Что такое искусственный интеллект - все что вам нужно знать про новую технологию

Многие люди впервые познакомились с понятием искусственного интеллекта, когда посмотрели фильм "Терминатор" от режиссера Джеймса Кэмерона. С тех пор человечество относится к этой теме с осторожностью, а некоторые даже испытывают страх перед его возможностями. По многим отзывам, режиссеру фантастического фильма удалось заставить зрителей задуматься о потенциальном будущем, где искусственный интеллект почти уничтожил человечество. Но давайте разберемся, что на самом деле представляет собой искусственный интеллект?!

Искусственный интеллект (ИИ) включает в себя сочетание математических алгоритмов, программного обеспечения, аппаратного обеспечения и надежных наборов данных, используемых для решения различных задач. В общем понимании, искусственный интеллект представляет собой сложную обработку информации с использованием мощных программ или алгоритмов. Однако ИИ не только обрабатывает информацию, но и сам является программой или алгоритмом.

Как связан искусственный интеллект с человеческим мозгом?

Многие определения искусственного интеллекта сравнивают его с человеческим разумом или мозгом, как по структуре, так и по функциям. В 1950 году Алан Тьюринг описал "мыслящие машины", способные решать задачи и отвечать на вопросы с использованием человекоподобного мышления. Его тест Тьюринга до сих пор считается стандартом в области обработки естественного языка. Однако впоследствии Стюарт Рассел и Джон Норвиг отметили, что человек обладает интеллектом, но не всегда действует рационально.

Было предсказано Аланом Тьюрингом появление искусственного интеллекта.

Согласно определению Джона Маккарти, данному в 2004 году, искусственный интеллект представляет собой область науки и техники, направленную на создание интеллектуальных машин и программ. Это включает в себя использование компьютеров для моделирования и понимания человеческого интеллекта, но не ограничивается методами, доступными для биологического наблюдения.

Рассел и Норвиг выделили два типа искусственного интеллекта: системы, которые способны мыслить и действовать рационально, и системы, которые способны мыслить и действовать как человек. Однако существуют области, где эта граница становится нечеткой. Искусственный интеллект и человеческий мозг используют иерархическую, глубоко параллельную сетевую структуру для организации информации, которую они получают. Независимо от того, задан ли ИИ для действия как человек или нет, на самом низком уровне искусственный интеллект обрабатывает данные так же, как и человеческий мозг, а также как многие другие формы жизни на Земле.

Соперничество между искусственным интеллектом и нейронными сетями, глубоким обучением и машинным обучением.

В чем заключается основное различие между нейронной сетью и обычным программным обеспечением? Оно заключается в ее структуре. Программный код нейронной сети разрабатывается для имитации определенных характеристик архитектуры нейронов или мозга.

Философия часто становится центральным вопросом при сравнении нейронных сетей и искусственного интеллекта. Надежная нейронная сеть может быть так же эффективной, как и узкоспециализированный искусственный интеллект, если не превосходить его. Многие современные системы, которые называются "искусственным интеллектом", на самом деле основаны на нейронных сетях. Искусственный интеллект не просто несколько нейронных сетей, объединенных вместе, как Чаризард из мультфильма про Покемонов, где три Чармандера объединены в одном теле. Различные виды искусственного интеллекта имеют разную сложность. Например, GPT-4 (Generative Pretrained Transformer 4) от OpenAI представляет собой нейронную сеть, известную как трансформер.

Связь иерархическая между искусственным интеллектом, машинным обучением, нейронными сетями и глубоким обучением была отмечена компанией IBM.

Нейронные сети и искусственный интеллект имеют много общего, однако основное различие заключается в способности к машинному обучению. Ведь искусственный интеллект, который не способен к обучению, не может считаться умным.

IBM объясняет, что машинное обучение является частью искусственного интеллекта. Глубокое обучение, в свою очередь, является разделом машинного обучения, где основу алгоритмов составляют нейронные сети. Отличительной особенностью нейронных сетей от алгоритмов глубокого обучения является количество слоев узлов, или их глубина, которая должна быть не менее трех.

Что представляет собой AGI?

AGI, что означает искусственный общий интеллект, представляет собой улучшенную версию персонального искусственного интеллекта. В отличие от современных ИИ, которым требуются определенные входные данные, AGI способен "думать" самостоятельно и решать проблемы, на которые не был обучен. Однако некоторые ученые беспокоятся о возможности того, что AGI начнет делать выводы, которые не были запрошены.

В литературе часто встречается сюжет, где искусственный интеллект выходит из-под контроля создателей и начинает угрожать людям, что соответствует понятию AGI. Например, робот WALL-E из мультфильма Disney/Pixar - это яркий пример маленького мусорного робота, который сталкивается с безумным ИИ по имени AUTO. До появления WALL-E также были HAL и Skynet - примеры искусственного интеллекта, достаточно сложные, чтобы возненавидеть своих создателей и представлять угрозу для человечества.

Skynet - искусственный общий интеллект, который вышел из-под контроля.

Каковы компоненты искусственного интеллекта?

Структура искусственного интеллекта состоит из трех основных компонентов. Первый из них - это процесс принятия решений, который обычно представлен уравнением, моделью или кодом. Второй компонент - это функция проверки ошибок, которая позволяет ИИ оценить свою работу. И, наконец, если искусственный интеллект обучается на собственном опыте, ему необходим способ оптимизировать свою модель. Многие нейронные сети используют систему взвешенных узлов, где каждый узел имеет свое значение и взаимосвязь с другими узлами. Значения узлов изменяются со временем, причем более сильные связи имеют больший вес в функции ошибок.

Искусственный интеллект, по своей сути, представляет собой просто программное обеспечение. Нейронные сети состоят из уравнений или инструкций, написанных на языках программирования, таких как Python или Common Lisp. Они проводят анализ, выполняют преобразования и выявляют закономерности в данных. Коммерческие приложения искусственного интеллекта обычно запускаются на серверном оборудовании, но ситуация постепенно меняется. В начале 2023 года компания AMD выпустила первый встроенный нейронный процессор (NPU) с мобильными чипами Ryzen 7040. Intel последовала этому примеру, выпустив специальный кремниевый чип, интегрированный в Meteor Lake. Специализированные аппаратные нейронные сети работают на особых микросхемах ASIC, известных как "нейроморфные", вместо использования CPU, GPU или NPU.

Искусственные нейронные сети и нейроморфные процессоры.

Нейронная сеть - это программное обеспечение, а нейроморфный чип - это вид аппаратного обеспечения, известный как ASIC (приложение-специфическая интегральная схема). Не все ASIC являются нейроморфными чипами, но все нейроморфные чипы являются ASIC. Нейроморфный дизайн существенно отличается от процессоров и лишь частично пересекается с многоядерной архитектурой графического процессора. Однако это не новый экзотический тип транзистора или странная структура данных. Все дело в тензорах. Тензоры описывают взаимосвязи между объектами; они представляют собой математический объект, который может содержать метаданные, аналогично тому, как цифровое фото содержит данные EXIF.

Тензоры играют важную роль в движках физики и освещения современных игр, поэтому неудивительно, что графические процессоры берут на себя основную нагрузку по обработке тензоров. Графические процессоры Nvidia RTX оснащены значительным количеством тензорных ядер, которые оказываются незаменимыми при отображении движущихся многоугольников с уникальными свойствами и эффектами. Тензоры способны обрабатывать не только пространственные данные, поэтому графические процессоры Nvidia успешно справляются с организацией множества параллельных потоков.

Несмотря на то, насколько хорошо разработана структура данных, перед тем как она будет преобразована в двоичный код, ей необходимо пройти через несколько уровней программной абстракции. В данном случае чип Intel Loihi 2 предлагает совершенно новый подход.

Intel Loihi 2 - новая версия процессора Intel Loihi, который представляет собой нейроморфный процессор, разработанный для моделирования работы человеческого мозга. Этот процессор обладает уникальной архитектурой, способной эмулировать нейронные сети и выполнять сложные вычисления параллельно. Intel Loihi 2 представляет собой значительное улучшение по сравнению с предыдущей версией, что делает его одним из самых передовых и перспективных решений в области искусственного интеллекта и машинного обучения.

Loihi 2 - это инновационный нейроморфный чип, который поставляется в комплекте с вычислительным фреймворком под названием Lava. Физическая структура Loihi предполагает использование системы взвешивания и функции ошибки - обе являются ключевыми характеристиками искусственного интеллекта и нейронных сетей. Дизайн чипа биомиметический и распространяется даже на его электрические сигналы. Вместо обычных нулей и единиц Loihi использует импульсы с целыми числами, что позволяет передавать больший объем данных. Loihi 2 предназначен для решения задач, которые не эффективно выполняются на традиционных процессорах и видеокартах. Lava предоставляет универсальный программный стек, который совместим с нейроморфным и стандартным оборудованием. Платформа Lava разработана таким образом, чтобы быть независимой от конкретного аппаратного обеспечения и не привязанной к нейроморфным процессорам Intel.

Новые процессоры Intel - архитектуры Loihi и Loihi 2

Модели машинного обучения, работающие с Lava, могут в полной мере использовать уникальную физическую архитектуру Loihi 2. Вместе они создают гибридную аппаратно-программную нейронную сеть, способную анализировать взаимосвязи между различными многомерными наборами данных, подобно мастеру жонглирования, умело вращающему несколько тарелок одновременно. По информации от Intel, увеличение производительности и эффективности является значительным по сравнению с традиционными прямыми нейронными сетями, которые обычно используются на процессорах и графических ускорителях. На графике ниже цветные точки в правом верхнем углу отображают наибольшее улучшение производительности и эффективности в рамках того, что Intel определяет как "рекуррентные нейронные сети с новыми биотехнологическими свойствами".

Архитектуры, которые ограничены использованием только прямой связи, имеют свои ограничения по сравнению с архитектурами нейронных сетей, способными извлекать выгоду из обратной связи. Ссылка: Исследовательские лаборатории Intel

Пока Intel не представила Loihi 3, но уже ходят слухи о его скором появлении, так как компания регулярно обновляет платформу Lava. В отличие от обычных графических процессоров, центральных процессоров и NPU, нейроморфные чипы, такие как Loihi 1/2, в основном используются для научных исследований. Преимущество нейроморфного дизайна заключается в возможности кремния имитировать биологические процессы. Эти "электронные мозги" очень энергоэффективны и дешевы в использовании. Есть надежда, что Loihi и другие нейроморфные системы смогут достичь высокой энергоэффективности, чтобы обеспечить высокое качество, быструю работу и доступную цену, выходя за рамки "железного треугольника".

Северный полюс IBM

Процессор IBM NorthPole отличается от чипа Intel Loihi не только своим функционалом, но и способом его выполнения. В отличие от Loihi и более ранних версий IBM TrueNorth, NorthPole не является нейроморфным процессором. NorthPole использует традиционные методы вычислений, а не импульсную нейронную модель, уделяя особое внимание задачам вывода, а не обучению модели. Особенностью NorthPole является его способность объединять вычислительные функции и память. В отличие от центральных и графических процессоров, которые потребляют много энергии на перемещение данных, в NorthPole элементы памяти и вычислений интегрированы близко друг к другу.

Согласно Дхармендре Модхи из IBM Research, NorthPole размывает границу между вычислениями и памятью с архитектурной точки зрения. На уровне отдельных ядер NorthPole представляет собой память, расположенную рядом с компьютером, а на уровне ввода-вывода за пределами чипа он выглядит как активная память. Хотя IBM не использует термин "процессор в памяти", этот подход напоминает технологию, о которой говорила Samsung несколько лет назад.

NorthPole - это процессор искусственного интеллекта, разработанный компанией IBM.

NorthPole оптимизирован для данных с низкой точностью (от 2 до 8 бит), в отличие от стандарта FP16/bfloat16 с более высокой точностью, который часто используется для задач искусственного интеллекта, и избегает спекулятивного выполнения ветвей. Этот чип не предназначен для обучения моделей LLM, а сконцентрирован на задачах вывода. Использование 2-битной точности и отсутствие спекулятивных ветвей позволяет чипу выполнять огромные параллельные вычисления, охватывающие всю его площадь. По данным IBM, NorthPole в 25 раз более энергоэффективен, чем графический процессор Nvidia, изготовленный на том же 12-нм техпроцессе, и в 5 раз более энергоэффективен по сравнению с предыдущими моделями.

Проект NorthPole все еще находится в стадии прототипа, и пока неясно, планирует ли IBM коммерциализировать данную разработку. Этот чип не подпадает ни под одну из существующих категорий, используемых для классификации различных типов процессоров искусственного интеллекта. Тем не менее, он представляет собой увлекательный пример того, как компании экспериментируют с различными подходами к созданию более эффективных процессоров для работы с ИИ.

Как происходит обучение искусственного интеллекта?

Процесс обучения искусственного интеллекта отличается от простого сохранения отредактированного файла. Для ИИ стремление к повышению уровня интеллекта предполагает применение машинного обучения.

Процесс машинного обучения включает в себя использование механизма обратной связи, который известен как "обратное распространение". В отличие от обычной нейронной сети, которая работает по принципу "упреждающей связи", где данные передаются только в одном направлении, обратное распространение позволяет передавать информацию от более поздних узлов к более ранним. Этот процесс эффективен и позволяет оптимизировать работу нейронной сети, делая ее более гибкой и управляемой.

Не все нейронные сети используют метод обратного распространения ошибки, однако для тех, которые это делают, этот процесс аналогичен изменению коэффициентов перед переменными в уравнении. Это имеет важное значение, поскольку многие приложения искусственного интеллекта опираются на математический метод, известный как градиентный спуск. В случае с двумя переменными x и y градиентный спуск добавляет третье измерение z, превращая простой график в топографическую карту. Таким образом, ландшафт на этой карте представляет собой пространство вероятностей. Прокатывая шарик по склонам этого ландшафта, мы определяем результат работы нейронной сети. Однако если изменить этот ландшафт, то изменится и место, куда шарик приземлится.

Обучение с управлением и без управления

Также мы классифицируем нейронные сети на две категории в зависимости от задач, которые они способны решить. При обучении с помощью "учителя" нейронная сеть проверяет свою работу на основе помеченного обучающего набора или наблюдения; зачастую этим "учителем" выступает человек. Например, SwiftKey запоминает ваш стиль письма и настраивает автозамену соответственно. Pandora использует данные слушателей для классификации музыки и создания персонализированных плейлистов. На канале 3blue1brown на YouTube можно найти отличную серию видео о нейронных сетях, в которой рассматривается нейронная сеть, применяющая контролируемое обучение для распознавания рукописного текста.

Индивидуальное обучение и обучение без преподавателя - два различных подхода к обработке данных. Первый обеспечивает высокую точность при постоянных параметрах, таких как алфавиты. В то время как второй может искажать данные из-за изменения количества измерений (например, трехмерное уравнение с переменными x, y и z). Обучение без преподавателя часто показывает свою эффективность при работе с небольшими наборами данных, позволяя выявлять тонкие закономерности, о которых мы даже не подозреваем. Попросите неконтролируемую нейронную сеть проанализировать данные, и она может обнаружить закономерности, которые нам даже неизвестны.

Что представляет собой трансформер?

Трансформеры - это специальный вид искусственного интеллекта, который способен к самостоятельному обучению. Они способны объединять различные потоки информации с различными параметрами, что делает их идеальными для работы с тензорами. Тензоры, в свою очередь, отлично подходят для организации и структурирования данных. Совмещение возможностей тензоров и трансформеров позволяет обрабатывать даже самые сложные наборы данных.

Использование искусственного интеллекта для масштабирования видео и сглаживания движения является важным направлением развития. Также необходимо отметить, что тензоры, которые описывают изменения, играют ключевую роль в выявлении дипфейков и подделок. С учетом активного распространения инструментов глубокой подделки, в сети начинается настоящая гонка вооружений в цифровом пространстве.

На фотографии изображена не настоящая женщина, а лицо, сгенерированное при помощи технологии StyleGAN - инновационной нейронной сети, разработанной компанией Nvidia.

Известно, что видеосигнал обладает высокой размерностью или "глубиной битов". Он представляет собой последовательность изображений, каждое из которых состоит из координат и значений цвета. Математически и в коде компьютера эти данные представлены в виде матриц или n-мерных массивов. Удобно, что тензоры отлично подходят для работы с матрицами и массивами. Например, в DaVinci Resolve используется тензорная обработка в инструменте распознавания лиц Neural Engine с аппаратным ускорением (Nvidia RTX). Передавая эти тензоры трансформеру, его способность к обучению без присмотра идеально подходит для определения кривых движения на экране и в реальном мире.

Устройство для выполнения задач, трансформирующий механизм, шпионажное устройство

Именно способность отслеживать несколько кривых относительно друг друга является причиной успеха комбинации тензор-трансформера в обработке естественного языка. Этот подход может быть расширен и применен в других областях. Конволюционные трансформеры, объединяющие в себе конволюционные нейронные сети и трансформаторы, отлично справляются с распознаванием изображений практически в реальном времени. В настоящее время эта технология применяется для различных задач, включая поиск и спасение людей с помощью роботов, вспомогательное распознавание изображений и текстов, а также для распознавания лиц, что вызывает дискуссии, как в Гонконге.

Способность адаптироваться к изменяющимся массивам данных - это не только важный инструмент для потребительских и вспомогательных технологий, но также играет ключевую роль в таких областях, как картирование генома и улучшение дизайна лекарств. Этот список можно продолжать бесконечно. Трансформеры способны обрабатывать различные типы измерений, включая не только пространственные, что пригодно для управления множеством устройств или встроенных датчиков, таких как системы отслеживания погоды, маршрутизации трафика или промышленного управления. Именно поэтому искусственный интеллект настолько ценен в обработке огромных объемов данных. ИИ способен выявлять закономерности в информации и оперативно реагировать на них.

Искусственный интеллект, работающий автономно.

В настоящее время у большинства людей есть смартфон с постоянным доступом в интернет. Это привело к появлению новой глобальной сети под названием "Интернет вещей" (IoT). В перспективе будут разработаны специальные мобильные чипы, способные поддерживать функции искусственного интеллекта, что позволит использовать ИИ без необходимости обращаться к серверам.

В настоящее время искусственный интеллект принимает две основные формы: ИИ, работающий на устройствах, и ИИ, предназначенный для устройств. Основное различие заключается в том, где происходит обработка данных. "ИИ на периферии" относится к конечным узлам сети (включая потребительские устройства, автомобили и промышленные системы управления), которые используют искусственный интеллект для локальной обработки информации. "ИИ для периферии" предоставляет периферийную аналитику, перенося часть вычислительных ресурсов в облако.

В реальной жизни основными отличиями между ними являются задержка и производительность. Локальная обработка всегда будет более быстрой, чем передача данных через сеть, зависящая от времени пинга. Компромиссом является вычислительная мощность, доступная на сервере.

Встроенные устройства, потребительская электроника, системы управления в промышленности и другие узлы "Интернета вещей" собирают огромное количество информации, которое требует обработки. Одни люди звонят домой, другие должны обрабатывать данные практически в реальном времени, а третьим приходится проверять и исправлять свою работу на ходу. Действуя в окружении дикой природы, эти физические системы функционируют подобно узлам нейронной сети. Их совместная производительность настолько сложна, что можно сказать, что "Интернет вещей" стал AIoT — искусственным интеллектом в мире вещей.

Интернет вещей - это область, где применима пословица "В едином порыве сила".

С постепенным снижением стоимости устройств даже самые маленькие кусочки кремния, на которых работают недорогие встроенные системы, обладают огромной вычислительной мощностью. Однако наличие процессора в устройстве не всегда делает его более умным. Сегодня практически в каждом устройстве есть Wi-Fi или Bluetooth. Некоторые из них действительно продуманы до мелочей, а некоторые сделаны на скорую руку. Например, если случайно забыть закрыть дверцу стиральной машины с фронтальной загрузкой, можно запустить цикл очистки прямо с телефона. Однако "Интернет вещей" уже стал известным кошмаром с точки зрения безопасности. Существуют глобальные ботнеты, которые могут заражать потребительские маршрутизаторы. Аварии в работе оборудования могут иметь катастрофические последствия, как, например, Великое отключение электроэнергии на северо-востоке США летом 2003 года или когда Техас замерз в 2021 году. В наше время даже небольшая ошибка при обновлении прошивки может привести к выходу устройства из строя.

Существует общепринятая модель развития технологических инноваций. Когда какой-либо стартап из Силиконовой долины создает новаторское устройство, оно проходит путь от концепции до популярности, затем до предложения "устройств как сервиса" и разочарования, прежде чем, наконец, выясняется, какая польза от этого устройства.

Прогноз развития искусственного интеллекта от Gartner на 2023 год

Поэтому многие пользователи шутливо называют Интернет вещей (IoT) такими прозвищами, как "Интернет ненужных штук" и "Интернет укусов" (где устройства обмениваются данными через протокол TCBee-IP). Однако "Искусственный интеллект вещей" - это нечто большее, чем просто товар. Это комплексное образование, где взаимодействие различных элементов порождает уникальные свойства. Чтобы избежать раздробления на отдельные подсистемы, обеспечивая целостность и работу в реальном времени, необходимо тщательно контролировать эти свойства.

Простыми словами объяснение искусственного интеллекта.

Искусственный интеллект и нейронные сети часто сравниваются между собой, так как оба представляют собой программное обеспечение, способное к машинному обучению. Они могут функционировать на различных процессорах и графических процессорах, обладая значительной вычислительной мощностью. Нейронные сети часто используются для обучения путем обратного распространения ошибки.

Существует уникальный вид нейронной сети, который объединяет аппаратные и программные компоненты, придавая новое значение термину "машинное обучение". Этот вид сети разработан с применением тензоров, ASIC и нейроморфной инженерии от Intel. Появление "Интернета вещей" также увеличило спрос на искусственный интеллект как на устройствах, так и для устройств. В любом случае, мы не можем остановить прогресс искусственного интеллекта, который уже проник во все сферы человеческой жизни.