DI graikų mituose
Žmonija apie dirbtinį protą ėmė fantazuoti jau seniai. Turbūt daug kas nustebs, bet apie dirbtinį intelektą kalbama dar senovės graikų mituose: ten milžiniškas bronzinis automatonas Talas vaikščiojo po Kretos salą ir nuo piratų gynė karaliaus Mino motiną Europą. Vertinant šiuolaikinėmis sąvokomis, jis veikė kaip antivirusinė programa ar ugniasienė: marširavo po salą, o pamatęs ir atpažinęs atplaukiant laivą, imdavo mėtyti į jį akmenis.
Mitologijoje bei ankstyvojoje fantastinėje literatūroje galima rasti ir daugiau DI apraiškų: XVI a. Prahos Golemą, XIX a. daktaro Frankenšteino pabaisą, XX a. Karelo Čapeko pjesės robotus, pasauliui pristačiusius tiek roboto koncepciją, tiek patį terminą. Tačiau visos šios DI vizijos pasižymėjo vienu būdingu dalyku – jose protas buvo neatskiriamas nuo kūno. Šiandien turime kiek atvirkštinį variantą – dirbtinį intelektą, veikiantį kažkur kompiuterinių sistemų viduje, tačiau jo veikimui ir pritaikymui specialus kūnas visai nebūtinas.
Ištakos
Oficialiai laikoma, kad tiek dirbtinio intelekto terminas, tiek pati mokslo sritis atsirado 1956 m.: terminą „dirbtinis intelektas“ sukūrė mokslininkas Johnas McCarthy, siekdamas atskirti šią sąvoką nuo bendros kibernetikos sąvokos.
Pasak jo, „[dirbtinis intelektas] yra mokslas ir inžinerija, kaip gaminti intelektualias mašinas, ypač intelektualias kompiuterines programas“, kur „intelektas yra matematinė galimybė pasiekti tikslus [realiame] pasaulyje“.
1959 m. pirmą kartą iškilo ir dar vienas svarbus terminas – mašininis mokymasis (angl. machine learning). Šią sąvoka moksliniame darbe panaudojo Arthuras Lee Samuelis, o pats mokslinis darbas nagrinėjo, kaip galima programuoti kompiuterį „taip, kad jis išmoktų žaisti šaškėmis geriau, nei tą programą parašęs asmuo“.
Tiesa, verta paminėti, kad dar vienas nuo DI neatsiejamas dalykas – dirbtinis neuroninis tinklas – pirmąkart buvo sukurtas išvis dar iki DI sąvokos atsiradimo: elektroninį (bet dar ne virtualų, o fizinį) neurotinį tinklą SNARC 1951 m. sukūrė Marvinas Minsky and Deanas Edmundsas. Tinklas buvo sukurtas panaudojant 3000 vakuuminių vamzdelių – ir jis emuliavo 40 neuronų veiklą.
Žinoma, pradžioje DI kūrėjai susidurdavo su begale techninių apribojimų – tuometinės kompiuterinės įrangos galingumas neprilygo dabartiniam, o kūrėjai neretai ir pernelyg optimistiškai žiūrėdavo į išsikeliamas užduotis, dėl ko pažadų, kad dirbtinis protas ir mašinos jau tuoj tuoj įžiebs šviesų rytojų, pasitaikydavo ne taip jau retai.
Eksponentinė pažanga
Kaip atskirti, ar tai jau yra dirbtinis intelektas, ar tik protingas algoritmas? Paprastą (nors kaip vėliau parodys istorija – ne tokį jau ir vienareikšmišką) testą dar 1950 m. pasiūlė britų matematikas Alanas Turingas ir jis tai vadino „imitaciniu žaidimu“. Testo idėja buvo gana paprasta: bandymo metu žmogus-teisėjas natūralia kalba turi šnekėtis su vienu žmogumi ir viena mašina. Visi trys eksperimento dalyviai turi būti izoliuotuose patalpose – kad teisėjas nematytų, kuriuos atsakymus pateikia mašina, o kuriuos žmogus. Jei teisėjas pagal atsakymus negali patikimai atskirti mašinos nuo žmogaus, laikoma, kad mašina išlaikė testą.
Deja, kaip parodė praktika, imitacija dar nereiškia intelekto. „Turingo testą“ iki šiol yra „išlaikę“ bent keli pokalbių robotai (angl. chatbots) – ir vienas iš pirmųjų prie to priartėjo dar 1966 m. sukurtas pokalbių robotas Eliza, kuris veikė pagal išankstinį scenarijų, nevertino pokalbio konteksto – tačiau sakoma, visai įtikinamai imituodavo su pacientu bendraujantį psichologą.
Žinoma, DI galimybėmis susidomėjo ir kariškiai, konkrečiai – JAV karinių inovacijų agentūra. Ji finansavo įvairius pradinius robotų projektus JAV, įskaitant mobilų robotą vardu Shakey. Šis konstruktas jau naudojo vizualinį suvokimą ir kitas duomenų įvestis, kad susikurtų sau vidinius jį supančio pasaulio modelius, kuriuos vėliau galėtų panaudoti judėjimui realioje aplinkoje.
1970 m. buvo sukurtas pirmasis DI, pavadintas Shrdlu. Jis atpažindavo žmonių kalbą, įvedamą klaviatūra ir gebėdavo vykdyti taip formuluojamas užduotis. Tiesa, veiksmas vykdavo ne fizinėje realybėje, o tik kompiuterio ekrane, bet, pavyzdžiui, programa sugebėdavo suprasti komandą „surask ir paimk iš krūvos mažiausią kaladėlę ir padėk ją šalia didžiausios“. DI susitvarkydavo ir su abstraktesnėmis užduotimis – pavyzdžiui, pagal vartotojo užuominas (spalvą, formą, dydį, poziciją) nuspręsti, apie kurią būtent figūrą kalba vartotojas.
Praėjusio amžiaus devintajame dešimtetyje prasidėjo Auksinis technologijų amžius: atsirado namų ūkiams pritaikyti asmeniniai kompiuteriai, o taip pat šiuolaikinio interneto pirmtakas ARPANET virto Internetu (tada dar rašomu didžiąja raide), o galiausiai seras Timas Berneris-Lee sukūrė ir žiniatinklį (angl. world wide web).
Natūralu, kad patiriant technologijų šuolį, augo susidomėjimas ir DI: į šią sritį dėmesį atkreipė visi nuo žaidimų kūrėjų iki konservų gamintojų. Atsirado dar daugiau specializuotų DI, pritaikytų įvairiausiomis sritims.
Buvo sukurti tokie prototipai, kaip humanoidinis robotas „Wabot-2“ – 1980 m. robotas, gebėjęs optiškai nuskaityti, atpažinti natas ir pagal jas elektriniais vargonėliais pagroti ne per sudėtingiausią kūrinį – ar „dailininko programa“ „AARON“, kuri pasitelkdama tam tikrą spausdintuvą, visiškai autonomiškai piešė piešinius.
O 1997 m. nutiko lūžis: anksčiau minėto A.L. Samuelio svajonė išsipildė ir mašinos „protas“ įveikė žmogiškąjį – kompiuteris šachmatuose (iš antro karto) įveikė didmeistrį Garį Kasparovą.
Kaip veikia DI?
Senųjų fantastų svajonės neišsipildė: namuose robot-tarno, kuris tvarko kambarius, gamina vakarienę ar parveža vaikus iš mokyklos, dar vis neturime – bet vis dėlto daugelio namuose jau savarankiškai dūzgia robotai-siurbliai, telefonuose geriausią maršrutą kelionei parenka navigacijos programėlės, o savavaldžių automobilių atsiradimą labiau stabdo ne techninės ar technologinės, bet juridinės priežastys.
Svarbi viso šio dirbtinio intelekto pažangos priežastis – vadinamasis giluminis mokymasis: mašininio mokymosi technologija, pagrįsta dirbtiniais neuroniniais tinklais. Šiuolaikinės dirbtinio intelekto sistemos kopijuoja neuronų sąveikas tikrose smegenyse. Dirbtiniai neuroniniai tinklai imituoja tarpusavyje sujungtų neuronų sluoksnius – ir iš to daugiasluoksniškumo ir atsirado „giluminio mokymosi“ terminas.
Pirmuose dirbtiniuose neuroniniuose tinkluose būdavo tik nuo trijų iki penkių sluoksnių – ir dešimtys neuronų, – o štai „giluminio mokymosi“ tinkluose gali būti dešimt ar daugiau sluoksnių, o jų imituojamų neuronų skaičius siekia milijonus.
Yra trys pagrindiniai mašininio mokymosi tipai: valdomas mokymasis (angl. supervised learning), nevaldomas mokymas (angl. unsupervised learning) ir kryptinis mokymasis (angl. reinforced learning) – ir jie taikomi priklausomai nuo pačios užduoties krypties.
Dauguma dabartinių dirbtinio intelekto pavyzdžių yra valdomo mokymosi programos – tokios, kuriose mokymuisi pateikiami jau atrinkti ir suklasifikuoti duomenys. Paprasčiausi tokių DI pavyzdžiai – vaizdo atpažinimas nuotraukoje ar žmogaus kalbos transkribavimas iš audioįrašo. Grubiai tariant, čia DI daro ne išvadas ar apibendrinimus, bet pagal iš anksto nustatytus kriterijus atrenka teisingiausius variantus.
Nevaldomas mokymasis yra metodika, kai DI mokosi iš neklasifikuotų ar mažiau klasifikuotų duomenų – ir daugiau sprendimų laisvės suteikiama pačiam DI. Pavyzdžiui, norint suskirstyti duomenis į grupes – sakykime, surūšiuoti pastatus pagal jų architektūrinį stilių, ar augalus pagal jų retumą.
Kryptinio mokymosi sistemos yra apmokomos taikant virtualius „atlygius“ ar „bausmes“ (dažniausiai – vertinant balais). Grubiai tariant, tai yra mokymasis bandymų ir klaidų būdu, ir atliekant nuolatinį darbą, tokio DI galimybės palaipsniui tobulėja.
DI šiandien: iššūkiai ir galimybės
Kas lemia DI vystymo sėkmę? Svarbiausi dėmenys būtų du.
Pirma – technologinė galia. DI vystymo pionieriai galėjo turėti didingas svajas, bet tuometinė technologinė pažanga ir įranga tokių dalykų realizacijai buvo nepakankama. 200 000 JAV dolerių per mėnesį – tokia buvo kompiuterio kaina per mėnesį šeštajame dešimtmetyje, tad natūralu, jog tokią įrangą galėjo turėti nedaug, ir tik prestižiškiausios mokslo įstaigos. Tuo tarpu šiandien DI – ir net su jiems specialiai skirtais lustais – egzistuoja jau daugelio vartotojų išmaniuosiuose telefonuose, kurie kainuoja apie 1000 eurų.
Antras dėmuo – bet koks dirbtinis intelektas yra geras tiek, kiek geri yra duomenys, kokiais jis apmokamas. Anksčiau jų kiekis buvo tikrai nedidelis, dabar, atrodytų duomenų yra daugiau nei reikia – juk jų pilnas internetas, o kur dar pačių įmonių kaupiami Didieji duomenys (angl. big data). Tačiau problema gilesnė: kai kuriems DI sprendimams reikia jau ir bent kiek apdorotų duomenų, o antra – jie dar turi būti ir nešališki.
Be to, duomenys dar turi būti ir nešališki. Šališkų duomenų praktinis pavyzdys, jau nutikęs ir realybėje – kai DI buvo pasitelkta personalo atrankai, o šios užduoties DI apmokymui buvo pasitelkti ligtoliniai įmonės personalo duomenys, netrukus buvo susigriebta, kad DI visiškai ignoruoja moteriškas kandidatūras. Ilgainiui buvo išsiaiškinta, kad taip nutiko todėl, kad lig tol įmonėje ir taip dirbo nedaug moterų, todėl DI „nusprendė“, kad moteriška lytis šioje įmonėje yra kandidato atžvilgiu yra trūkumas.
Tačiau šiandien jau netrūksta ir sėkmingų DI „įdarbinimo“ pavyzdžių, o kai kurie jų – itin įspūdingi. Pavyzdžiui, lietuvių mokslininkai yra sukūrę sėkmingą DI sistemą, skirtą Visatos tyrimams. Jų sukurtas neuroninis tinklas pagal vizualinę informaciją (kosmoso nuotraukas) gali atpažinti žvaigždžių spiečius ir jų savybes – tokias kaip amžių, ir panašiai.
Kitas iš pirmo kiek komiškas, bet kai kuriais atvejais net ir nerimą galintis kelti DI sprendimas – tekstus generuojantis projektas, gana sėkmingai imituojantis žmogaus rašomus tekstus. Ir jei dabar tai atrodo kaip juokelis, ateityje nekontroliuojant tokio dalyko, visa tai gali tapti nemenku rūpesčiu kovojant su melagienomis.
DI taip pat efektyviai naudojamas ir medicinoje. Čia neuroniniai tinklai padeda vėžio diagnostikoje (beje, šia veikla taip pat sėkmingai užsiima lietuviai), gali parinkti personalizuotą gydymą, o taip pat pagal asmenines pacientų ligos istorijas prognozuoja COVID-19 sirgimo sunkumą.
DI jau apmokomas ir darbui su vienomis sudėtingiausių sistemų pasaulyje – orų prognozavimu. JAV universitetų ir technologijų kuriamas projektas šiuo metu tyrinėja istorinius orų dėsningumus, ir mokslininkai tikisi, kad tai padės padidinti tiek prognozių tikslumą, tiek greitumą – o tai, kaip galima suprasti, gali padidinti našumą ir pajams tiek Žemės ūkyje, tiek logistikoje, tiek dar dešimtyse sričių
Kaip galime matyti, dirbtinis intelektas skaičiuoja jau daugiau nei pusę šimtmečio, bet dabar jau galima drąsiai teigti, kad būtent dabar prasideda šios technologijos aukso laikai. DI tampa vienu iš pagrindinių informacinės visuomenės įrankių – ir verslo galimybių – tačiau tai nėra technologija, kuri kažką išstums. Tai yra technologija, kuri tampa įrankiu, kasdienybe – panašiai kaip ir kompiuteriai, kurio vienu ar kitu modeliu ir perskaitėte šį straipsnį.
„GovTech laboratorijos“ projektas, kurio dalis yra AI Boost iniciatyva, yra vykdomas Mokslo, inovacijų ir technologijų agentūroje (MITA) ir yra finansuojamas Europos regioninio plėtros fondo lėšomis, nr. 01.2.1-LVPA-V-842 Inogeb LT.
