Искусственный интеллект. Что стоит знать о наступающей эпохе разумных машин
Шрифт:
Облачный атлас: улучшение климатических прогнозов
Тим Палмер, специалист по физике климата из Оксфордского университета, видит большой потенциал в том, чтобы дать компьютерам немного поблажек. Он считает, что компьютеры, основанные на идеях Палема, могут стать решением неразрешимой проблемы нашего времени: как повысить точность климатических прогнозов на будущее столетие, не дожидаясь появления новых суперкомпьютеров. «Важнейший вопрос в изменении климата отводится роли облаков, – говорит Палмер, – именно с точки
Современным суперкомпьютерам пока что не хватает мощности. А их преемники, появление которых ожидается в ближайшее десятилетие, будут чересчур энергозатратными. «Если верить нашим расчетам, то мощность, необходимая для подпитки такой машины, составит порядка 100 МВт», – продолжает Палмер. Это в 5–10 раз больше, чем потребляют современные суперкомпьютеры. А учитывая тот факт, что такие компьютеры не будут одним лишь воздухом, использование подобных машин может оказаться чрезмерно дорогостоящим. Суперкомпьютеры расходуют так много энергии, потому что рассчитаны на вычисления с 64-битными числами. В принципе, это должно давать большую точность. Но климатические модели включают в себя миллионы переменных, моделирующих факторы сложного взаимодействия: ветер, конвекция, температура, давление воздуха, температура океана и соленость. В результате, по словам Палмера, получается слишком много данных, что приводит к потере мощности. По его мнению, необходимо, чтобы переменные отображались в строках данных с разной длиной, в зависимости от важности этих значений в модели.
Плюсы такой системы могут быть колоссальными. Современные климатические модели занимаются изучением атмосферы Земли, разбивая ее на районы площадью в 100 км в ширину и 1 км в высоту. Палмер полагает, что при неточных вычислениях Земная поверхность будет разделяться на кубы протяженностью в 1 км – этого размера вполне достаточно для моделирования отдельных облаков.
– Выполнение 20 неточных вычислений может оказаться информативнее 10 точных, – говорит Палмер. Это объясняется тем, что в 100-километровых масштабах моделирование является приближенным отражением реальности. Вычисления могут быть точными, а сама модель – нет. Пренебрежение точностью для получения более детальной модели в итоге даст большую достоверность.
– Куда важнее получить неточный ответ на точное уравнение, чем точный ответ на неточное уравнение, – продолжает Палмер. – Точным уравнением я действительно смогу описать физику облаков.
Конечно же, вы не можете просто взять и отказаться от точности во всем. Задача состоит в том, чтобы выбрать, какими именно частями вычислений можно пожертвовать в большей степени.
Исследователи подходят к решению проблемы по-разному. В основном они пытаются определить пороги точности в коде. В этом случае программисты могли бы сами указывать, когда и где допустимы ошибки. Затем программа выполняла бы неточные вычисления только в «безопасных» частях системы.
Ряд исследователей полагает,
Тим Палмер с коллегами из Сассекского университета в Брайтоне, Великобритания, пытается узнать, смогут ли случайные электрические колебания вызвать вероятностные сигналы в мозге. По теории Палмера именно это и позволяет мозгу выполнять так много задач со столь малым потреблением энергии.
И действительно, мозг служит отличным примером неточных вычислений для предельного снижения энергопотребления. Пока что ясно лишь одно: чтобы усовершенствовать компьютеры, необходимо их ухудшить. И если приближенные вычисления выглядят весьма сомнительной перспективой для создания будущего вычислений, то стоит вспомнить о том, что компьютеры всегда имели дело с абстракциями. Поэтому в некотором роде все вычисления являются приближенными. Просто одни компьютеры более приблизительные, чем другие.
Телесный интеллект
Это очевидно настолько, что часто забывается: мы не бестелесные умы. Существуют веские основания полагать, что наш интеллект связан с тем, как мы чувствуем и взаимодействуем с миром. Вот почему некоторые исследователи ИИ постоянно настаивали на том, что разумным машинам нужны тела.
В январе 2011 года Макс Версаче и Хизер Эймс заботились о двух новорожденных: сыне Габриэле и виртуальной крысе по имени Animat. При рождении мозг Габриэля, как и всех детей, позволял ему выполнять только простейшие движения: хватать, сосать и видеть нечеткие изображения своих родителей. Все остальное зависело от самого ребенка.
Animat также не отличался явной запрограммированностью. Но взаимодействие с виртуальным миром вскоре научило его различать цвета и определять окружающее пространство. Версаче и Эймс из Бостонского университета надеются, что их подход доведет машинный интеллект до той стадии, в которой роботы научатся мыслить более человечно.
Вера в правильность данного подхода для развития ИИ уходит корнями в десятилетия назад. В 1980-е годы Родни Брукс из Массачусетского технологического института утверждал, что работа над ИИ велась «задом наперед». Ученые пытались запрограммировать сложные способности, хотя не знали даже, как создать элементарный интеллект, способный не врезаться в стены. По его словам, нам следовало подражать природе – она наделяет нас чувствами, позволяющими самостоятельно выживать в мире без заданного сценария.
Идея Брукса сработала. В 1989 году он создал Genghis
Конец ознакомительного фрагмента.