Термин «искусственный интеллект», обычно применяемый к нейронным сетям, представляет собой значительное искажение первоначального замысла, и понимание истории для оценки роли ИИ как в современных приложениях, так и в будущих технологиях. Термин «искусственный интеллект» изначально был придуман с совершенно другими целями и для других систем.

Концепция «искусственного интеллекта», как ее впервые представили исследователи, была далека от тех типов алгоритмов, которые мы сегодня относим к ИИ, например, нейронных сетей. На заре компьютерной науки искусственный интеллект рассматривался как теоретическая дисциплина, направленная на создание системы, копирующей человеческие когнитивные процессы. Пионеры в этой области, такие как Алан Тьюринг и Джон Маккарти, стремились разработать алгоритмы, способные к абстрактным рассуждениям, принятию сложных решений и пониманию контекста - все отличительные черты человеческого интеллекта.

Это видение ИИ выходило за рамки простого решения конкретных задач; оно заключалось в ожидании того, что машины однажды смоделируют весь спектр человеческих когнитивных функций, которые будут включать понимание, творчество и, возможно, даже самосознание.

Искусственный интеллект и нейронные сети – не одно и то же!

Нейронные сети, хотя и входят в широкую категорию методов машинного обучения (ML), работают на принципиально иных принципах, чем первоначальное видение искусственного интеллекта. Нейронные сети отлично справляются с задачами распознавания образов и классификации, но им не хватает надежности рассуждений и способности к абстрактному мышлению, которые первоначально ожидались от ИИ.

Нейронная сеть - это, по сути, статистическая модель, которая находит закономерности в данных с помощью итеративного процесса обучения, где она настраивает параметры, чтобы минимизировать ошибки в прогнозах. В отличие от этого, ранние исследования в области ИИ были направлены на создание системы, которая могла бы решать задачи с помощью символической логики, а не полагаться на статистические модели.

Хотя и можно сказать, что нейронные сети чем-то упрощенно имитируют структуру человеческого мозга (с помощью взаимосвязанных «нейронов»), такая конструкция не равнозначна воспроизведению человеческого мышления. Биологический мозг выполняет функции, такие как контекстная ассоциация и динамическое восстановление памяти, которые далеко выходят за рамки возможностей современных систем на основе нейронных сетей, которые, по сути, являются компьютерными программами, использующими для своей работы «большие данные».

Символический ИИ против парадигм машинного обучения

Искусственный интеллект, впервые предсказанный и описанный в середине XX века, преимущественно использовал символическую систему, иногда называемую «старым добрым ИИ». В этой парадигме интеллект представлялся как система правил, логики и явного представления знаний. В основе символического ИИ лежала вера в то, что человеческий интеллект может быть инкапсулирован логическими связями и закодирован в виде символических представлений.

Несмотря на успех в некоторых областях, «символический искусственный интеллект» испытывал трудности с масштабируемостью и адаптивностью. Нейронные сети, напротив, относятся к категории «коннекционистских» подходов, в которых интеллект возникает не на основе явных правил, а на основе статистических ассоциаций, полученных из огромного массива данных.

Внедрение нейронных сетей и других методов машинного обучения позволило автоматизировать такие сложные задачи, как распознавание изображений, обработка естественного языка и перевод в режиме реального времени. Однако нейронные сети ограничены объемом обучающих данных и не способны понять контекст, выходящий за рамки закономерностей, обусловленных этими данными. Эта область по-прежнему далека от создания машин, способных к мышлению, что является искажением первоначальной концепции «искусственного интеллекта».

Последствия для практических приложений ИИ

На практике, когда мы говорим об скусственном интеллекте сегодня, мы часто имеем в виду узкие, специфические алгоритмы, которые выполняют конкретные функции во впечатляющем масштабе, такие как понимание и воспроизведение натурального языка, рекомендательные системы или разметка изображений. Эти приложения чрезвычайно полезны для бизнеса и частных лиц, но ограничены по своей сути.

Например, алгоритмы для самоуправляемых автомобилей в значительной степени опираются на нейронные сети для распознавания изображений и принятия решений в контролируемой среде, но им не хватает широты и детализации понимания, необходимого для автономного функционирования во всех контекстах. Несмотря на способность к «обучению», эти алгоритмы не могут быть адаптированы за пределами их программной начинки и обучения, что подчеркивает разрыв между современным ИИ и первоначальным видением.

Для тех, кто взаимодействует с современными системами, построенными на основе нейронных сетей, очень важно знать об этих различиях. Системы искусственного интеллекта, построенные на основе нейронных сетей, могут быть невероятно полезными, но они не являются «умными» в том целостном, человекоподобном смысле, как это представлялось раньше. Понимание этого различия важно для определения ожиданий от продуктов, управляемых, как говорят, «искусственным интеллектом».