непередбачуваному середовищі.

• Можливість пояснення та інтерпретації: системи AGI мають бути прозорими та доступними для пояснення, тобто їхні рішення та міркування мають бути зрозумілими та інтерпретованими для людей. Це важливо для безпеки, відповідальності та довіри.

• Взаємодія «людина-машина». Системи AGI мають бути розроблені для взаємодії з людьми природним та інтуїтивно зрозумілим способом, що вимагає розуміння людського спілкування та поведінки.

• Вартість і доступність: розробка AGI дорога, а доступ до ресурсів обмежений. Це може створити нерівність у дослідженнях і розробках AGI і обмежити їх доступність для певних груп або країн.

Можливості:

• Вирішення складних проблем: AGI має потенціал для вирішення складних проблем у таких сферах, як освіта, охорона здоров'я, економіка, логістика та теоретично, будь-яких інших.

• Покращення життя людини: AGI може допомогти покращити життя людини багатьма способами, наприклад, надаючи персоналізовану освіту або допомагаючи людям з обмеженими можливостями.

• Прискорення наукових досліджень: AGI може сприяти просуванню наукових досліджень шляхом моделювання складних систем, прогнозування результатів і створення нових гіпотез.

• Підвищення екологічної стійкості: AGI може допомогти нам вирішити деякі з найактуальніших екологічних проблем у світі, таких як зміна клімату, забруднення довкілля та виснаження ресурсів. Наприклад, AGI можна використовувати для оптимізації споживання енергії, розробки стійкіших методів ведення сільського господарства або прогнозування стихійних лих.

• Підвищення продуктивності: системи AGI можуть автоматизувати нудні або трудомісткі завдання, допомагаючи людям зосереджуватись на більш творчій або стратегічній роботі. Це може призвести до значного підвищення продуктивності в таких галузях, як виробництво, логістика та обслуговування клієнтів.

• Революція транспорту: AGI можна використовувати для розробки автономних транспортних засобів, які можуть керувати безпечніше та ефективніше, ніж люди-водії. Це може призвести до зменшення кількості дорожньо-транспортних пригод, зниження викидів і створення зручніших варіантів транспортування.

• Допомога в дослідженні космосу: AGI може допомогти прискорити дослідження космосу шляхом автоматизації таких завдань, як картографування, навігація та зв'язок. Це може призвести до проривів у нашому розумінні Всесвіту та нашій здатності досліджувати його.

Незважаючи на ці виклики та можливості, дослідження AGI продовжують швидко розвиватися, а дослідники з різних галузей працюють над вирішенням фундаментальних проблем AGI. Цілком імовірно, що розвиток AGI матиме значні наслідки для майбутнього людства, як позитивні, так і негативні, і дуже важливо, щоб ми підходили до його розвитку з свідомою увагою та поміркованністю. Важливо, щоб розробка AGI здійснювалась відповідально, зосереджуючись на безпеці, етиці та добробуті всіх людей.

Характеристики. Сильний ШІ повинен не поступатися людському інтелекту або й перевершувати його; міркувати, покладаючись на стратегію; розгадувати таємниці та приймати судження в умовах невизначеності; представляти знання, включаючи знання здорового глузду; планувати; вчитися; спілкуватися природною мовою та інтегрувати всі ці навички до прикладних цілей[8][9][10][11]. Іншими важливими характеристиками СШІ вказуються здатність діяти, покладаючись на відчуття реальності, та впливати на фізичні об'єкти[12]. А також здатність уявляти, формуючи образи чи поняття, не закладені наперед[13], і діяти незалежно від інтелекту, що створив цей СШІ[14].

Створення сильного штучного інтелекту може дати відповідь на питання щодо природи інтелекту людського: є він суто механістичним, або ж вимагає певного компонента, який неможливо відтворити штучно[15]. Деякі трансгуманісти та біохакери очікують можливість об'єднання мозку з сильним штучним інтелектом за допомогою нейро-комп'ютерного інтерфейсу в кінці 2020-тих–на початку 2030-х років[3].

Когнітивна архітектура є ключовим компонентом загального штучного інтелекту (AGI), що забезпечує основу для розробки інтелектуальних систем, які можуть міркувати, навчатися та адаптуватися до нових ситуацій. За своєю суттю когнітивна архітектура прагне моделювати когнітивні процеси людського мозку, забезпечуючи основу для розуміння того, як працюють інтелектуальні системи та як їх можна вдосконалити.

Існує багато різних підходів до когнітивної архітектури, причому деякі дослідники зосереджуються на символічних системах, тоді як інші зосереджуються на нейронних мережах або гібридних моделях, які поєднують обидва. Незалежно від підходу, більшість когнітивних архітектур мають декілька ключових характеристик[1]:

• Модульність: когнітивні архітектури зазвичай організовані в модулі, які представляють різні когнітивні функції, такі як сприйняття, увага, пам'ять і прийняття рішень.

• Навчання та адаптація: когнітивні архітектури призначені для навчання та адаптації до нових ситуацій за допомогою контрольованого навчання (коли система навчається на позначених даних) або неконтрольованого навчання (коли система самостійно виявляє шаблони в даних).

• Міркування та вирішення проблем: когнітивні архітектури дозволяють інтелектуальним системам міркувати та вирішувати проблеми, використовуючи такі методи, як дедуктивне міркування, ймовірнісний висновок або евристичний пошук.

• Емуляція людського пізнання: когнітивні архітектури прагнуть імітувати когнітивні процеси людського мозку, забезпечуючи основу для розуміння того, як працюють інтелектуальні системи та як їх можна вдосконалити.

Одним із ключових завдань у когнітивній архітектурі є проектування систем, які є гнучкими та достатньо загальними, щоб виконувати широкий спектр завдань, а також є ефективними та масштабованими. Дослідники постійно досліджують нові методи та підходи для вирішення цих проблем, з кінцевою метою створення систем, здатних до людського рівня інтелекту та не тільки.

Загалом, когнітивна архітектура є важливою сферою досліджень у галузі AGI, що забезпечує основу для розробки інтелектуальних систем, які можуть мислити, навчатися та адаптуватися, як люди. Оскільки дослідження в цій галузі продовжують просуватися, ми можемо очікувати значних проривів у розробці AGI та його застосуванні в широкому діапазоні галузей.

Приклади перевершення людського інтелекту штучним.

Приклад № 1: штучний інтелект перемагає кімнату, заповнену кращими лікарями, у змаганні з діагностики пухлин (2018). Вчені Дослідницького центру неврологічних розладів штучного інтелекту та дослідницька група Столичного медичного університету в Китаї надали ШІ під назвою BioMind тисячі зображень захворювань, пов'язаних із нервовою системою. У змаганнях із двох раундів BioMind правильно діагностував 85 % випадків за 18 хвилин у порівнянні з групою найкращих неврологів, яка досягла лише 64 % точності за 50 хвилин.

Приклад № 2: штучний інтелект розробляє комп'ютерний чіп так само добре, як і інженер-людина — і швидше (2021). Набір алгоритмів від Google Brain тепер може розробляти комп'ютерні мікросхеми, які використовуються для запуску програмного забезпечення ШІ, які значно перевершують ті, що розроблені експертами-людьми. Використовуючи тип машинного навчання, який називається глибоким навчанням з підкріпленням, ці розробники чіпів зі штучним інтелектом можуть працювати за лічені години, порівняно з типовим процесом, який може тривати тижнями або навіть місяцями.

Приклад № 3: ШІ DeepMind розгадує математичні головоломки, які десятиліттями ставлять людей у глухий кут (2021). Працюючи з командами математиків, DeepMind розробив алгоритм для вирішення двох давніх головоломок у математиці: теорії вузлів і вивчення симетрій. Алгоритм міг розглядати різні математичні поля та виявляти зв'язки, які раніше вислизали від людського розуму. Вперше машинне навчання спрямоване на ядро математики — науки про виявлення закономірностей, які зрештою призводять до формально підтверджених ідей або теорем про те, як працює наш світ.

Приклад № 4: ШІ перемагає 8 чемпіонів світу з бриджу (2022). Бридж — це комунікаційна та стратегічна гра, яка довго протистояла домінуванню ШІ. Дотепер. Штучний інтелект для гри в бридж під назвою NooK, розроблений французьким стартапом NukkAI, переміг 8 чемпіонів світу з бриджу на змаганнях у Парижі. NooK — це свого роду гібридний алгоритм, який поєднує символічний (тобто заснований на правилах) ШІ з домінуючим сьогодні підходом до глибокого навчання. У 80 сетах проти своїх людських суперників NooK виграв 67, або 83 %.

Приклад № 5: штучний інтелект, який розробляє білки, створює ліки, про які люди навіть не мріяли (2022). Вчені з Університету Вашингтона використали алгоритм глибокого навчання, щоб не лише передбачити загальну площу функціонального сайту білка, але й сформувати структуру. Команда використовувала нове програмне забезпечення для створення ліків, які «борються з раком», і створювала вакцини проти звичайних, хоча іноді й смертельних, вірусів. Як зазначив провідний науковець у дослідженні д-р Девід Бейкер, «Глибоке навчання трансформувало прогнозування структури білка за останні два роки, зараз ми перебуваємо в середині подібної трансформації дизайну білка»[3].

Виявлення сильного штучного інтелекту. Головним критерієм для визнання штучного інтелекту «сильним» є проходженням ним тесту Тюрінга, коли людина буде нездатна відрізнити чи спілкується з нею інша людина, чи машина.

Стів Возняк пропонував так званий «кавовий тест»: штучний інтелект може вважатися сильним, якщо машина під його керуванням здатна потрапити до пересічного американського будинку, знайти кавоварку, зварити в ній каву та налити її в горнятко. Тобто, сильний ШІ повинен вміти виконувати послідовності буденних людських завдань, на відміну від слабкого ШІ, котрий може виконувати тільки одне завдання чи їх вузький набір. У варіанті Бена Герцеля — пройти той самий курс навчання, що й пересічна людина, та здобути освітній ступінь. За Нільсом Джоном Нільсоном — виконувати економічно важливу роботу не гірше за людину[16].

Слабкий штучний інтелект (слабкий ШІ) — це штучний інтелект, який реалізує певну частину своїх можливостей або, як вузький ШІ, [1] [2] [3] зосереджений на одній вузькій сфері. За словами Джона Серля, він "був би корисним для перевірки гіпотез про інтелект, але насправді не замінив би його". [4] Слабкий штучний інтелект зосереджується на імітації того, як люди виконують базові дії, такі як запам’ятовування речей, сприйняття речей і вирішення простих проблем. [5] На противагу сильному штучному інтелекту, який використовує технології для самостійного мислення та навчання. Комп’ютери здатні використовувати такі методи, як алгоритми та попередні знання, щоб розвивати власні способи мислення, як це роблять люди. [5] Загальні (сильні) системи штучного інтелекту вчаться працювати незалежно від програмістів, які їх запрограмували. Слабкий ШІ не здатний мати власний розум і може лише імітувати реальну поведінку, яку спостерігає. [6]

Він протиставляється сильному штучному інтелекту, який визначається по-різному:

• Сильний (загальний) штучний інтелект : машина зі здатністю застосовувати інтелект до будь-якої проблеми, а не лише до однієї конкретної.

• Інтелект людського рівня : машина з інтелектом, подібним до людського.

• Суперінтелект : машина зі значно вищим інтелектом, ніж середньостатистичний людський.

• Штучна свідомість : машина, яка має свідомість, почуття та розум.

Такі вчені, як Антоніо Лієто, стверджують, що сучасні дослідження як ШІ, так і когнітивного моделювання повністю узгоджуються з гіпотезою слабкого ШІ (яку не слід плутати з відмінністю між "загальним" і "вузьким" ШІ). І популярне припущення про те, що когнітивні системи ШІ підтримують гіпотезу сильного ШІ, погано сформульоване і проблематичне, оскільки "штучні моделі мозку і розуму можуть бути застосовані для розуміння ментальних явищ, не вдаючи з себе реальні явища"[8] (ст. 85) (що, з іншого боку, випливає з припущення про сильний ШІ).

ШІ можна класифікувати як такий, що "...обмежується одним, чітко визначеним завданням. Більшість сучасних систем ШІ можна віднести до цієї категорії"[8]. "Вузький"(слабкий) означає, що робот або комп'ютер строго обмежений вирішувати лише одну задачу за раз. Сильний ШІ - навпаки. Сильний ШІ максимально наближений до людського мозку або розуму. Так вважав філософ Джон Серль. Ця ідея сильного ШІ також є суперечливою, і Серл вважає, що тест Тьюринга (створений Аланом Тьюрингом під час Другої світової війни, спочатку називався "Імітаційна гра" і використовувався для перевірки того, чи є машина такою ж розумною, як людина) не є точним або придатним для тестування сильного ШІ.