Титульный
Государственное бюджетное общеобразовательное учреждение средняя общеобразовательная школа №68 Калининского района Санкт-Петербурга
ИТОГОВЫЙ ПРОЕКТ
на тему “Что мешает развиваться искусственному интеллекту ”
Акматалиева Сардарбека Саматовича,
Ученика 9 ”А” класса
Руководитель проекта
Богданов Вячеслав Валерьевич
Учитель информатики
Санкт-Петербург
Год
ВВЕДЕНИЕ
Летом я наткнулся на видео, в котором человек создаёт искусственный интеллект(ИИ). И мне оно понравилось, и я решил углубиться в ту тему. Когда я начал вникать в эту тему, я понял, что сталкивался с ИИ почти каждый день, ведь он везде. ИИ используется в играх социальных сетях, в бизнесе, в медицине, транспорте и много где ещё.
Цель работы: выяснить, что замедляет и может в будущем замедлить развитие ИИ и составить список рекомендаций, которые помогут ускорить развитие ИИ.
Задачи:
· изучить статьи, научные достижения, интернет ресурсы, мнение их авторов;
· изучить мнение тех, кто создает ИИ, по данной теме;
· составить список того, что нужно делать, чтобы ИИ развивался быстрее;
· сделать выводы;
Объект исследования –
Предмет исследования –
Гипотеза: может ли в данный период времени недостаток ресурсов, сложность процесса создания ИИ и страх замедлить или помешать развитию искусственного интеллекта?
Методы исследования:
· изучение и обобщение;
· сравнительно-сопоставительный метод;
· анализ;
Актуальность: На первый взгляд может показаться, что искусственный интеллект довольно хорошо развит и в развитии больше не нуждается, однако это не так. Все примеры искусственного интеллекта, являются узконаправленными (слабыми), то есть могут выполнять только одну задачу. Ученные так же выделяют ещё два уровня искусственного интеллекта: ИИ общего назначения (сильный) и супер-ИИ, которые человеку пока не доступны. И если мы сможем создать хотя бы сильный искусственный интеллект, то это очень сильно изменит наш мир в лучшую сторону.
ГЛАВА 1
Недостаток ресурсов.
Я считаю, что в настоящее время одним из главных факторов, которые замедляют развитие искусственного интеллекта, является нехватка ресурсов, а именно мощности, бюджета.
Нехватка мощности.
Чтобы создать мощный искусственный интеллект нужно довольно мощный компьютер.
Одним из таких мощных компьютеров является суперкомпьютер IBM Watson. IBM Watson - это суперкомпьютер фирмы IBM, оснащённый системой искусственного интеллекта, созданной группой исследователей под руководством Дэвида Феруччи.
В феврале 2011 года суперкомпьютер принял участие в телепередаче Jeopardy. Его соперниками были Брэд Раттер – обладатель самого большого выигрыша в программе, и Кен Дженнингс – рекордсмен по длительности беспроигрышной серии. Во время игры Watson не имел доступа к Интернету, но всё же компьютер одержал победу, получив 1 млн. долларов.
На сегодняшний день самым мощным компьютером в мире считается суперкомпьютер “Фугаку”. Его производительность составляет 442 010 петафлопсов, а пиковый показатель составляет 573 212 петафлопсов, при том, что 1 петафлопс означает, что машина может совершать 1 квадриллион операций в секунду! “Фугаку” – это самый дорогой суперкомпьютер, поскольку в него установлено 158 976 процессоров A64FX. Стоимость его не указана, но известна предположительная сумма, выделенная на разработку. Было потрачено около $1 млрд. Системный блок “Фугаку” выше среднестатистического японца и выглядит не как привычный персональный компьютер.
Помимо “Фугаку” есть ещё много других мощных суперкомпьютеров, например Summit. Он находится на втором месте в рейтинге “Топ500”. Его мощность составляет 122,3 петафлопса, на разработку Summit было выделено 325млн.
Мощнейшим компьютером в России является суперкомпьютер Christofari, созданный Сбербанком на основе оборудования корпорации Nvidia. Основное его предназначение – это обучение нейросетей, также применяется для научно-исследовательских и коммерческих расчётов и предоставляется в аренду другим организациям.
Увидев все эти мощные компьютеры, я пришёл к тому, что с нехваткой мощности не должно быть никаких проблем. Даже если этих мощных компьютеров будет не хватать, то можно использовать квантовые компьютеры. Но тут появляется другая проблема – хватит ли на это выделенного бюджета?
Нехватка бюджета.
США планируют на треть увеличить госфинансирование разработок в области AI и «квантовых вычислений», администрация Дональда Трампа в бюджете на 2021 финансовый год закладывает на эти цели 2,2 млрд. долл. вместо 1,7 млрд. в 2020. Из этой суммы большая часть — около 1,5 млрд. долл. — будет направлена на ИИ.
В середине августа 2021 года Минкомсвязи РФ объявило о планах кардинально сократить расходы на реализацию программы «Искусственный интеллект», как сообщает «Коммерсант». Изначально рассчитывали потратить на эту госпрограмму 125 млрд. руб. в течение ближайших 5 лет, теперь расходы должны быть сокращены
практически впятеро — до 27,7 млрд. Наиболее сильно сокращена доля бюджетных вложений — с 90 до 22,4 млрд. Но и остальных средств, которые в госпрограмму должен вложить бизнес, тоже станет существенно меньше. Думаю, сокращение бюджета связана с пандемией.
Так куда же деваются эти млрд., которые выделены правительством? Думаю, что большая их часть тратится на расходы на электричество и на оплату работникам, потому что, скорее всего они работают с суперкомпьютерами, которые потребляют много электроэнергии, например самый мощный в мире суперкомпьютер “Фугаку” потребляет 28,3 мегаватт, а этого хватит, чтобы обеспечить небольшой город. Но не все суперкомпьютеры потребляют так много, например суперкомпьютер Christofari потребляет 10 киловатт. Так же много денег уходит на оплату труда специалистов.
В настоящее время из-за пандемии мы не можем так много выделять на развитии искусственного интеллекта, возможно, поэтому сейчас искусственный интеллект так медленно развивается.
Сложность процесса создания.
Да, нехватка ресурсов может замедлить развитие ИИ, но все же эти проблемы легко решаемы. Думаю, что самое главное, что мешает развитию – это сложность процесса создания ИИ. И чтобы понять, что сложного в создании искусственного интеллекта, нужно понять, что такое ИИ и как его создают.
Искусственный интеллект – это программа, обученная для каких либо задач. От обычных программ он отличается тем, что он обладает интеллектом, а интеллект – это способность к мышлению, то есть искусственный интеллект – это программа, которая умеет думать. Многие создатели ИИ и ученые говорят, что нынешние искусственные интеллекты интеллектом не обладают, они лишь имитируют наличие интеллекта.
Машинного обучения – это подход, при котором алгоритм учится решать задачу. Есть несколько способов и методов машинного обучения.
Способы машинного обучения:
1)Обучение с учителем (Supervised learning). Этот способ оптимален, если вы знаете, чему хотите научить машину. Вы можете познакомить компьютер с огромной обучающей выборкой данных и варьировать параметры до тех пор, пока не получите на выходе ожидаемые результаты. Затем можно уточнить, чему научилась машина, заставив ее спрогнозировать результат для контрольных данных, с которыми компьютер еще не сталкивался.
2) Обучение без учителя (Unsupervised learning). При обучении без учителя машина исследует набор данных и выявляет скрытые закономерности корреляции между различными переменными. Этот способ можно использовать для группирования данных в кластеры на основании одних только их статистических свойств.
3)Обучение с частичным привлечением учителя (Semi-Supervised learning). Это гибрид обучения с учителем и без. Разметив небольшую часть данных, учитель дает машине понять, каким образом кластеризовать остальное.
4) Обучение с подкреплением (Reinforcement learning). При обучении с подкреплением машине позволяют взаимодействовать с окружением (например, сбрасывать бракованную продукцию с конвейера в корзину) и «вознаграждают», когда она правильно выполняет задание. Автоматизировав подсчет вознаграждений, можно дать возможность машине обучаться самостоятельно.
5) Глубинное обучение (Deep learning). Глубинное обучение может проходить как без учителя, так и с подкреплением. При глубинном обучении частично имитируются принципы обучения людей — используются нейронные сети для все более подробного уточнения характеристик набора данных.
Методы машинного обучения:
1)Нейронные сети. Нейронные сети имитируют структуру головного мозга: каждый искусственный нейрон соединяется с несколькими другими нейронами. Нейросети имеют многослойную структуру: нейроны на одном слое передают данные нескольким нейронам на следующем и т. д.
2)Дерево решений. Алгоритм дерева решений классифицирует объекты, отвечая на «вопросы» об их атрибутах, расположенные в узловых точках. В зависимости от ответа выбирается одна из ветвей, и так до тех пор, пока не будет достигнут «лист» — окончательный ответ.
3)«Случайный лес». Чтобы одиночное дерево решений давало точные результаты, его нужно обучать, алгоритм же случайного леса (random forest) использует «комитет» случайным образом созданных решающих деревьев с разными наборами атрибутов и дает возможность им проголосовать, чтобы выбрать самый популярный класс.
4) Поиск ассоциативных правил. Поиск ассоциативных правил — это метод обучения без учителя, позволяющий находить отношения между переменными. Используется в движках выдачи рекомендаций — именно этот метод применяется во многих интернет-магазинах для составления фразы «Вместе с этим товаром обычно покупают…».
Я рассмотрю создание ИИ с помощью метода нейронных сетей на примере простой задачи. Принцип работы искусственной нейронной сети соответствует алгоритму работы биологических нейронов.
Нейрон – вычислительная единица, получающая информацию и производящая над этой информацией какие-либо вычисления. Нейроны являются простейшей структурной единицей любой нейронной сети, из их множества, упорядоченного некоторым образом в слои, а в конечном счете – во всю сеть.
Помимо самих нейронов существуют синапсы. Синапс – связь, соединяющая выход одного нейрона с входом другого. Во время прохождения сигнала через синапс сигнал может усиливаться или ослабевать. Параметром синапса является вес (некоторый коэффициент, может быть любым вещественным числом), из-за которого информация, передающаяся от одного нейрона к другому, может изменяться. При помощи весов входная информация проходит обработку — и после мы получаем результат.
Для примера в рис. 1 первые два нейрона являются принимают входящие данные, затем эти данные передаются пяти следующим нейронам через синапсы с каким-то коэффициентом, после эти данные обрабатываются и передаются дальше. В нашем случае данные передаются одному нейрону, и на выходе получается какой-то результат. Если этот результат не верный, то этот процесс повторяется заново уже с другим коэффициентом и так до тех пор, пока результат не окажется верным.
Нейронная сеть может быть в сотни раз больше чем та, которую я рассмотрел. В этом и заключается сложность создания ИИ.
Рис.1
1.2. Страх.
Ещё один фактор, который мешает развиваться искусственному интеллекту - это страх. И страх не захвата власти искусственным интеллектом, а страх того, что искусственный интеллект отберет у людей работу.
ГЛАВА 2.
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ
1) статья Пройдакова Эдуарда Михайловича “Современное состояние искусственного интеллекта”
2) https://ru.wikipedia.org/wiki/IBM_Watson
3) https://rb.ru/story/narrow-general-super-ai/
4) https://shyza.ru/chemu-raven-1-petaflops-v-gigabaitah-superkompyuter-s-proizvoditelnostyu.html
5) https://www.nur.kz/fakty-i-layfhaki/1675446-samyj-mosnyj-komputer-v-mire-v-2020-godu/
6) https://rg.ru/2020/07/13/chto-meshaet-perehodu-na-novyj-uroven-iskusstvennogo-intellekta.html
7) https://ru.wikipedia.org/wiki/%D0%9A%D1%80%D0%B8%D1%81%D1%82%D0%BE%D1%84%D0%B0%D1%80%D0%B8_(%D1%81%D1%83%D0%BF%D0%B5%D1%80%D0%BA%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80)
8) https://www.youtube.com/watch?v=c5uZRHtlsz8
9) https://www.osp.ru/cio/2018/05/13054535
10)