Робот симфони бичиж чадах уу? Тьюрингийн тест - "Чи бол зүгээр л робот, амьдралыг дуурайсан хүн. Энэ тоглоомыг робот ялж чадах уу? VR эмчилгээний сул тал нь тоног төхөөрөмжийн харьцангуй өндөр өртөг, виртуал бодит байдалд физиологийн үл тэвчих байдал юм.

Хиймэл оюун ухааны системийн элементүүдийн хөгжил идэвхтэй хөгжиж, өнөөгийн чиг хандлага болж байгаа бөгөөд зөвхөн залхуу хүмүүс ухаалаг бот бичдэггүй. Тиймээс бид тус улсын шилдэг хиймэл оюун ухааны мэргэжилтнүүдийн нэг Дмитрий Шварс Сошниковтой ярилцлаа. Тэрээр Майкрософт технологийн сайн мэдээг түгээгч, ном, нийтлэл, заавар зохиогч, мөн багш, оюутны хөтөлбөрийн зохицуулагч, функциональ програмчлал, мэдрэлийн сүлжээ, хиймэл оюун ухааны чиглэлээр мэргэшсэн мэргэжилтэн юм.

- Дмитрий, өөрийнхөө тухай болон ажлынхаа талаар хэдэн үг хэлээрэй.

Дмитрий Сошников: Би Майкрософт компанийн сайн мэдээг түгээгчийн хувьд компанийн хамгийн орчин үеийн технологиудыг, ялангуяа хиймэл оюун ухаантай холбоотой технологийг сурталчлах, хэрэгжүүлэх ажилд оролцож байна. Үүнд бага хурал дээр үг хэлэх, оюутнууд болон багш нартай хамтран ажиллах, гарааны бизнес эрхлэгчид, заримдаа хакерфест оролцох, өөр өөр компаниудын хөгжүүлэгчидтэй хамтран прототип системийг програмчлах зэрэг орно. Би мөн функциональ програмчлал, F# хэлийг сурталчилж, MIPT, HSE, MAI-д багшилж, MVA болон Coursera-д зориулсан онлайн сургалтуудыг хөгжүүлдэг.

Миний бодлоор мэдрэлийн сүлжээ, ерөнхийдөө хиймэл оюун ухаан нь маш сонирхолтой салбар бөгөөд сүүлийн жилүүдэд хурдацтай хөгжиж байгаа нь урьд өмнө шийдэгдээгүй байсан хэд хэдэн асуудлыг шийдвэрлэх боломжтой болсон, тухайлбал, автоматаар тодорхойлох гэх мэт. түүний гэрэл зургаас хүний ​​нас. Ирээдүйд бидэнд илүү олон сонирхолтой боломжууд бий.

Мэдрэлийн сүлжээ - загвар эсвэл хэрэгсэл үү?

-Сүүлийн үед мэдрэлийн сүлжээний технологийг идэвхтэй хөгжүүлэхэд яг юу нөлөөлөв?

Дмитрий Сошников: Энд хэд хэдэн хүчин зүйл амжилттай давхцсан.
Нэгдүгээрт, боломжийн тооцоолох хүчин чадалтай болсон. Нэмж дурдахад үүлэн сүлжээний үйлчилгээ ихээхэн үүрэг гүйцэтгэсэн, учир нь та мэдрэлийн сүлжээг тооцоолох дэд бүтцэд хөрөнгө оруулахын оронд зөвхөн тооцооны хугацаанд түрээслэх боломжтой бөгөөд дараа нь түрээслэхээс татгалзаж болно. Үүнээс гадна компьютерийн графикт зориулж анх бүтээгдсэн график процессорууд ашиглагдаж эхэлсэн. Тэд хиймэл оюун ухааны даалгаварт маш сайн тохирдог нь тогтоогдсон.

Хоёрдугаарт, интернетийн ачаар асар их хэмжээний өгөгдөл олон газарт хуримтлагдаж эхэлсэн. Жишээлбэл, гэрэл зургаас хүний ​​насыг таних өмнө дурдсан даалгаврыг авч үзье. Үүнийг шийдвэрлэхийн тулд мэдрэлийн сүлжээг сургахын тулд хэдэн зуун мянган жишээ шаардлагатай. Одоо та хүмүүс өөрсдийн зураг, дансны мэдээллийг (нас) нийтэлдэг ямар ч нийгмийн сүлжээг авч болно - бид тэр даруй сургалтанд хамрагдах мэдээллийг хүлээн авдаг.
Гуравдугаарт, мэдээжийн хэрэг, одоо байгаа асуудлуудыг шийдвэрлэх боломжийг олгодог мэдрэлийн сүлжээний шинэ архитектур зэрэг сонирхолтой судалгаанууд гарч ирэв. Гэхдээ энэ цэг нь эхний хоёрын үр дагавар байж магадгүй юм. Нөөц, технологи байгаа үед тухайн газар аяндаа идэвхтэй хөгжиж эхэлдэг.

Эдгээр мэдрэлийн сүлжээг ашиглах боломжийг олгодог олон тооны хэрэгслүүд энд гарч ирэв. Өмнө нь хиймэл оюун ухааны асуудлыг шийдэхийн тулд та маш их мэдлэгтэй, маш их програмчлалтай байх ёстой байсан бол одоо авч, ашиглах боломжтой үйлчилгээнүүд байна.

Хиймэл оюун ухааны сэдэв өнөөдөр маш их алдартай. Энэ алдар нэр хэр хүртэх ёстой вэ? Технологи үнэхээр гайхалтай юу, эсвэл загварын асар их хувь нэмэр байна уу? Мөн энэ “моод” хөгжилд сөргөөр нөлөөлж байгаа юм биш үү?

Дмитрий Сошников: Хиймэл оюун ухааны салбарт үнэхээр том амжилтууд байдаг бөгөөд энэ талаар маш их бичсэн байдаг тул "хиймэл оюун ухаан" гэсэн хэллэг олны дунд сонсогддог. Үүний ачаар шинэ хөгжүүлэгчид гарч ирдэг - хэн нэгэн очиж, өөртөө зориулж шинэ газар нутгийг судалдаг, өөрөөр хэлбэл. Энэ чиглэлийг ойлгодог хүмүүс илүү олон болсон. Нөгөөтэйгүүр, хүмүүс хиймэл оюун ухааны технологийг ашиглаж болох ажлуудыг илүү анхааралтай хайж байна. Энэ үүднээс авч үзвэл энэ бүхэн зарчмын хувьд сайн хэрэг, учир нь бидэнд өмнө нь автоматжуулах боломжгүй байсан зарим хэсгийг автоматжуулах боломж бий.

Жишээлбэл, бид MacAuto цонхонд захиалга хүлээн авах асуудлыг шийдэж чадна. Ийм асуудлын шийдлийг тэд үргэлж хямд байлгахыг хичээдэг. Жишээлбэл, АНУ-д эхлээд нэг америк хүн сууж байгаад дараа нь хямд ажиллах хүчтэй (дахин хүн сууж, бичдэг) улс руу дуу хоолойгоо шилжүүлэх замаар аутсорсинг хийх оролдлого гарчээ. Одоо компьютер үүнийг хийж чадна.

Зах зээлд оролцогчид хэт их хүлээлттэй байна уу? Таны бодлоор ойрын ирээдүйд биелэхгүй гэсэн таамаглал бий юу?

Дмитрий Сошников: Мэдээж байна. Юуны өмнө хиймэл оюун ухааны салбар бол жаахан романтик юм. "Матриц" эсвэл "Терминатор" гэх мэт олон кино байдаг бөгөөд роботууд бослого гаргаж, бүх зүйлийг удирддаг. Тиймээс дахиад 5 жил өнгөрч, компьютер дэлхийг эзэгнэнэ гэсэн хүлээлт тодорхой тооны хүмүүс бий. Эдгээр хүлээлт бодит байдлаас хол хэвээр байгаа бололтой. Өнөө үед дүрсийг таних, яриа таних, машин сурахтай холбоотой тодорхой ангиллын асуудлыг шийдвэрлэх нь маш сайн автоматжуулсан. Гэхдээ хүний ​​сэтгэхүй ерөнхийдөө хэрхэн явагддагийг ойлгохоос өмнө бидэнд нэлээд урт зам бий. Тиймээс хүн шиг сэтгэж, хуримтлуулсан мэдлэгээрээ ажиллах ийм хиймэл оюун ухааныг бүтээхээс өмнө маш их ажил хийх шаардлагатай байна. Үүнийг хэрхэн хийх нь одоогоор тодорхойгүй байна.

- Шинжлэх ухааны уран зөгнөлт зохиолуудыг хэрэгжүүлэх гэхээсээ илүүтэй санхүүгийн хөрөнгө оруулалттай холбоотой хүлээлтийг яах вэ?

Дмитрий Сошников: Ийм яриа өрнүүлэхийн тулд хиймэл оюун ухааны сэдвийг салангид хэсгүүдэд хуваах шаардлагатай юм шиг санагдаж байна, учир нь энэ нь маш өргөн хүрээний талбар юм.

Хэрэв бид компьютерийн алсын харааг авч үзвэл, одоо бизнесүүдэд хэрэгжиж, үр ашгийг нь нэмэгдүүлж, эдийн засгийн үр өгөөжийг авчрах гайхалтай дэвшилтүүд аль хэдийн гарч байна. Компьютерийн алсын хараа нь хүмүүсийг бодвол зургийг илүү сайн таньдаг бөгөөд энэ нь хамаагүй хямд байх нь бүү хэл.

Байгалийн хэлийг ойлгох, дур зоргоороо сэдвийн талаар эргэцүүлэн бодох чадвар зэрэг бусад салбарт ахиц дэвшил харьцангуй бага байна.

- Таны бодлоор энэ салбарын хөгжилд саад болж байгаа хүчин зүйлүүд бий юу?

Дмитрий Сошников: Үнэнийг хэлэхэд надад тодорхой хүчин зүйл харагдахгүй байна. Энэ бол одоо хамгийн хурдацтай хөгжиж буй газар гэж би бодож байна.
Гэсэн хэдий ч хиймэл оюун ухаан нь зарим ур чадвар шаарддаг салбар хэвээр байгааг тэмдэглэхийг хүсч байна. Энэ чиглэлээр ажиллах нь зүгээр л программчилж сурахаас арай хэцүү. Сургууль төгсөөд дээд боловсрол эзэмшээгүй хүн стандарт боловсруулах чиглэлээр амжилттай ажиллаж эхлэх байх. Хиймэл оюун ухаантай бол энэ салбарт оролцогчдын хүчин чармайлтыг оруулаад аажмаар буурч байгаа хэдий ч нэвтрэх хязгаар өндөр байна. Ялангуяа Майкрософт компанийн хийж байгаа нэг зүйл бол хиймэл оюун ухааныг ардчилах гэж нэрлэгддэг зүйл юм. Энэ нь технологийн хамгийн өргөн хүрээний хэрэглэгчдэд хүртээмжтэй болгоно гэсэн үг.

Практикт зөвхөн Майкрософт төдийгүй бусад олон компаниуд энэ чиглэлээр ажиллаж байгаа бөгөөд жишээлбэл, бэлэн үйлчилгээ хэлбэрээр оюуны, танин мэдэхүйн асуудлыг шийдвэрлэх хэрэгслүүдээр хангадаг. Жишээлбэл, гэрэл зургаас хүний ​​​​хүйс, нас, сэтгэл санааг тодорхойлох үйлчилгээ нь тэдэн рүү залгаад үр дүнг нь авах боломжтой. Машины орчуулга гэх мэт зүйлд мөн адил хамаарна. DotNext 2017 тайлангийн нэг хэсэг болгон бид энэ талаар ярих болно: энэ нь яг яаж ажилладагийг огтхон ч ойлгохгүйгээр үр дүнг хэрхэн ашиглах вэ?

A.NET магадгүй?

- Хиймэл оюун ухааны сегмент дэх .NET платформ ямар байр суурь эзэлдэг талаар ярилцъя. Ийм асуудлыг шийдвэрлэхэд хэр тохиромжтой вэ? Мэдрэлийн сүлжээтэй ажиллахад тусалдаг эсвэл эсрэгээр нь саад болдог онцлог шинж чанарууд байдаг уу?

Дмитрий Сошников: AI аргыг ямар ч технологи дээр хэрэгжүүлж болно. Гэсэн хэдий ч ижил төстэй ажлуудын эргэн тойронд тодорхой тогтсон экосистемүүд байдаг. Жишээлбэл, Python, R болон тэдгээрийн дагалдах сангууд нь өгөгдөл судлаачдын дунд маш их алдартай хэл юм. Тэдгээр. энд аль хэдийн олон нийтийн ажил их байна. Эдгээр хөгжүүлэлтийн хувьд мэдээж .NET бусад ижил төстэй платформуудын адил бага зэрэг хоцорч байна. Гэсэн хэдий ч .NET-д аль хэдийн тодорхой хэрэгслүүд байгаа бөгөөд би энэ талаар тайлангийнхаа нэг хэсэг болгон ярих болно.

Ерөнхийдөө платформууд одоо ямар нэгэн байдлаар, тэр дундаа бие биетэйгээ нэгдсэн байна. Ижил R хэл нь .NET платформоос гаралтай F# хэлтэй маш сайн нийцдэг. Үүний дагуу, хэрэв бид машин сургалтын зарим хэрэгслийг ашиглах шаардлагатай бол R хэлний чадвар, номын санг ашиглан ийм хэлхээг ашиглаж болно.

Ерөнхийдөө, хэрэв бид мэдрэлийн сүлжээний талаар тусгайлан ярих юм бол Microsoft нь мэдрэлийн сүлжээг сургах боломжийг олгодог Танин мэдэхүйн хэрэгсэлтэй. Мөн энэ нь анх Microsoft-ын экосистемд бүтээгдсэн учраас .NET-тэй маш сайн ажилладаг.

- Энэ хэрэгсэл нь бусад үйлдвэрлэгчдийн аналогиас ямар нэгэн байдлаар ялгардаг?

Дмитрий Сошников: Үндсэндээ Cognitive Toolkit нь Microsoft-ын TensorFlow, Caffe гэх мэт хүрээний аналог юм.

Тэд бүгдээрээ зарчмын хувьд үзэл суртлын хувьд маш төстэй. Гэхдээ Microsoft Cognitive Toolkit нь зөвхөн нэг GPU дээр биш, олон GPU эсвэл бүр олон GPU станцууд дээр мэдрэлийн сүлжээг сургах боломжтой өндөр тархсан сургалтын орчныг анх дэмжсэн юм. Тэдгээр. Та мэдрэлийн сүлжээний сургалтын ферм хийж болно.

Миний мэдэж байгаагаар Cognitive Toolkit нь сурах хурдаараа бусад хүрээг давдаг. Дээрээс нь хэрэглэхэд маш тохиромжтой. Ихэнх фреймворкууд Python хэлтэй нэг талаараа холбоотой байдаг ч Cognitive Toolkit нь эхэндээ арай өөр замаар явсан. Эхлээд мэдрэлийн сүлжээний архитектурыг тусгай хэлээр дүрсэлж, дараа нь Python дээр ямар ч загвар бүтээхгүйгээр сургах боломжтой байсан. Энэ нь арай хялбар байсан. Одоогоор Cognitive Toolkit нь хоёр сонголтыг дэмждэг, i.e. нэлээд уян хатан байдаг.

- Танин мэдэхүйн хэрэгсэл нь аналогиасаа дорддог үе байдаг байх?

Дмитрий Сошников: Ерөнхийдөө ийм хүрээнүүд нь доод түвшний хэрэгслүүд бөгөөд дээрээс нь дурын мэдрэлийн сүлжээг сургах боломжтой. Аналогуудын нэгэн адил Танин мэдэхүйн хэрэгсэл нь тодорхой суурь давхаргыг дэмждэг бөгөөд үүний дээр та дурын нарийн төвөгтэй сүлжээний архитектурыг бий болгож чадна. Тиймээс янз бүрийн хэрэгслээр шийддэг даалгаврын хүрээ ойролцоогоор ижил байна.

Хүрээний сонголт нь зарим хувийн сонголт, лавлагааны материалын бэлэн байдлаас ихээхэн хамаардаг. Энд Microsoft-ын хүрээ бага зэрэг хоцорсон, учир нь энэ нь бага зэрэг хожим гарч ирсэн тул үүн дээр тийм их хэмжээний материал, ялангуяа онлайн курс байдаггүй. Гэвч нөхцөл байдал мэдээжийн хэрэг аажмаар жигдэрч байна.

Бид MIPT-тэй хамтран хиймэл оюун ухааныг практикт ашиглахтай холбоотой асуудлуудад тусгайлан зориулсан онлайн сургалтыг гаргахаар төлөвлөж байна. Танин мэдэхүйн хэрэгслийн талаарх зарим мэдээллийг мөн тэнд оруулах болно.

Ойрын ирээдүй

-Хиймэл оюун ухааны сегментийн хөгжил ямар чиглэлд явж байгааг одоо урьдчилан таамаглах боломжтой юу?

Дмитрий Сошников: 2011-2012 онд технологийн асар хурдацтай хөгжил эхэлсэн тул эцсийн таамаглал гаргахад эрт байна. Түүнээс хойш таних аргууд сайжирч, мэдрэлийн сүлжээний архитектурууд сайжирсан, i.e. асуудлыг шийдвэрлэх нарийвчлал нэмэгддэг.

Энэ хэсэгт шийдэгдээгүй олон асуудал байсаар байна. Зураг, дуу хоолойг таних асуудлыг нэлээд өндөр түвшинд аль хэдийн шийдсэн. Дараа нь, магадгүй хамгийн сонирхолтой зүйл бол текстээс ямар нэгэн утгыг гаргаж авахыг оролдох явдал юм. Энд бас гайхалтай амжилтууд бий. Жишээлбэл, та киноны ярианы хэсгүүдэд мэдрэлийн сүлжээг сургаж, ямар нэгэн байдлаар харилцан яриа өрнүүлж чадах робот авах боломжтой. Гэхдээ үүнтэй зэрэгцэн харилцан ярианд нэг их утга учир байхгүй болно. Мэдлэгийг хэрхэн утга болгон хөрвүүлэх, мэдрэлийн сүлжээн дэх мэдлэгийн далд дүрслэлийг симболын үндэслэлтэй хэрхэн хослуулах нь одоогоор тодорхойгүй байна. Эрдэмтэд энэ чиглэлийг баримтална.

Багаж хэрэгслийн хувьд одоогоор идэвхтэй хөгжиж байна. Нэг ёсондоо багаж үйлдвэрлэгчид өөрсдийн салбартаа шинжлэх ухааны дэвшлийг дагаж мөрдөхийг хичээж байна. Сүлжээний шинэ архитектурууд гарч ирдэг - тэдгээрийн дэмжлэг нь хэрэгслүүд дээр гарч ирдэг, i.e. Функц нь байнга өргөжиж байна.

Би дээр хэлсэнчлэн, хөгжүүлэгчийн үүднээс хиймэл оюун ухаан, ялангуяа багаж хэрэгслийг ардчилах хандлага ажиглагдаж байна. Миний дурдсан Майкрософт танин мэдэхүйн хэрэглүүрээс гадна Azure Machine Learning хэмээх сонирхолтой хэрэгсэл байдаг бөгөөд энэ нь танд машин сургалтын бүх алгоритмуудын хэрэгжилтийн талаар гүн гүнзгий ойлголтгүйгээр бодит өгөгдөлд ашиглах боломжийг олгодог бөгөөд та ямар нэгэн хэв маягийг тодорхойлж чадах эсэхийг харах боломжийг олгодог. тэдгээрийг бүтээгдэхүүндээ цаашид ашиглах. Энэ хэрэгслийг бас нэлээд эрчимтэй хөгжүүлж байна - тэнд шинэ арга, алгоритмуудыг нэвтрүүлж байна.

Ерөнхийдөө техник технологи илүү хүртээмжтэй болж байна. Нарийн төвөгтэй зүйлсийг хялбаршуулсан тул аль болох өргөн хүрээний төслүүдэд ашиглах боломжтой.
Миний хэлэхийг хүсч буй өөр нэг зүйл бол эдгээр нь хиймэл оюун ухааны алгоритмуудыг хэрэгжүүлдэг илүү үр дүнтэй техник хангамжийн шийдлүүдийг ашиглан үүлэн дээр хийсэн анхны туршилтууд хэвээр байгаа явдал юм. Бид Dotnext дээр энэ тухай ярихгүй, гэхдээ энэ сэдвийг Microsoft Ignite бага хурал дээр дэлгэрэнгүй авч үзсэн. Клоуд дээр Майкрософт нь зөвхөн сонгодог тооцооллын эх үүсвэрийг төдийгүй програмчлагдах логик нэгдсэн хэлхээг санал болгохоор төлөвлөж байна: FPGA эсвэл FPGA. Хялбаршуулахын тулд эдгээр нь тодорхой логик үйлдлүүдийг гүйцэтгэхийн тулд анивчдаг чипүүд бөгөөд эдгээр үйлдлийг маш хурдан гүйцэтгэх болно. Ийм схемийн тусламжтайгаар бид мэдрэлийн сүлжээг илүү хурдан тооцоолох боломжтой. Туршилтын явцад процессорыг хэлнээс хэл рүү хөрвүүлэхийг "саналдсан" үр дүнд "Дайн ба энх" романыг хэлнээс хэл рүү 2 секундын дотор орчуулдаг. Хэрэв та Microsoft-ын үүлэн дотор байдаг ийм олон процессоруудыг авбал Википедиа нь хүн нүдээ анивчих хүртэл нэг хэлээс нөгөө хэл рүү орчуулагдах боломжтой.

Дмитрий DotNext 2017 Piter (".NET платформ дээр ашиглах боломжтой хиймэл оюун ухаан: чатбот болон танин мэдэхүйн үйлчилгээнээс эхлээд гүн гүнзгий төсөл хүртэл) бодит төслүүдэд (үүнд .NET дээр) мэдрэлийн сүлжээ болон хиймэл оюун ухааны технологийг ашиглах талаар илүү практик мэдээллийг өгөх болно. мэдрэлийн сүлжээ").

Шошго: шошго нэмэх

Тьюрингийн тест нь үндсэндээ “машин сэтгэж чадах уу?” гэсэн асуултад хариулдаг тест юм. Өөрөөр хэлбэл, энэ нь зөвхөн ижил аргаар сэтгэх чадвартай хүн эсвэл төгс хиймэл оюун ухаантай хүн л давж чадах тестийн багц юм. Энэ бол таныг хомо сапиенс гэдгийг батлахын тулд тоглоомонд яг ийм зүйл хийхийг биднээс шаарддаг. Миний бодлоор энэ бол зарчмын асуудал юм!

The Talos Principle ба Portal тааварт дуртай хүмүүс талархах нь гарцаагүй Тюринг тест.Эдгээр тоглоомууд үнэхээр нийтлэг зүйл ихтэй. Тэд яг Порталаас гаралтай тусдаа дэд жанрыг бүрдүүлдэг гэж та хэлж болно.

Уг хэсэг нь дараалсан шийдвэрлэх ёстой логик тестүүдийн багц юм. Тоглоомын механикийн үндэс Тюринг тестхаалгыг онгойлгох, механизмыг эхлүүлэх гэх мэт тусгай эсүүдэд оруулах шаардлагатай эрчим хүчний бөмбөрцөгийг бүрдүүлдэг. Энэ асуудалд туслах цорын ганц хэрэгсэл бол эдгээр бөмбөрцөгийг шингээж, зөв ​​газарт нь буудаж чаддаг тодорхой соронзон буу юм.

Нийтдээ 70 гаруй тест байдаг ч ихэнх нь хэдхэн секундын дотор дуусдаг. Тиймээс бүхэл бүтэн хэсэг нь их цаг хугацаа шаарддаггүй. Ерөнхийдөө тоглоомонд хэцүү саад бэрхшээл бага байдаг, тэдгээрийн ихэнхийг бараг л дуусгах боломжтой. Зарим хүмүүст оньсого хэтэрхий энгийн мэт санагдаж болох ч бэрхшээлийн тэнцвэрт байдал нь надад таалагдсан. Харин ч би ийм тоглоомонд удаан "тэнэг" байх дургүй.

Ерөнхий санаа нь хөгжүүлэгчдэд урам зориг өгсөн тоглоомуудтай төстэй юм. Тагнуулын тухай, хүн ба машин хоёрын ялгааны тухай философи, ёс суртахууны бодол.

Зохиолын хувьд: Гол дүр нь Бархасбадийн хиймэл дагуул болох Европын цаст гадаргуу дээрх сансрын станц дээр өөрийгөө олдог. Баазын ажилтнууд алга болж, бүх зүйл баатартай тааралддаг хиймэл оюун ухаанаар хянагддаг. Тэр яг энэ Тюринг тестийг давж, хүмүүст юу тохиолдсоныг олж мэдэх хэрэгтэй болно. Энэ түүх нь нэлээд сонирхолтой боловч маш жижиг хэсгүүдэд (түвшин бүрийн эхэнд компьютерийн хэд хэдэн шугам) үзүүлсэн тул та үүнийг бараг бүхэл бүтэн тоглоомын туршид анзаардаггүй бөгөөд зөвхөн төгсгөлд нь анхаарлаа хандуулдаг.

Робот симфони бичиж, зотон даавууг урлагийн шилдэг бүтээл болгож чадах уу? Энэ асуулт нээлттэй хэвээр байна. Гэхдээ бидний баттай мэдэж байгаа зүйл бол орчин үеийн анагаах ухааны нанороботууд нь цусны урсгал руу нэвчиж хавдрын "хүчилтөрөгчийг таслан", эрүүл эсүүдэд хор хөнөөл учруулахгүйгээр эмийг нөлөөлөлд өртсөн эсүүдэд хүргэх чадвартай. Мэдрэлийн сүлжээ нь олон өвчнийг оношлоход эмч нарыг давах гэж байгаа бөгөөд CRISPR технологийг ашиглан шинжилгээг удахгүй гэрээсээ гаралгүйгээр хийх боломжтой болно. Анагаах ухааны ирээдүй аль хэдийн ирсэн - шинэ аргуудаас юу хүлээж болох, энэ нь бидний эрүүл мэндэд хэрхэн нөлөөлөхийг олж мэдье.

Оношлогоо: Хиймэл оюун ухаан

Эмчилгээний амжилт нь хурдан бөгөөд алдаагүй оношлохоос ихээхэн шалтгаална: үүний тулд эмч маш их практик туршлага хуримтлуулж, өөрийн чиглэлээр одоогийн шинжлэх ухааны бүтээлүүдийг мэддэг байх шаардлагатай. Гэхдээ сар бүр олон шинэ судалгаа, тохиолдлын тайлан хэвлэгдэж байгаа тул та энэ бүгдийг судлах цагийг хаанаас олох вэ? Энд л асар их хэмжээний мэдээллийг секундын дотор боловсруулах чадвартай компьютерууд хүмүүст туслахад ирдэг.

Өнөөдөр эмнэлгийн өгөгдөлд дүн шинжилгээ хийх алгоритмыг Microsoft, IBM, Google зэрэг томоохон корпорациуд бий болгодог. Ихэнхдээ тэдний хөгжүүлэлт нь тархины сканнер эсвэл арьсан дээрх сэжигтэй өсөлтийн зураг гэх мэт том мэдээллийн багцаас хэв маягийг олох боломжтой бие даан суралцах хиймэл оюун ухааны янз бүрийн хэлбэрт суурилдаг. Ийм алгоритмуудыг олон мянган жишээнүүдийн санг ашиглан сургадаг бөгөөд зураг бүрт мэргэшсэн эмчийн хийсэн оношийг өгдөг.

Мэдрэлийн сүлжээнүүд олон өвчнийг хүн шиг үр дүнтэй тодорхойлж сурсан бөгөөд зарим тохиолдолд мэргэжилтнүүдээс ч илүү гарч чаддаг.

Convolutional Neural Network (CNN) нь олон дүрсийг шинжлэх боломжийг олгодог. Эдгээр нь хиймэл нейрон бүр өмнөх давхаргын гаралтын багахан хэсгийг хүлээн авдаг гүн (олон давхаргат) бүтэц юм. Аажмаар сүлжээ нь орон нутгийн шинж чанаруудыг нэгтгэж, бүрэн дүр зургийг дахин бий болгодог. Бүх өгөгдлийг нэгтгэснээр CNN анхны зураг дээрх янз бүрийн нарийн ширийн зүйлийг, тэр дундаа эмч нарын оношийг тавьдаг онцлог шинж чанаруудыг таних боломжтой.

CRISPR технологи нь өвчний шалтгааныг арилгахаас гадна өвчнийг тодорхойлох, жишээлбэл, халдвар үүсгэгч бодисын ДНХ эсвэл РНХ-ийн ул мөрийг хайж олох боломжтой.

CRISPR-тай холбоотой Cas9 уураг ихэвчлэн эмчилгээтэй холбоотой байдаг бол бусад уураг: Cas12a болон Cas13a нь ихэвчлэн "оношлогооны" уураг байдаг.

2017 онд MIT-ийн судлаачид SHERLOCK (Specific High Sensitivity Enzymatic Reporter Unlocking) хэмээх оношилгооны технологийг нэвтрүүлсэн. Энэ нь тодорхой РНХ-ийн дарааллыг таньж, ойролцоо байрлах ижил төстэй РНХ-ийн хэлхээг огтолж, сэжигтэй объектыг бүрэн устгах чадвартай Cas13a ферментийг ашигладаг. Шерлок Холмс номын нэгэн адил анагаах ухааны SHERLOCK нь хамгийн жижиг нотолгоонд тулгуурлан үйл явдлын бүрэн дүр зургийг гаргах чадвартай: технологи нь атомын (литр тутамд 10-18 моль) нуклейн хүчлийн концентрацитай ажилладаг. Энэ аргыг Денге халуурлын вирус болон Зика вирусын хэлтэрхий агуулсан лентивирусууд дээр туршсан: SHERLOCK нь эмгэг төрүүлэгч хэсгүүдийг илрүүлж, хоёр аттомолоос илүүгүй концентрацитай бие биенээсээ ялгах чадвартай байв.

Туршилтын явцад SHERLOCK ашиглан оношлогооны урвалжуудыг хатааж, дараа нь дахин боловсруулж болох боловч аргын мэдрэмж нь тийм ч их буурахгүй байна. Зөөврийн туршилтын хувьд шилэн цаас ашиглахыг зөвлөж байна. Нэг туршилтын систем нь ойролцоогоор 61 центийн үнэтэй байх болно гэж хөгжүүлэлтийг зохиогчид үзэж байна.

Бусад судлаачид гэртээ CRISPR тест хийх иж бүрдэл бүтээхээр ажиллаж байна. Саяхан энэ чиглэлийн хөгжлийг анагаах ухааны CRISPR хувьсгалын анхдагчдын нэг Женнифер Доудна эхлүүлсэн. Түүний баг Cas12a уураг ашиглан DETECTR (DNA endonuclease-targeted CRISPR trans reporter) хэмээх аргыг бүтээжээ. Энэ нь ДНХ-ийн тодорхой дарааллыг олж, хамгийн ойрын флюресцентээр тэмдэглэсэн нуклейн хүчлийн сурвалжлагч молекулуудыг тайрч, дохио үүсгэдэг. Ийм байдлаар томуугийн вирүсийн янз бүрийн омог зэрэг олон өвчний эмгэг төрүүлэгчийн ул мөрийг илрүүлэх боломжтой.

Ийм туршилтын системийг бүтээгчдийн үзэж байгаагаар CRISPR шинжилгээнд хэдхэн цаг зарцуулагдахгүй бөгөөд үр дүнг интернетээр дамжуулан авах боломжтой. Гэхдээ ийм иж бүрдэл хэзээ нийтийн худалдаанд гарах нь одоогоор тодорхойгүй байна.

Энэ бол хуурмаг зүйл: виртуал бодит байдал

Виртуал бодит байдлын талаар ихэвчлэн компьютер тоглоом, "3D кино театр"-ын хүрээнд ярьдаг боловч энэ технологи нь анагаах ухаанд ч бас боломжтой бөгөөд хамгийн тодорхой салбарт биш юм. Жишээлбэл, VR-ийг өвдөлт намдаах эм болгон үр дүнтэй ашигладаг.

Иллинойс мужийн Лойола их сургуулийн эмнэлгийн түлэгдэлтийн тасаг ийм хандлагыг баримталдаг.эхэлсэн Арван жилийн өмнө хэрэглэж байсан: эмнэлгийн өвчтөнүүд өвдөлттэй процедурын үеэр симулятор тоглодогЦасан ертөнц.

Энэхүү үйл явдал нь олон цасан шуурга, хөлдсөн гол мөрөн бүхий хагас гайхалтай хойд ландшафтуудын дэвсгэр дээр явагддаг бөгөөд баатрын даалгавар бол цагаан баавгай, оцон шувуу, цасан хүнтэй цасан бөмбөг тоглох явдал юм. Бүх түвшинг дуусгахын тулд өвчтөн өөрийн эрхгүй оньсого дээр анхаарлаа төвлөрүүлж, бие махбодийн мэдрэмжээс сатаардаг. MRI тархины сканнерууд нь SnowWorld нь өвдөлтийн мэдрэмжийг бууруулдаг болохыг харуулсан тул өвчтөнд бие махбодид хор хөнөөл учруулах хүчтэй өвдөлт намдаах эм хэрэглэх шаардлагатай байдаг.

VR нь анагаах ухааны олон салбарт өвдөлт намдаах эмийг орлуулж эсвэл нөхөж байна. Энэхүү технологи нь хүүхэд төрүүлэх, шүдний эмчилгээний үед өвдөлт намдаахад ашиглагддаг. Виртуал бодит байдлын өвдөлт намдаах шинж чанарууд нь АНУ-д "опиоид хямрал" -ын нөхцөлд онцгой хамааралтай бөгөөд энэ нь сүүлийн хэдэн арван жилд жороор олгодог өвдөлт намдаах эм (жишээлбэл, OxyContin, Vicodin) түгээмэл болсонтой холбоотой юм.

VR нь зөвхөн бие махбодийн өвдөлтийг арилгахад төдийгүй сэтгэлзүйн гэмтлийг даван туулж чадна. Анхны туршилтууд нь 1990-ээд оны сүүлээр болсон бөгөөд сэтгэл судлаач Барбара Ротбаум Вьетнамын ахмад дайчдын гэмтлийн дараах стрессийн эмгэгийн шинж тэмдгийг нисдэг тэрэгний бүхээгийн виртуал загвар, Азийн ширэнгэн ойд цэвэрлэгээ хийх замаар тайвшруулж чадсан юм. Энэхүү техник нь өртөлтийн эмчилгээг нөхсөн - өвчтөний ухамсар зайлсхийхийг хичээдэг гэмтлийн дурсамжид аажмаар "хандах" арга юм. Үүнтэй төстэй схем нь виртуал бодит байдлыг ашиглан түгшүүрийн эмгэг, фоби өвчний эмчилгээнд ажилладаг. Технологи нь аэрофоби, олон нийтийн өмнө үг хэлэхээс айх айдас зэргийг даван туулахад тусалдаг: загварчлагдсан орчин нь аймшигт нөхцөл байдлыг дахин дахин "дасгах" боломжийг олгодог.

VR эмчилгээний сул тал нь тоног төхөөрөмжийн харьцангуй өндөр өртөг, виртуал бодит байдалд физиологийн үл тэвчих байдал юм.

Эмчилгээний шинэ аргуудын туршилтанд оролцогчдын зарим нь VR "дотор муухайрах" (виртуал бодит байдлын өвчин) -ийг мэдэрсэн бөгөөд энэ нь хөдөлгөөний өвчин эсвэл далайн өвчинтэй ижил шинж тэмдэг үүсгэдэг. Нийтлэг таамаглалын дагуу хоёр эмгэг нь вентибуляр аппаратын рецепторуудын үйл ажиллагаа алдагдсан эсвэл вестибуляр аппарат ба харааны эрхтнүүдээс ирж буй дохионы хоорондох зөрчилдөөнөөс үүсдэг.

Хөгжүүлэгчид VR "дотор муухайрах"-ыг багасгах хэд хэдэн аргыг аль хэдийн бүтээжээ. Жишээлбэл, та хэрэглэгчийн нүдийг байнга засдаг суурин объектыг дэлгэцэн дээр байрлуулж болно. Nasum Virtualis технологийн зохиогчид дэлгэцийн голд байрлах хамрын виртуал дүрсийг эхлэлийн цэг болгон ашиглахыг санал болгож байна. Тоглогчийн нүд үүнийг өөрийн хамар мэт хүлээн авдаг тул дотор муухайрах, толгой эргэх мэдрэмж арилдаг.