Ամեն Աստծո օր մենք լսում ենք այն մասին, որ արհեստական ինտելեկտը միանգամից կլուծի մեր բոլոր խնդիրները՝ ինքնակառավարվող ավոտմեքենայից սկսած մինչև քաղցկեղի բուժում (սլոգանները մեկ-մեկ պատգամավորության թեկնածուի քարոզարշավ են հիշեցնում): Միևնույն ժամանակ մի քանի գիտնականներ և ոլորտի առաջատար դեմքերը՝ օրինակ Իլոն Մասկը, կարծում են, որ արհեստական ինտելեկտը մարդկության ապագայի համար էկզիստենցիալիստական սպառնալիք է: Եվ IT ինդուստրիան բաժանվեց երկու խմբի՝ մարդիկ, որոնք կողմ էին այս տեսակետին, և նրանք, որոնք դեմ էին: Քչերը փորձեցին կանգնել նրանց մեջտեղում և հասկանալ՝ իրականում ինչ է կատարվում:

Արհեստական ինտելեկտի զարգացման պատմությունը

«Արհեստական ինտելեկտ» եզրույթն առաջացել է 20-րդ դարի 50-ական թվականներին և դեռ այն ժամանակ նրա նշանակության մասին խոշոր բանավեճեր էին ընթանում: Տեքստերի խմբագրման առաջին համակրգերն այն ժամանակ համարվում էին «խելացի» համակարգեր: Հենց այն ժամանակ ծնվեց հումորը՝ արհեստական ինտելեկտն անում է այն, ինչ կարող են անել մարդիկ, իսկ համակարգիչները՝ դեռ ոչ: Այսինքն, իր սաղմնային փուլում արհեստական ինտելեկտը դիտարկվում էր, որպես մարդկային գործոնի ավտոմատացում:

80-ականներին մեծ տարածում գտան, այսպես կոչված, փորձագիտական համակարգերը: Դրանք մեծ ազդեցություն ունեցան բիզնես գործընթացների ավտոմացամն վրա, որոնք կարգավորվում էին ճշգրիտ կանոններով:

Նախկինում բիզնես կանոնների կարգավորմանը հետևում էր մենեջեների մի ամբողջ բանակ: Հետո այդ կանոնները դարձան ղեկավարման ծրագրի կոդի մի միաս: Փորձագիտական համակարգերի ազդեցության տակ դրանք առանձնացվում էին ընդհանուր կոդից և հավաքվում աղյուսակներում: Կառավարման ժամանակակակից համակարգերում կանոնները հնարավոր է փոխել՝ առանց համակարգի վերածրագրավորման: 
Այս օրինակների վրա մենք տեսնում ենք, որ ուղեղի գործունեության ավտոմացման համակարգերն ինքնուրույն ոչինչ չեն սովորում և անում: Նրանց բոլոր, այսպես ասած գիտելիքները, պետք է մշակել և ձեռքով մուտքագրել համակարգ:

Վերջին շրջանում ֆոկուսը տեղափոխվել է, այսպես կոչված մեքենայական ուսուցման համակարգերի վրա: Այս համակարգերի նպատակն է փոխարինել կանոնների ձեռքով մշակումը օրինակների միջոցով: Մինչև 90-ականների վերջը թարգմանության համակարգերն աշխատում էին այն կանոններով, որոնք մշակում էին հարյուրավոր լեզվաբաններ: Հենց դրա պատճառով էլ այդ համակարգերի հաջողության վրա հույս չէր դնում անգամ ամենալավատես ուտոպիստը: Ինտերնետի տարածմանը զուգընթաց հնարավորություն ստղծվեց հավաքել ավելի մեծ թվով տեքստեր՝ զուգահեռաբար երկու լեզվով: Հենց այդպես էր առաջադրված թարգմանության վիճակագրական մոդելը: Այս մոդելների պարամետրերը հարմարեցված էին երկու զուգահեռ տեքստերի համար, բայց առանց լեզվաբանական որևէ կանոնի օգտագործման: Նույն կանոնն էր գործում նաև տեքստի աուդիոտարբերակի ճանաչումը: Այս մոտեցումը մեծ թափ հաղորդեց համակարգի առաջխաղացմանը, երբ օրինակների քանակը հասավ տասնյակ միլիոնների:

Ժամանակակից մեքենայական ուսուցման վիճակագրական համակարգերը, որոնք հիմնված են խորացված նեյրոնային ցանցերի վրա, ավոտմատ թարգմանության և լուսանկարների ճանաչման գործում հասել են տպավորիչ արդյունքների: Սա օպտիմիստներին հիմնք է տալիս մտածել, որ քաղցկեղի բուժումն ու խելացի ռոբոտները, որոնց հետ հնարավոր է խոսել ցանկացած թեմայից, սարերի հետևում չեն: Պեսսիմիստները գուժում են համատարած գործազրկությունից և անկառավարելի ռոբոտներից, որոնք կգրավեն աշխարհը: Երկու կողմերն էլ շատ են առաջ վազում, դեպի գիտաֆանտաստիկայի ուտոպիական ու գոյություն չունեցող աշխարհ:

ՄԻՖ 1. Արհեստական ինտելեկտն ունակ է լուծել ցանկացած խնդիր

Արհեստական ինտելեկտի ժամանակակից բոլոր համակարգերը նեղ մասնագիտացված են: Անցած տարիների ընթացքում ստեղծվել են բազմաթիվ համակարգեր, որոնք ավտոմատացրել են այս կամ այն տիպի մարդկային գործոնները: Օրինակ՝ շախմատ խաղալը կամ ձեռագիր տեքստերի ճանաչումը: Բայց անգամ ամենաիդեալական շախմատային ծրագիրը չի կարող պատասխանել՝ որտեղ է ծնվել աշխարհի գործող չեմպիոն Լևոն Արոնյանը հարցին: Այն կարող է կատարել միայն շախմատային քայլեր: Ուրիշ ոչինչ: Դեռևս մենք չգիտենք՝ ինչպես ստեղծել ավելի ընդհանուր և ոչ թե նեղմասնագիտական ԱԻ համակարգեր:

IBM ընկերությունը մարքեթինգային քայլ արեց, ասելով, որ եթե համակարգիչը կարող է հաղթել մարդուն շախմատով, ապա այն կարող է անել ինչ պատահի, օրինակ՝ բուժել քաղցկեղը: Իրականությունը մի փոքր այլ է: Արհեստական ինտելեկտի զարգացման ժամանակակակից փուլում համակարգերը կարող են լուծել առանձին վերցրած խնդիրներ, ընդ որում, բավական հաջող: Բայց համընդհանուր ինտելեկտի տեսություն անգամ դեռևս գոյություն չունի:

ՄԻՖ 2. Արհեստական ինտելեկտը ամեն ինչ կարող է անել ինքնուրույն

Մեքենայական ուսուցման վիճակագրական համակարգերը պահանջում են ահռելի քանակությամբ տվյալների բազա՝ զուգահեռ տեքստերից ու նկարներից, մինչև դրանց առանձին դետալներ: Այդպիսի տվյալներ պարունակող ոլորտներ շատ քիչ կան: Ընդօրինակող իրերի սակավությունը բերում է մեծաքանակ սխալների:

Մեր ընդլայնված գիտելիքներն ու տրմաբանությունը թույլ են տալիս մեզ սովորել ինչ որ բաներ, շատ քիչ օրինակներով: Հոգեբանական թեստերը ցույց են տվել, որ գնու տեսակի այծքաղի ընդամենը մեկ լուսանկարն էլ բավական է, որպեսզի մարդը սկսի այն ճանաչել: Եվ դա այն մարդու դեպքում, որը նախկինում երբեք չի տեսել գնու այծքաղ: Լավագույն նեյրոնային ցանցերի համար հարկավոր են հազարավոր լուսանկարներ: Մարդկանց մոտ ճանաչումն ավելի արագ ու արդյունավետ է տեղի ունենում, քանի որ կենդանիների մասին նրանք ունեն հարուստ պատկերացում: Նրանք կարող են իրենց ճանաչած կենդանիների հետ համեմատել ինչ որ նոր բան:

ՄԻՖ 3. Արհեստական ինտելեկտի աշխատանքը ենթարկում է առողջ բանականության կանոններին

Վիճակագրական համակարգերն իրենց բնույթով միշտ էլ սխալներ են թույլ տալու: Դեռ 60-ականներին բերվում էին բազմաթիվ օրինակներ, երբ ճիշտ թարգամանությունը առողջ բանականություն էր պահանջում: Մենք գիտենք, որ “I saw the Grand Canyon flying to New York” նախադասությունը թարգամանվում է հետևյալ կերպ՝ «Մեծ Կանյնոնը չի թռչում Նյու Յորք»: Google-ն ու Яндекс-ը նույն նախադասությունը թարգամանում են այսպես՝ «Ես տեսել եմ Նյու-Յորք թռչող Մեծ Կանյոնը»:

Մեկ այլ, ավելի պարզ օրինակ. եթե Դուք ցանկանում եք հեռագիր ուղարկել, ապա բանկային գործում դա անվանում են՝ “to send a bank wire”: Wire-ը, դա հեռագիրն է: Googl-ն ու Яндекс-ը դա թարգմանում են «մետաղալար»-բանկային մետաղալար: Քանի որ վիճակագրորեն մետաղալարը wire բառի առավել հաճախ հանդիպող թարգմանությունն է:

Այդ պատճառով, վիճակագրության հիմքով աշխատող ծրագրերը լավ են աշխատում այնտեղ, որտեղ կա հսկայական քանակության վիճակագրական նյութ: Բայց, երբ հարկավոր է ճշգրտություն, օրինակ՝ նեղմասնագիտական որևէ տերմինի ճշգրիտ թարգմանություն, դուք կհանդիպեք պարզապես անհեթեթ թարգմանությունների:

Վիճակագրական հիմքով աշխատող ծրագրերը միշտ էլ թույլ են տալու վիճակագրական սխալներ:

Եզրափակում. Ինչո՞ւ ԱԻ-ն համարժեք չէ մարդկայինին

Ի՞նչն է պակասում ընդհանուր ինտելեկտի ստեղծման համար: Այս հարցի ամբողջական պատասխանը դեռ ոչ ոք չունի: Մարդկային բանականության հետ համեմատականներ անցկացնելու համար պետք է ուշադրություն դարձնել մի քանի պարտադիր կետերի: Հաճախ են ասում, որ ԱԻ-ը չունի առողջ մտածողություն: Բայց ի՞նչ է առողջ մտածողությունը: Դա մեր գիտելիքներն են, տրմաբանությունն ու դրանց կիրառումը: Երկու տարեկան երեխային հարկավոր չէ տասն անգամ ձեռք տալ տաք ջեռոցին, որպեսզի վախենա դրանից: Իր ուղեղում նա արդեն ունի տաք իրերի մոդել և գիտի ինչ է լինում դրանց ձեռք տալուց հետո: Բավական է մեկ անգամ թեթև այրվածք ստանալ, որպեսզի էլ երբեք ձեռք չտա ոչ մի տաք իրի:

Ի՞նչ եղանակով են մեր գիտելիքները ներթափանցում մեր ուղեղ: Մեր իմացածի շատ քիչ տոկոսն է մեզ տրվել սեփական փորձի արդյունքում: Դեռ վաղ մանկությունից մենք սովորում ենք մեզ շրջապատող մարդկանցից: Մեր գիտելիքները կոլեկտիվ են, մեր բանականությունը՝ նույնպես: Մենք ամբողջ ժամանակ օգնում ու հուշում ենք մեկս մյուսին: Քանի դեռ, մենք չենք լուծել այս խնդիրները և չենք տվել այս հարցերի պատասխանները, պետք չէ վախենալ ամենուր գոյություն ունեցող, սպանող, գողացող ու բռնաբարող ռոբոտներից: Պետք է վախենալ արհեստական ինտելեկտի մասին միֆերից և կատարելությանը նույնիսկ մոտ չկանգնած մեքենաների հրամաններին հետևելուց: Ընդ որում, նույնը կարելի է ասել և մարդկանց մասին:

Աղվան Ասոյան