— Игорь Анатольевич, вы сопредседатель двух научных направлений НЦФМ: «Национальный центр исследования архитектур суперкомпьютеров», в рамках которого создается фотонная вычислительная машина, и «Искусственный интеллект и большие данные в технических, промышленных, природных и социальных системах». Как связаны эти два направления?
— По сути, это две стороны одной медали. Искусственный интеллект не может существовать без суперкомпьютеров, поскольку требует обработки огромных массивов данных. Только суперкомпьютеры способны справиться с этой работой за приемлемый промежуток времени.
Сейчас наблюдается экспоненциальный рост уровня задач машинного обучения, и для этого нужны огромные вычислительные мощности. Современные системы, построенные на классической кремниевой элементной базе, не справляются, подходят к своему физическому пределу. В рамках первого направления мы хотим создать суперкомпьютер на новой элементной базе, новых физических принципах. Фотонные суперкомпьютеры позволят резко сократить время машинного обучения сложных нейронных сетей.
В рамках второго направления мы планируем использовать технологии ИИ для повышения эффективности суперкомпьютеров, которые сами по себе становятся настолько сложными, что без применения ИИ их нельзя оптимально использовать. Поэтому оба направления взаимосвязаны.
— Достаточно ли будет только роста производительности вычислительных машин для перехода от «слабого» ИИ к «сильному»?
— Искусственный интеллект — это способность компьютерной системы выполнять интеллектуальные задачи, то есть те, для решения которых человеку потребовался бы интеллект. При этом совсем не обязательно, чтобы машина обладала интеллектом как таковым. Современные системы ИИ решают некоторые частные задачи лучше, чем любой человек. Калькулятор, например, считает лучше человека. Суперкомпьютер Deep Blue еще в 1997-м обыграл в шахматы чемпиона мира Гарри Каспарова*. И дело было не в интеллекте, а в быстродействии: он мог просчитывать развитие ситуации на доске на 21 шаг вперед и выбирать самый оптимальный вариант. И уж точно ни один человек не может рассчитать структуру белка, а машина с этим справляется.
Но все это — примеры «слабого» ИИ. Просто инструменты, усилители нашей умственной деятельности. Они действуют в соответствии с алгоритмами, которые в них заложил человек.
О «сильном» интеллекте машины можно будет говорить тогда, когда системы ИИ на основе имеющихся у них навыков, априорных знаний и накопленного опыта смогут сами создавать алгоритмы, формировать навыки для решения ранее неизвестных задач. Для этого простого наращивания вычислительных мощностей будет недостаточно. Нужно искать какие-то принципиально новые пути обработки информации, изобретать вычислительные устройства, которые работают на принципах, присущих мозгу человека.
— Можно ли сказать, что у одной системы ИИ более «сильный» интеллект, а у другой — более «слабый»? Как оценить силу машинного интеллекта?
— Нужно иметь критерии оценки, количественные характеристики. В физике есть понятие мощности — это работа, выполненная за единицу времени. Я предлагаю ввести понятие интеллектуальной мощности как объема интеллектуальной работы, выполненной за конкретный промежуток времени.
Для систем с «сильным» ИИ величина интеллектуальной работы будет определяться приращением алгоритмической сложности нового навыка, который сформировала система при решении ранее неизвестной для нее задачи относительно суммарной алгоритмической сложности уже имеющихся у нее навыков. Но здесь возникает вопрос: насколько эффективным будет новый вычислительный алгоритм. А для этого надо задать критерий эффективности. Даже простейшую задачу по перемещению груза из точки А в точку В можно оптимизировать как минимум по двум критериям — пути и времени.
В моем понимании, мощность ИИ равна алгоритмической сложности, умноженной на коэффициент эффективности относительно некоторого критерия и деленной на время.
— А в случае нейронных сетей?
— В принципе, и к ним применим такой подход. Вычислительную сложность нейронной сети тоже можно посчитать: сколько операций нужно произвести, чтобы получить результат.
Процессы создания ИИ на базе современных компьютеров развиваются параллельно по двум основным направлениям — логическому и нейроморфному. Логический подход направлен на создание компьютерных систем, предназначенных для решения одной или нескольких интеллектуальных задач. То есть таких задач, которые потребовали бы использования интеллекта, если бы их решал человек. Нейроморфный подход направлен на создание компьютерных систем, имитирующих работу головного мозга, и в конечном итоге — на создание его искусственного аналога.
Пока все достижения ИИ напрямую связаны с ростом производительности машин. Создание в 1997-м суперкомпьютера с производительностью один терафлопс привело к появлению программы Deep Blue, обыгравшей Каспарова*. В 2004 году программа Blue Brain, действующая уже на 100 терафлопсах, смоделировала работу десяти тысяч нейронов. В 2008-м появились суперкомпьютер производительностью один петафлопс и программа SyNAPSE, имитирующая работу одного миллиона нейронов и десяти триллионов синапсов, что соответствует примерно четырем процентам мозга человека. В 2016 году программа AlphaGo, использующая мощности в сто петафлопс, обыграла чемпиона мира по го, а эта игра по правилам и количеству позиций намного сложнее, чем шахматы. Чат-бот ChatGPT потребовал уже 500 петафлопс.
При этом сами машины не становятся умнее в общепринятом смысле этого слова. Они просто функционируют быстрее, что позволяет за меньший промежуток времени проанализировать большее число вариантов, обработать больший объем информации. Но все они работают по алгоритмам, заложенным человеком.
Обсуждение