შეუძლია თუ არა რობოტს დაწეროს სიმფონია? ტურინგის ტესტი - ”შენ მხოლოდ რობოტი ხარ, ცხოვრების იმიტაცია. შეუძლია რობოტს დაამარცხოს ეს თამაში? VR თერაპიის უარყოფითი მხარეა აღჭურვილობის შედარებით მაღალი ღირებულება და პოტენციური ფიზიოლოგიური შეუწყნარებლობა ვირტუალური რეალობის მიმართ.

ხელოვნური ინტელექტის სისტემების ელემენტების განვითარება აქტიურად ვითარდება და ხდება დღევანდელი ტრენდი და მხოლოდ ზარმაცი არ წერს ჭკვიან ბოტებს. სწორედ ამიტომ ვესაუბრეთ დიმიტრი შვარს სოშნიკოვს, ქვეყნის ერთ-ერთ საუკეთესო AI ექსპერტს. ის არის Microsoft-ის ტექნოლოგიების ევანგელისტი, წიგნების, სტატიებისა და გაკვეთილების ავტორი, ასევე მასწავლებლისა და სტუდენტის პროგრამის კოორდინატორი, ფუნქციონალური პროგრამირების, ნერვული ქსელების და ხელოვნური ინტელექტის სპეციალისტი.

- დიმიტრი, გთხოვ, გვითხარი ორიოდე სიტყვა შენზე და შენს საქმიანობაზე.

დიმიტრი სოშნიკოვი: როგორც მაიკროსოფტის ევანგელისტი, ჩართული ვარ კომპანიის ყველაზე თანამედროვე ტექნოლოგიების პოპულარიზაციასა და დანერგვაში, ახლა ძირითადად ხელოვნურ ინტელექტთან დაკავშირებული ტექნოლოგიები. ეს მოიცავს კონფერენციებზე გამოსვლას, სტუდენტებთან და მასწავლებლებთან მუშაობას, სტარტაპებს, ხანდახან ჰაკფესტებში მონაწილეობას და პროტოტიპების სისტემების დაპროგრამებას სხვადასხვა კომპანიის დეველოპერებთან ერთად. მე ასევე ვაკეთებ ფუნქციონალური პროგრამირებისა და F# ენის პოპულარიზაციას, ვასწავლი MIPT, HSE და MAI და ვამუშავებ ონლაინ კურსებს MVA და Coursera-სთვის.

ჩემი აზრით, ნერვული ქსელები და ზოგადად ხელოვნური ინტელექტი ძალიან საინტერესო სფეროა, რომლის სწრაფმა განვითარებამ ბოლო წლებში უკვე შესაძლებელი გახადა მთელი რიგი პრობლემების გადაჭრა, რომლებსაც ადრე არ ჰქონდათ გადაწყვეტა, როგორიცაა, მაგალითად, ავტომატურად განსაზღვრა. ადამიანის ასაკი მისი ფოტოდან. და მომავალში კიდევ ბევრი საინტერესო შესაძლებლობა გვექნება.

ნერვული ქსელები - მოდა თუ ინსტრუმენტი?

- კონკრეტულად რამ განაპირობა ბოლო დროს ნერვული ქსელის ტექნოლოგიის აქტიური განვითარება?

დიმიტრი სოშნიკოვი: აქ რამდენიმე ფაქტორი წარმატებით გადაფარდა.
პირველი, ხელმისაწვდომი გამოთვლითი ძალა გახდა ხელმისაწვდომი. უფრო მეტიც, ღრუბლოვანმა სერვისებმა დიდი როლი ითამაშეს, რადგან ნერვული ქსელების გამოთვლისთვის ინფრასტრუქტურაში ინვესტიციის ნაცვლად, ახლა შეგიძლიათ მისი დაქირავება მხოლოდ გამოთვლების ხანგრძლივობისთვის, შემდგომში უარი თქვით დაქირავებაზე. გარდა ამისა, დაიწყო გრაფიკული პროცესორების გამოყენება, რომლებიც თავდაპირველად კომპიუტერული გრაფიკისთვის იყო შექმნილი. აღმოჩნდა, რომ ისინი კარგად ერგებიან ხელოვნური ინტელექტის ამოცანებს.

მეორეც, ინტერნეტის წყალობით, გიგანტური რაოდენობის მონაცემების დაგროვება დაიწყო ბევრ სფეროში. განვიხილოთ, მაგალითად, ადრე ნახსენები ამოცანა ფოტოსურათიდან ადამიანის ასაკის ამოცნობა. ნერვული ქსელის მოსაგვარებლად საჭიროა რამდენიმე ასეული ათასი მაგალითი. ახლა თქვენ შეგიძლიათ აიღოთ ნებისმიერი სოციალური ქსელი, სადაც ადამიანები თავად აქვეყნებენ თავიანთ ფოტოებს და ანგარიშის ინფორმაციას (ასაკი) - და ჩვენ დაუყოვნებლივ ვიღებთ მონაცემებს ტრენინგისთვის.
მესამე, რა თქმა უნდა, გაჩნდა რამდენიმე საინტერესო კვლევა, მათ შორის ახალი ნერვული ქსელის არქიტექტურები, რომლებიც არსებული პრობლემების გადაჭრის საშუალებას იძლევა. მაგრამ ეს წერტილი ალბათ პირველი ორის შედეგია. როდესაც რესურსები და ტექნოლოგიები ხელმისაწვდომია, ტერიტორია ბუნებრივად იწყებს აქტიურ განვითარებას.

აქ ასევე გამოჩნდა უამრავი ხელსაწყო, რომელიც ამ ნერვული ქსელების გამოყენების საშუალებას იძლევა. თუ ადრე ხელოვნური ინტელექტის პრობლემების გადასაჭრელად უნდა გქონოდათ ბევრი ცოდნა და ბევრი პროგრამირება, ახლა არის სერვისები, რომლებიც შეგიძლიათ მიიღოთ და გამოიყენოთ.

ხელოვნური ინტელექტის თემა დღეს ძალიან პოპულარულია. რამდენად იმსახურებს ამ პოპულარობას? მართლაც ასეთი შთამბეჭდავია ტექნოლოგია თუ მოდის დიდი წვლილი? და განა ეს "მოდა" არ არის საზიანო განვითარებისთვის?

დიმიტრი სოშნიკოვი: ხელოვნური ინტელექტის სფეროში მართლაც არის დიდი წარმატებები, რომლებზეც ბევრს წერენ, ამიტომ ფრაზა „ხელოვნური ინტელექტი“ ფართოდ ისმის. ამის წყალობით ჩნდებიან ახალი დეველოპერები - ვიღაც მიდის და თავისთვის სწავლობს ახალ სფეროს, ე.ი. უფრო მეტი ადამიანია, ვისაც ესმის ეს სფერო. მეორეს მხრივ, ადამიანები უფრო ყურადღებით ეძებენ იმ ამოცანებს, სადაც ხელოვნური ინტელექტის ტექნოლოგიების გამოყენება შესაძლებელია. ამ თვალსაზრისით, ეს ყველაფერი, პრინციპში, კარგია, რადგან გვაქვს შანსი მოვახდინოთ ზოგიერთი სფეროს ავტომატიზაცია, რომელთა ავტომატიზაციაც აქამდე ვერ შეგვეძლო.

მაგალითად, ჩვენ შეგვიძლია მოვაგვაროთ შეკვეთების მიღების პრობლემა MacAuto-ს ფანჯარაში. ისინი ყოველთვის ცდილობენ ასეთი პრობლემების გადაწყვეტა უფრო იაფი გახადონ. მაგალითად, აშშ-ში ჯერ ამერიკელი იჯდა იქ, შემდეგ იყო მცდელობა აუთსორსინგისთვის, ხმის გადატანა ქვეყანაში, სადაც იაფფასიანი მუშახელი იყო (სადაც, ისევ ადამიანი ზის და წერს). ახლა კი კომპიუტერს შეუძლია ამის გაკეთება.

აქვთ თუ არა ბაზრის მონაწილეებს გაბერილი მოლოდინები? არის თუ არა პროგნოზები, რომლებიც, თქვენი აზრით, უახლოეს მომავალში ნამდვილად არ შესრულდება?

დიმიტრი სოშნიკოვი: რა თქმა უნდა, აქვს. ჯერ ერთი, ხელოვნური ინტელექტის სფერო ცოტა რომანტიულია. საკმაოდ ბევრი ფილმია – მაგალითად, „მატრიცა“ ან „ტერმინატორი“ – სადაც რობოტები აჯანყდებიან და ყველაფერს აკონტროლებენ. აქედან გამომდინარე, არის ადამიანების გარკვეული რაოდენობა, რომლებიც იმედოვნებენ, რომ კიდევ 5 წელი გავა და კომპიუტერები დაიპყრობენ მსოფლიოს. ეს მოლოდინები, როგორც ჩანს, ჯერ კიდევ შორს არის რეალობისგან. დღესდღეობით, გამოსახულების ამოცნობასთან, მეტყველების ამოცნობასთან და მანქანათმცოდნესთან დაკავშირებული პრობლემების გარკვეული კლასის გადაწყვეტა ძალიან კარგად ავტომატიზირებულია. მაგრამ ჩვენ ჯერ კიდევ საკმაოდ დიდი გზა გვაქვს გასავლელი, სანამ გავიგოთ, როგორ მუშაობს ზოგადად ადამიანის აზროვნება. ამიტომ ისეთი ხელოვნური ინტელექტის შექმნამდე, რომელიც ადამიანივით იფიქრებს და იმუშავებს დაგროვილი ცოდნით, ჯერ კიდევ ბევრი სამუშაოა გასაკეთებელი. ჯერ არ არის ძალიან ნათელი, თუ როგორ უნდა გავაკეთოთ ეს.

- რაც შეეხება მოლოდინებს ფინანსური ინვესტიციების კუთხით, ვიდრე სამეცნიერო ფანტასტიკის სცენარების განხორციელებას?

დიმიტრი სოშნიკოვი: მეჩვენება, რომ ასეთი საუბრისთვის აუცილებელია ხელოვნური ინტელექტის თემის ცალკეულ კომპონენტებად დაყოფა, ვინაიდან ეს ძალიან ფართო სფეროა.

თუ გადავხედავთ კომპიუტერულ ხედვას, უკვე არის გასაოცარი მიღწევები, რომლებიც ახლა უკვე დანერგილია ბიზნესში, ზრდის მათ ეფექტურობას და მოაქვს ეკონომიკური სარგებელი. კომპიუტერული ხედვა უკვე უკეთ ცნობს სურათებს, ვიდრე ადამიანები, რომ აღარაფერი ვთქვათ მნიშვნელოვნად იაფია.

სხვა სფეროებში, როგორიცაა ბუნებრივი ენის გაგება და თვითნებურ თემებზე მსჯელობის უნარი, პროგრესი უფრო მოკრძალებული იყო.

- არის თუ არა ფაქტორები, რომლებიც, თქვენი აზრით, ხელს უშლის დარგის განვითარებას?

დიმიტრი სოშნიკოვი: მართალი გითხრათ, აშკარა ფაქტორებს ვერ ვხედავ. მე ვფიქრობ, რომ ეს არის ყველაზე სწრაფად მზარდი ტერიტორია ამჟამად.
თუმცა, მინდა აღვნიშნო, რომ ხელოვნური ინტელექტი არის სფერო, რომელიც ჯერ კიდევ მოითხოვს გარკვეულ კვალიფიკაციას. ამ მიმართულებით მუშაობა ცოტა უფრო რთულია, ვიდრე უბრალოდ პროგრამირების სწავლა. ადამიანი, რომელიც ამთავრებს სკოლას და არ იღებს უმაღლეს განათლებას, შესაძლოა, წარმატებით დაიწყოს მუშაობა სტანდარტების განვითარების სფეროში. ხელოვნური ინტელექტის პირობებში შესვლის ბარი უფრო მაღალია, თუმცა ის თანდათან იკლებს, მათ შორის ამ ინდუსტრიის მონაწილეთა ძალისხმევით. კერძოდ, ერთ-ერთი, რაზეც მაიკროსოფტი მუშაობს, არის ხელოვნური ინტელექტის ე.წ. ეს ნიშნავს, რომ ტექნოლოგია ხელმისაწვდომი გახადოს მომხმარებელთა რაც შეიძლება ფართო სეგმენტისთვის.

პრაქტიკაში ამ მიმართულებით მუშაობს არა მხოლოდ მაიკროსოფტი, არამედ მრავალი სხვა კომპანიაც, რომლებიც უზრუნველყოფენ, მაგალითად, ინტელექტუალური, შემეცნებითი პრობლემების გადაჭრის ინსტრუმენტებს მზა სერვისების სახით. მაგალითად, ფოტოსურათიდან ადამიანის სქესის, ასაკისა და განწყობის დადგენის სერვისები, შეგიძლიათ უბრალოდ დაურეკოთ და მიიღოთ შედეგი. იგივე ეხება მანქანურ თარგმანს და ა.შ. როგორც DotNext 2017-ის მოხსენების ნაწილი, ჩვენ ვისაუბრებთ ამაზე: როგორ შეგიძლიათ, რომ არ გაიგოთ, როგორ მუშაობს ზუსტად, უბრალოდ გამოიყენოთ შედეგები.

A.NET იქნებ?

- მოდით ვისაუბროთ .NET პლატფორმის ადგილს ხელოვნური ინტელექტის სეგმენტში. რამდენად შესაფერისია ასეთი პრობლემების გადასაჭრელად? არის თუ არა რაიმე ფუნქცია, რომელიც ეხმარება ან, პირიქით, აფერხებს ნერვულ ქსელებთან მუშაობას?

დიმიტრი სოშნიკოვი: ხელოვნური ინტელექტის მეთოდების დანერგვა შესაძლებელია ნებისმიერ ტექნოლოგიაზე. მიუხედავად ამისა, არსებობს გარკვეული ჩამოყალიბებული ეკოსისტემები მსგავსი ამოცანების გარშემო. მაგალითად, Python და R და მათი თანმხლები ბიბლიოთეკები ძალიან პოპულარული ენებია მონაცემთა მეცნიერებს შორის. იმათ. აქ უკვე ბევრი საზოგადოებრივი სამუშაოა. ამ მოვლენების მხრივ, რა თქმა უნდა, .NET ოდნავ ჩამორჩება, ისევე როგორც სხვა მსგავსი პლატფორმები. თუმცა, .NET-ს უკვე აქვს ინსტრუმენტების გარკვეული ნაკრები, რაზეც მე ვისაუბრებ ჩემი ანგარიშის ფარგლებში.

ზოგადად, პლატფორმები ახლა გარკვეულწილად ინტეგრირებულია, მათ შორის ერთმანეთთან. იგივე R ენა ძალიან კარგად აერთიანებს F#-ს, რომელიც მშობლიურია .NET პლატფორმაზე. შესაბამისად, თუ დაგვჭირდება მანქანური სწავლების ინსტრუმენტების გამოყენება, შეგვიძლია გამოვიყენოთ ასეთი ჯაჭვი, R ენის შესაძლებლობებისა და ბიბლიოთეკების გამოყენებით, ეს იქნება საკმაოდ გამჭვირვალე და ადვილი შესასრულებელი.

ზოგადად, თუ კონკრეტულად ვსაუბრობთ ნერვულ ქსელებზე, Microsoft-ს აქვს შემეცნებითი ინსტრუმენტების ნაკრები, რომელიც საშუალებას გაძლევთ მოამზადოთ ნერვული ქსელები. და რადგან ის თავდაპირველად აშენდა Microsoft-ის ეკოსისტემაში, ის ძალიან კარგად მუშაობს .NET-თან.

- ეს ინსტრუმენტი გარკვეულწილად გამოირჩევა სხვა მწარმოებლების ანალოგებისგან?

დიმიტრი სოშნიკოვი: არსებითად, Cognitive Toolkit არის Microsoft-ის TensorFlow, Caffe და ა.შ. ჩარჩოების ანალოგი.

ყველა მათგანი, პრინციპში, ძალიან ჰგავს იდეოლოგიურად. მაგრამ Microsoft Cognitive Toolkit იყო პირველი, რომელმაც მხარი დაუჭირა მაღალ განაწილებულ სასწავლო გარემოს, სადაც შეგიძლიათ ავარჯიშოთ ნერვული ქსელი არა მხოლოდ ერთ GPU-ზე, არამედ რამდენიმე GPU-ზე ან თუნდაც რამდენიმე GPU სადგურზე. იმათ. შეგიძლიათ გააკეთოთ ნერვული ქსელის სასწავლო ფერმა.

რამდენადაც მე ვიცი, Cognitive Toolkit აჯობა სხვა ჩარჩოებს სწავლის სიჩქარით. გარდა ამისა, მისი გამოყენება ძალიან მოსახერხებელია. ჩარჩოების უმეტესობა ამა თუ იმ გზით უკავშირდება პითონის ენას, მაგრამ Cognitive Toolkit თავდაპირველად ოდნავ განსხვავებული გზა აიღო. თავდაპირველად შესაძლებელი იყო ნერვული ქსელის არქიტექტურის აღწერა სპეციალურ ენაზე, შემდეგ კი მისი მომზადება პითონში რაიმე მოდელის აგების გარეშე. ცოტა უფრო ადვილი იყო. ამჟამად Cognitive Toolkit მხარს უჭერს ორივე ვარიანტს, ე.ი. არის საკმაოდ მოქნილი.

- ალბათ, არის მომენტები, როცა შემეცნებითი ინსტრუმენტარიუმი ჩამოუვარდება ანალოგებს?

დიმიტრი სოშნიკოვი: ზოგადად, ასეთი ჩარჩოები დაბალი დონის ხელსაწყოებია, რომლებზედაც შესაძლებელია თვითნებური ნერვული ქსელების მომზადება. მისი ანალოგების მსგავსად, შემეცნებითი ინსტრუმენტების ნაკრები მხარს უჭერს გარკვეულ საბაზისო ფენას, რომლის თავზე შეგიძლიათ შექმნათ თვითნებური სირთულის ქსელების არქიტექტურა. მაშასადამე, სხვადასხვა ხელსაწყოებით ამოხსნილი ამოცანების დიაპაზონი დაახლოებით იგივეა.

ჩარჩოს არჩევანი დიდწილად განისაზღვრება ზოგიერთი პირადი შეღავათებით და საცნობარო მასალების ხელმისაწვდომობით. და აქ Microsoft-ის ჩარჩო ოდნავ ჩამორჩება, რადგან ის ცოტა მოგვიანებით გამოჩნდა, ამიტომ მასზე არც ისე დიდი რაოდენობით მასალაა, კერძოდ, ონლაინ კურსები. მაგრამ ვითარება, რა თქმა უნდა, თანდათან იხვეწება.

ჩვენ, MIPT-თან ერთად, ვგეგმავთ გამოვაქვეყნოთ ონლაინ კურსი, რომელიც ეძღვნება სპეციალურად ხელოვნური ინტელექტის პრაქტიკაში გამოყენებასთან დაკავშირებულ პრობლემებს. და ზოგიერთი ინფორმაცია Cognitive Toolkit-ის შესახებ ასევე ჩართული იქნება იქ.

ახლო მომავალში

– შესაძლებელია თუ არა ახლა იმის პროგნოზირება, თუ რა მიმართულებით მიდის ხელოვნური ინტელექტის სეგმენტის განვითარება?

დიმიტრი სოშნიკოვი: ალბათ ნაადრევია საბოლოო პროგნოზების გაკეთება, რადგან 2011-2012 წლებში დაიწყო ტექნოლოგიების უკიდურესად სწრაფი განვითარება. მას შემდეგ გაუმჯობესდა ამოცნობის მეთოდები, გაუმჯობესდა ნერვული ქსელის არქიტექტურები, ე.ი. იზრდება პრობლემის გადაჭრის სიზუსტე.

ამ სეგმენტში ჯერ კიდევ ბევრი გადაუჭრელი საკითხია. გამოსახულების და ხმის ამოცნობის პრობლემები უკვე მოგვარებულია საკმაოდ მაღალ დონეზე. შემდეგი, ალბათ ყველაზე საინტერესო ის არის, რომ ვცდილობთ ტექსტიდან გარკვეული მნიშვნელობის ამოღებას. აქაც საკმაოდ განსაცვიფრებელი წარმატებებია. მაგალითად, შეგიძლიათ ავარჯიშოთ ნერვული ქსელი ფილმებიდან საუბრების ფრაგმენტებზე და მიიღოთ რობოტი, რომელსაც შეუძლია როგორმე შეინარჩუნოს დიალოგი. მაგრამ ამავე დროს, დიალოგს დიდი მნიშვნელობა არ ექნება. ჯერ არ არის ნათელი, თუ როგორ უნდა გადავიტანოთ ცოდნა მნიშვნელობით, როგორ გავაერთიანოთ ცოდნის იმპლიციტური წარმოდგენა ნერვულ ქსელებში სიმბოლურ მსჯელობასთან. ეს არის კვლევის მიმართულება, რომელსაც მეცნიერები გაატარებენ.

რაც შეეხება ინსტრუმენტებს, ისინი ამჟამად აქტიურად მუშავდება. გარკვეული გაგებით, ხელსაწყოების მწარმოებლები ცდილობენ მიჰყვნენ სამეცნიერო მიღწევებს თავიანთ სფეროში. ჩნდება ახალი ქსელის არქიტექტურები - მათი მხარდაჭერა ჩნდება ინსტრუმენტებში, ე.ი. ფუნქციონირება მუდმივად ფართოვდება.

როგორც ადრე ვთქვი, დეველოპერების თვალსაზრისით, შესამჩნევი ტენდენციაა ხელოვნური ინტელექტის, მათ შორის ინსტრუმენტების, დემოკრატიზაციისკენ. Microsoft Cognitive Toolkit-ის გარდა, რომელიც მე აღვნიშნე, არის საინტერესო ინსტრუმენტი სახელწოდებით Azure Machine Learning, რომელიც საშუალებას გაძლევთ გამოიყენოთ ისინი რეალურ მონაცემებზე მანქანური სწავლების ყველა ალგორითმის განხორციელების ღრმა გაგების გარეშე და ნახოთ, შეგიძლიათ თუ არა რაიმე შაბლონის დადგენა. გამოიყენეთ ისინი შემდგომში თქვენს პროდუქტებში. ეს ინსტრუმენტიც საკმაოდ ინტენსიურად მუშავდება - იქ ახალი მეთოდები და ალგორითმები ინერგება.

ზოგადად, ტექნოლოგია უფრო ხელმისაწვდომი ხდება. რთული საგნები გამარტივებულია, რათა მათი გამოყენება შესაძლებელია პროექტების რაც შეიძლება ფართო სპექტრში.
კიდევ ერთი მომენტი, რომელიც მინდა აღვნიშნო, არის ის, რომ ეს ჯერ კიდევ პირველი ექსპერიმენტებია ღრუბელში, უფრო ეფექტური აპარატურის გადაწყვეტილებების გამოყენებით, რომლებიც ახორციელებენ ხელოვნური ინტელექტის ალგორითმებს. ამაზე Dotnext-ზე არ ვისაუბრებთ, მაგრამ ეს თემა დეტალურად განიხილეს Microsoft Ignite კონფერენციაზე. ღრუბელში Microsoft გეგმავს შესთავაზოს არა მხოლოდ კლასიკური გამოთვლითი რესურსები, არამედ პროგრამირებადი ლოგიკური ინტეგრირებული სქემები: FPGA ან FPGA. გამარტივების მიზნით, ეს არის ჩიპები, რომლებიც შეიძლება ჩართოთ გარკვეული ლოგიკური ოპერაციების შესასრულებლად და რომლებიც შეასრულებენ ამ ოპერაციებს ძალიან სწრაფად. ასეთი სქემით ჩვენ შეგვიძლია გამოვთვალოთ ნერვული ქსელი ბევრად უფრო სწრაფად. ექსპერიმენტების დროს პროცესორს ენიდან ენაზე თარგმნა „მოითხოვეს“, რის შედეგადაც რომანი „ომი და მშვიდობა“ ენიდან ენაზე 2 წამში ითარგმნება. თუ აიღებთ ყველა იმ მრავალ პროცესორს, რომელიც Microsoft-ს აქვს ღრუბელში, მაშინ ვიკიპედია შეიძლება ითარგმნოს ერთი ენიდან მეორეზე იმ დროში, რაც ადამიანს სჭირდება თვალის დახამხამებისთვის.

დიმიტრი მეტ პრაქტიკულ ინფორმაციას მოგცემთ ნეირონული ქსელებისა და ხელოვნური ინტელექტის ტექნოლოგიების რეალურ პროექტებში (მათ შორის. NET-ზე) გამოყენების შესახებ თავის მოხსენებაში DotNext 2017 Piter-ზე („ხელმისაწვდომი ხელოვნური ინტელექტი .NET პლატფორმაზე: ჩეთბოტებიდან და შემეცნებითი სერვისებიდან ღრმა ნეირონული ქსელები").

ტეგები: ტეგების დამატება

ტურინგის ტესტი არსებითად არის ტესტი, რომელიც პასუხობს კითხვას "შეიძლება თუ არა მანქანებს აზროვნება?" ანუ, ეს არის ტესტების კომპლექტი, რომელსაც მხოლოდ ადამიანმა ან სრულყოფილ ხელოვნურ ინტელექტს შეუძლია იგივე აზროვნება. სწორედ ამას გვთხოვენ თამაშში - დავამტკიცოთ, რომ ჰომო საპიენსი ხართ. ჩემი აზრით, ეს პრინციპის საკითხია!

ვისაც მოეწონა თავსატეხები The Talos Principle და Portal აუცილებლად დააფასებს ტურინგის ტესტი.ამ თამაშებს მართლაც ბევრი საერთო აქვთ. შეიძლება ითქვას, რომ ისინი ქმნიან ცალკეულ ქვეჟანრს, რომელიც წარმოიშვა ზუსტად პორტალიდან.

პასაჟი არის ლოგიკური ტესტების ნაკრები, რომლებიც თანმიმდევრულად უნდა გადაწყდეს. თამაშის მექანიკის საფუძველი ტურინგის ტესტიშეადგინეთ ენერგეტიკული სფეროები, რომლებიც უნდა იყოს ჩასმული სპეციალურ უჯრედებში კარების გასახსნელად, მექანიზმების დასაწყებად და ა.შ. ერთადერთი ხელსაწყო, რომელიც ამ საქმეში გვეხმარება, არის გარკვეული მაგნიტური იარაღი, რომელსაც შეუძლია ამ სფეროების შთანთქმა და სწორ ადგილას სროლა.

სულ 70-ზე მეტი ტესტია, მაგრამ ბევრი მათგანი რამდენიმე წამში სრულდება. ამიტომ, მთელ პასაჟს დიდი დრო არ სჭირდება. ზოგადად, თამაშში რამდენიმე რთული დაბრკოლებაა, მათი უმეტესობის დასრულება შესაძლებელია თითქმის ფრენის დროს. შეიძლება ზოგს თავსატეხები ძალიან მარტივი აღმოჩნდეს, მაგრამ მე მომეწონა სირთულის ბალანსი. პირიქით, არ მიყვარს ასეთ თამაშებში დიდი ხნის განმავლობაში "სულელობა".

ზოგადი იდეა ასევე ჰგავს თამაშებს, რომლებმაც შთააგონეს დეველოპერები. ფილოსოფიური და ეთიკური მოსაზრებები ინტელექტის შესახებ, ადამიანსა და მანქანას შორის განსხვავების შესახებ.

რაც შეეხება თავად სიუჟეტს: მთავარი გმირი იუპიტერის თანამგზავრის, ევროპის თოვლიან ზედაპირზე მდებარე კოსმოსურ სადგურზე აღმოჩნდება. ბაზის პერსონალი გაქრა და ყველაფერს ხელოვნური ინტელექტი აკონტროლებს, რომელიც ჰეროინს ხვდება. მას მოუწევს ამ ტურინგის ტესტის ჩაბარება და იმის გარკვევა, თუ რა დაემართა ხალხს. სიუჟეტი საკმაოდ საინტერესოა, მაგრამ ის ისეთი პატარა ნაჭრებითაა წარმოდგენილი (ორიოდე კომპიუტერის ხაზი ყოველი დონის დასაწყისში), რომ მას თითქმის მთელი თამაშის განმავლობაში ვერ ამჩნევთ და მხოლოდ ბოლომდე აქცევთ ყურადღებას.

შეუძლია თუ არა რობოტს დაწეროს სიმფონია ან გადააქციოს ტილო ხელოვნების შედევრად? ეს კითხვა ღია რჩება. მაგრამ აი, რა ვიცით დანამდვილებით: თანამედროვე სამედიცინო ნანორობოტებს შეუძლიათ სიმსივნის "ჟანგბადის შეწყვეტა" სისხლში შეღწევით და წამლების მიწოდება დაზარალებულ უჯრედებში ჯანსაღი უჯრედებისთვის ზიანის მიყენების გარეშე. ნერვული ქსელები ექიმებს გადააჭარბებენ მრავალი დაავადების დიაგნოსტირებაში და CRISPR ტექნოლოგიების გამოყენებით გამოკვლევები მალე შეიძლება ჩატარდეს სახლიდან გაუსვლელად. მედიცინის მომავალი უკვე მოვიდა - მოდით გავარკვიოთ, რას უნდა ველოდოთ ახალი მეთოდებისგან და როგორ იმოქმედებს ეს ჩვენს ჯანმრთელობაზე.

დიაგნოსტიკა: ხელოვნური ინტელექტი

მკურნალობის წარმატება დიდწილად დამოკიდებულია სწრაფ და უშეცდომოდ დიაგნოზზე: ამისთვის ექიმმა დიდი პრაქტიკული გამოცდილების დაგროვება და თავის სფეროში მიმდინარე სამეცნიერო ნაშრომების გათვალისწინება უნდა. მაგრამ ამდენი ახალი კვლევისა და საქმის ანგარიშების გამო, რომლებიც ყოველთვიურად იბეჭდება, სად შეგიძლიათ იპოვოთ დრო ყველაფრის შესასწავლად? სწორედ აქ ეხმარებიან ადამიანებს კომპიუტერები, რომლებსაც შეუძლიათ წამებში უზარმაზარი ინფორმაციის დამუშავება.

დღეს სამედიცინო მონაცემების ანალიზის ალგორითმები იქმნება მსხვილი კორპორაციების, მათ შორის Microsoft-ის, IBM-ისა და Google-ის მიერ. ყველაზე ხშირად, მათი განვითარება ეფუძნება ხელოვნური ინტელექტის სხვადასხვა ფორმებს, რომლებსაც შეუძლიათ იპოვონ ნიმუშები მონაცემთა დიდ ნაკრებებში, როგორიცაა ტვინის სკანირება ან კანზე საეჭვო წარმონაქმნების გამოსახულებები. ასეთი ალგორითმები ივარჯიშება ათასობით მაგალითის ბიბლიოთეკის გამოყენებით, სადაც თითოეულ სურათს ენიჭება კვალიფიციური ექიმის მიერ დასმული დიაგნოზი.

ნეირონულმა ქსელებმა უკვე ისწავლეს მრავალი დაავადების იდენტიფიცირება ისეთივე ეფექტურად, როგორც ადამიანები და ზოგიერთ შემთხვევაში ისინი ახერხებენ სპეციალისტებსაც კი აჯობონ.

კონვოლუციური ნერვული ქსელები (CNN) საშუალებას გაძლევთ გაანალიზოთ მრავალი სურათი. ეს არის ღრმა (მრავალფენიანი) სტრუქტურები, რომლებშიც თითოეული ხელოვნური ნეირონი იღებს წინა ფენის გამომავალი მხოლოდ მცირე ფრაგმენტს. თანდათანობით, ქსელი განაზოგადებს ადგილობრივ მახასიათებლებს, ხელახლა ქმნის სრულ სურათს. ყველა მონაცემის გაერთიანებით, CNN-ს შეუძლია ამოიცნოს ორიგინალური სურათის სხვადასხვა დეტალები, მათ შორის დამახასიათებელი ელემენტები, რომლებზეც ექიმები სვამენ დიაგნოზს.

CRISPR ტექნოლოგიებს შეუძლია არა მხოლოდ აღმოფხვრას დაავადების გამომწვევი მიზეზები, არამედ იდენტიფიცირება დაავადებები, მაგალითად, მოძებნოს ინფექციური აგენტების დნმ-ის ან რნმ-ის კვალი.

მიუხედავად იმისა, რომ CRISPR-თან ასოცირებული პროტეინი Cas9 ყველაზე ხშირად მოიხსენიება თერაპიასთან დაკავშირებით, სხვა პროტეინები: Cas12a და Cas13a, როგორც წესი, "დიაგნოსტიკური" პროტეინებია.

2017 წელს MIT-ის მკვლევარებმა შემოიღეს დიაგნოსტიკური ტექნოლოგია სახელწოდებით SHERLOCK (Specific High Sensitivity Enzymatic Reporter Unlocking). ის იყენებს Cas13a ფერმენტს, რომელსაც შეუძლია ამოიცნოს კონკრეტული რნმ-ის თანმიმდევრობა და მოჭრას მსგავსი რნმ-ის ძაფები, რომლებიც მდებარეობს იქვე, რაც მთლიანად ანადგურებს საეჭვო ობიექტს. წიგნის შერლოკ ჰოლმსის მსგავსად, სამედიცინო SHERLOCK-ს შეუძლია აღადგინოს მოვლენების სრული სურათი უმცირესი მტკიცებულებიდან: ტექნოლოგია მუშაობს ნუკლეინის მჟავების ატომური (10-18 მოლი ლიტრზე) კონცენტრაციით. მეთოდი გამოსცადეს ლენტივირუსებზე, რომლებიც შეიცავს დენგეს ცხელების ვირუსისა და ზიკას ვირუსის ფრაგმენტებს: SHERLOCK-მა შეძლო გამოეჩინა პათოგენის ნაწილაკები და განასხვავოს ისინი ერთმანეთისგან არაუმეტეს ორი ატომის კონცენტრაციით.

ტესტირებისას გაირკვა, რომ SHERLOCK-ის გამოყენებით დიაგნოსტიკის რეაგენტები შეიძლება გაშრეს და შემდეგ აღდგეს, ხოლო მეთოდის მგრძნობელობა დიდად არ იკლებს. პორტატული ტესტებისთვის რეკომენდებულია მინაბოჭკოვანი ქაღალდის გამოყენება. განვითარების ავტორები თვლიან, რომ ერთი ტესტის სისტემა დაახლოებით 61 ცენტი ეღირება.

სხვა მკვლევარები ასევე მუშაობენ სახლში CRISPR ტესტირებისთვის ნაკრების შექმნაზე. ცოტა ხნის წინ, ამ სფეროში განვითარება დაიწყო ჯენიფერ დუდნამ, სამედიცინო CRISPR რევოლუციის ერთ-ერთმა პიონერმა. მისმა გუნდმა შექმნა მეთოდი სახელწოდებით DETECTR (დნმ ენდონუკლეაზაზე მიზნობრივი CRISPR ტრანს რეპორტიორი), Cas12a პროტეინის გამოყენებით. ის პოულობს სპეციფიკურ დნმ-ის თანმიმდევრობებს და წყვეტს ნიმუშში დამატებულ უახლოეს ფლუორესცენტულად მონიშნულ ნუკლეინის მჟავას რეპორტიორ მოლეკულებს, რაც აწარმოებს სიგნალს. ამ გზით შეიძლება გამოვლინდეს მრავალი დაავადების პათოგენის კვალი, მათ შორის გრიპის ვირუსის სხვადასხვა შტამები.

ასეთი სატესტო სისტემების შემქმნელების თქმით, CRISPR ანალიზს დასჭირდება არა უმეტეს რამდენიმე საათისა და შედეგების მიღება ინტერნეტის საშუალებითაა შესაძლებელი. თუმცა, ჯერჯერობით უცნობია, როდის გამოჩნდება ასეთი კომპლექტები საჯარო გაყიდვაში.

ეს არის ილუზია: ვირტუალური რეალობა

ვირტუალურ რეალობაზე ხშირად საუბრობენ კომპიუტერული თამაშებისა და „3D კინოს“ კონტექსტში, მაგრამ ტექნოლოგიას ასევე აქვს პოტენციალი მედიცინაში და არა ყველაზე აშკარა სფეროებში. მაგალითად, VR ეფექტურად გამოიყენება როგორც ტკივილგამაყუჩებელი.

ილინოისის ლოიოლას საუნივერსიტეტო საავადმყოფოს დამწვრობის განყოფილება ამ მიდგომას იყენებს.დაიწყო გამოყენებულია ათი წლის წინ: საავადმყოფოს პაციენტები თამაშობენ სიმულატორს მტკივნეული პროცედურების დროსთოვლის სამყარო.

მოქმედება ხდება ჩრდილოეთის ნახევრად ფანტასტიკური პეიზაჟების ფონზე, მრავალი თოვლისა და გაყინული მდინარეებით, გმირის ამოცანაა თოვლის ბურთების თამაში პოლარული დათვებით, პინგვინებითა და თოვლის კაცებით. ყველა დონის დასასრულებლად, პაციენტი უნებურად ამახვილებს ყურადღებას თავსატეხზე და იშლება ფიზიკური შეგრძნებებისგან. ტვინის MRI სკანირებამ აჩვენა, რომ SnowWorld რეალურად ამცირებს ტკივილის აღქმას, ამიტომ პაციენტებს სჭირდებათ ნაკლები ძლიერი ტკივილგამაყუჩებლები, რომლებიც შეიძლება საზიანო იყოს სხეულისთვის.

VR ცვლის ან ავსებს ტკივილგამაყუჩებლებს მედიცინის ბევრ სფეროში. ტექნოლოგია გამოიყენება მშობიარობის დროს და სტომატოლოგიური პროცედურების დროს ტკივილის შესამსუბუქებლად. ვირტუალური რეალობის ტკივილგამაყუჩებელი თვისებები განსაკუთრებით აქტუალურია შეერთებულ შტატებში "ოპიოიდური კრიზისის" ფონზე - ეს დაკავშირებულია რეცეპტით გაცემული ტკივილგამაყუჩებლების (მაგალითად, OxyContin და Vicodin) პოპულარობის ზრდასთან ბოლო ათწლეულების განმავლობაში.

VR მუშაობს არა მხოლოდ ფიზიკური ტკივილის დროს: მას ასევე შეუძლია დაძლიოს ფსიქოლოგიური ტრავმა. პირველი ექსპერიმენტები ჩატარდა 1990-იანი წლების ბოლოს, როდესაც ფსიქოლოგმა ბარბარა როტბაუმმა მოახერხა ვიეტნამის ვეტერანებში პოსტტრავმული სტრესული აშლილობის სიმპტომების შემსუბუქება, ვერტმფრენის კაბინის ვირტუალური მოდელების გამოყენებით და აზიის ჯუნგლებში გაწმენდით. ეს ტექნიკა ავსებდა ექსპოზიციურ თერაპიას - ეტაპობრივი „მიდგომა“ ტრავმული მოგონებებისადმი, რომელთა თავიდან აცილებასაც პაციენტის ცნობიერება ცდილობს. მსგავსი სქემა მუშაობს შფოთვითი აშლილობისა და ფობიების მკურნალობაში ვირტუალური რეალობის გამოყენებით. ტექნოლოგია ეხმარება გაუმკლავდეს აეროფობიას და საჯარო გამოსვლის შიშს: სიმულირებული გარემო შესაძლებელს ხდის საშიში სიტუაციის განმეორებით „რეპეტიციას“.

VR თერაპიის უარყოფითი მხარეა აღჭურვილობის შედარებით მაღალი ღირებულება და პოტენციური ფიზიოლოგიური შეუწყნარებლობა ვირტუალური რეალობის მიმართ.

მკურნალობის ახალი მეთოდების ცდებში ზოგიერთ მონაწილეს განუვითარდა VR „გულისრევა“ (ვირტუალური რეალობის ავადმყოფობა), რომელიც იწვევს იგივე სიმპტომებს, როგორც მოძრაობის ავადმყოფობა ან ზღვის ავადმყოფობა. გავრცელებული ჰიპოთეზის თანახმად, ორივე დარღვევა წარმოიქმნება ვესტიბულური აპარატის რეცეპტორების ფუნქციონირების დარღვევით ან ვესტიბულური აპარატიდან და მხედველობის ორგანოებიდან მოსულ სიგნალებს შორის კონფლიქტით.

დეველოპერებმა უკვე შექმნეს რამდენიმე მეთოდი, რომელსაც შეუძლია შეამციროს VR „გულისრევა“. მაგალითად, შეგიძლიათ ეკრანზე მოათავსოთ სტაციონარული ობიექტი, რომელსაც მომხმარებლის თვალები მუდმივად დააფიქსირებს. Nasum Virtualis ტექნოლოგიის ავტორები გვთავაზობენ გამოიყენონ ეკრანის ცენტრში მდებარე ცხვირის ვირტუალური გამოსახულება, როგორც საცნობარო წერტილი. მოთამაშის თვალები მას აღიქვამენ როგორც საკუთარ ცხვირს, ამიტომ გულისრევის და თავბრუსხვევის შეგრძნება იკლებს.