Wikipedysta:Astatine211/brudnopis

Robot Boston Dynamics, posiadający cechy sztucznej inteligencji, podczas testów armii Wielkiej Brytanii

Sztuczna inteligencja, SI (ang. artificial intelligence, AI) – inteligencja wykazywana przez urządzenia sztuczne (w przeciwieństwie do inteligencji naturalnej). Termin ten utworzył John McCarthy. W potocznym rozumieniu jest ona często używana w kontekście „prawdziwej sztucznej inteligencji”. W informatyce i kognitywistyce oznacza także tworzenie modeli i programów symulujących choć częściowo zachowania inteligentne. Sztuczna inteligencja jest także przedmiotem rozważań filozofii (filozofia sztucznej inteligencji) oraz przedmiotem zainteresowania nauk społecznych.

Termin „sztuczna inteligencja” wymyślił John McCarthy w 1956 na konferencji w Dartmouth. Andreas Kaplan i Michael Haenlein definiują sztuczną inteligencję jako „zdolność systemu do prawidłowego interpretowania danych pochodzących z zewnętrznych źródeł, nauki na ich podstawie oraz wykorzystywania tej wiedzy, aby wykonywać określone zadania i osiągać cele poprzez elastyczne dostosowanie”. Sztuczną inteligencją zajmowali się m.in. Marvin Minsky, John McCarthy, Alan Turing, Edward Feigenbaum, Raj Reddy, Judea Pearl, Allen Newell, Herbert A. Simon.

Sztuczna inteligencja ma dwa podstawowe znaczenia:

• jest to hipotetyczna inteligencja realizowana w procesie technicznym, a nie naturalnym;
• jest to nazwa technologii i dziedzina badań naukowych informatyki i kognitywistyki czerpiąca także z osiągnięć psychologii, neurologii, matematyki i filozofii.

Głównym zadaniem badań nad sztuczną inteligencją w drugim znaczeniu jest konstruowanie maszyn i programów komputerowych zdolnych do realizacji wybranych funkcji umysłu i ludzkich zmysłów, niepoddających się numerycznej algorytmizacji. Problemy takie bywają nazywane AI-trudnymi i zalicza się do nich między innymi:

• podejmowanie decyzji w warunkach braku wszystkich danych,
• analiza i synteza języków naturalnych,
• rozumowanie logiczne/racjonalne,
• automatyczne dowodzenie twierdzeń,
• komputerowe gry logiczne, np. szachy, go,
• inteligentne roboty,
• systemy eksperckie i diagnostyczne.

Sztuczna inteligencja jest powiązana z obszarami uczenia maszynowego, logiki rozmytej, widzenia komputerowego, obliczeń ewolucyjnych, sieci neuronowych, robotyki i sztucznego życia.

Historia badań

W 1950 roku Alan Mathison Turing zaproponował, by możliwość udawania człowieka w zdalnej rozmowie uznać za test inteligencji maszyn (test Turinga). W latach 50. XX wieku zorganizowano pierwsze seminarium poświęcone AI (tzw. Warsztaty w Dartmouth), a także powstało pierwsze laboratorium AI na Carnegie Mellon University, założone przez Allena Newella i Herberta Simona i kilka lat później analogiczne laboratorium w Massachusetts Institute of Technology, założone przez Johna McCarthy’ego. Oba te laboratoria są wciąż wiodącymi ośrodkami AI na świecie.

Termin „sztuczna inteligencja” został po raz pierwszy zaproponowany prawdopodobnie przez Johna McCarthy’ego, który w 1955 r. zdefiniował go w następujący sposób:

„konstruowanie maszyn, o których działaniu dałoby się powiedzieć, że są podobne do ludzkich przejawów inteligencji”.

Istnieją dwa podstawowe podejścia do pracy nad AI:

• Pierwsze to tworzenie modeli matematyczno-logicznych analizowanych problemów i implementowanie ich w formie programów komputerowych, mających realizować konkretne funkcje uważane powszechnie za składowe inteligencji. W tej grupie, tzw. podejścia symbolicznego, są np. algorytmy genetyczne, metody logiki rozmytej i wnioskowania bazującego na doświadczeniu.
• Drugie to podejście subsymboliczne, polegające na tworzeniu struktur i programów „samouczących się”, bazujących na modelach sieci neuronowej i sieci asocjacyjnych, oraz opracowywanie procedur „uczenia” takich programów, rozwiązywania postawionych im zadań i szukania odpowiedzi na wybrane klasy „pytań”.

W trakcie wieloletniej pracy laboratoriów i zespołów AI stosujących oba podejścia do problemu, okazało się, że postęp w tej dziedzinie jest i będzie bardzo trudny i powolny. Często mimo niepowodzeń w osiąganiu celów, laboratoria te wypracowywały nowe techniki informatyczne, które okazywały się użyteczne do zupełnie innych celów. Przykładami takich technik są np. języki programowania LISP i Prolog. Laboratoria AI stały się też „rozsadnikiem” kultury hakerskiej.

Najnowsze podejście do problemów AI to rozwijanie różnych form inteligencji rozproszonej (wzorowanej na organizacjach ludzkich, np. personoidy) oraz tzw. agentów autonomicznych i „inteligentnych”. Dziedzina ta nosi nazwę Technologii Agentów Inteligentnych (ang. Intelligent Agent Technology).

94 proc. polskich specjalistów i specjalistek IT o różnych poziomach doświadczenia wykorzystuje narzędzia AI w codziennej pracy, natomiast 28,7 proc. obawia się, że w ciągu najbliższych kilku lat sztuczna inteligencja zastąpi ich w pracy.

Współczesne praktyczne zastosowania sztucznej inteligencji

• Technologie oparte na logice rozmytej – powszechnie stosowane np. do sterowania przebiegiem procesów technologicznych w fabrykach w warunkach „braku wszystkich danych”.
• Systemy eksperckie – systemy wykorzystujące bazę wiedzy (zapisaną w sposób deklaratywny) i mechanizmy wnioskowania do rozwiązywania problemów.
• Maszynowe tłumaczenie tekstów – systemy tłumaczące nie dorównują człowiekowi, robią intensywne postępy, nadają się szczególnie do tłumaczenia tekstów technicznych.
• Sieci neuronowe – stosowane z powodzeniem w wielu zastosowaniach łącznie z programowaniem „inteligentnych przeciwników” w grach komputerowych.
• Uczenie się maszyn – dział sztucznej inteligencji zajmujący się algorytmami potrafiącymi uczyć się, podejmować decyzje bądź nabywać wiedzę.
• Eksploracja danych – omawia obszary powiązanie z potrzebami informacyjnymi, pozyskiwaniem wiedzy, stosowane techniki analizy i oczekiwane rezultaty.
• Rozpoznawanie obrazów – stosowane są już programy rozpoznające osoby na podstawie zdjęcia twarzy lub rozpoznające automatycznie zadane obiekty na zdjęciach satelitarnych.
• Rozpoznawanie mowy i rozpoznawanie mówców – stosowane już powszechnie na skalę komercyjną.
• Rozpoznawanie pisma (OCR) – stosowane już masowo np. do automatycznego sortowania listów, rozpoznawania treści życiorysów oraz w elektronicznych notatnikach.
• Sztuczna twórczość – istnieją programy automatycznie generujące krótkie formy poetyckie, komponujące, aranżujące i interpretujące utwory muzyczne, które są w stanie skutecznie „zmylić” nawet profesjonalnych artystów, tak, że ci nie uznają utworów za sztucznie wygenerowane.
  • Generowanie obrazów – obrazy tworzone przez algorytmy komputerowe, wykorzystujące techniki uczenia maszynowego.
• W ekonomii powszechnie stosuje się systemy automatycznie oceniające m.in. zdolność kredytową, profil najlepszych klientów czy planujące kampanie reklamowe. Systemy te poddawane są wcześniej automatycznemu uczeniu na podstawie posiadanych danych (np. klientów banku, którzy regularnie spłacali kredyt i klientów, którzy mieli z tym problemy).
• Inteligentne interfejsy – stosowane do zautomatyzowanego zarządzania, monitorowania, raportowania oraz podjęcia prób rozwiązywania potencjalnych problemów w procesach technologicznych.
• Prognozowanie i wykrywanie oszustw – przy użyciu m.in. regresji logistycznej systemy analizują zbiory danych w celu wychwytywania np. podejrzanych transakcji finansowych.
• Analiza wideo w czasie rzeczywistym – znajduje zastosowanie m.in. w systemach monitoringu, systemach zarządzania ruchem samochodowym/pieszym i prognozowaniu takiego ruchu.

Udane i nieudane próby zastosowań

• Istnieją programy grające w szachy na poziomie wyższym niż arcymistrzowski, a poziom arcymistrzowski osiągają obecnie programy działające na mobilnych urządzeniach. Podobnie, stworzono program grający w Go, który pokonał światową czołówkę. Wcześniej podobne zwycięstwa odnosiły programy grające w warcaby, w tym warcaby polskie. Jak dotąd nie ma jednak programów skutecznie wygrywających np. w brydża sportowego.
• Programy idealnie naśladujące ludzi, rozmawiające przy użyciu tekstu, które potrafiłyby przejść test Turinga. Istnieją programy do konwersacji z komputerem, ale każdy człowiek, który miał z nimi wcześniej do czynienia, w krótkim czasie jest w stanie zorientować się, że rozmawia z maszyną, a nie innym człowiekiem.
• Programy skutecznie tłumaczące teksty literackie i mowę potoczną. Istnieją programy do automatycznego tłumaczenia, ale sprawdzają się one tylko w bardzo ograniczonym stopniu. Podstawową trudnością jest tu złożoność i niejasność języków naturalnych, a w szczególności brak zrozumienia przez program znaczenia tekstu.
• Programy wykorzystujące sztuczną inteligencję do sprawdzania prac domowych uczniów, generujące wynik już po kilku sekundach. W teorii bardzo dobre rozwiązanie problemu, który może być czasochłonny przy dużej ilości prac do sprawdzenia. Niestety próba implementacji algorytmu nie powiodła się i na łamach portalu The Verge opisano historię, gdzie uczniowie złamali algorytm sztucznej inteligencji, która sprawdzała prace domowe uczniów, wykorzystując technikę obserwacji słów kluczowych.

Sztuczna inteligencja na ludzkim poziomie

Połowa przepytanych ekspertów uważa, iż istnieje 50% prawdopodobieństwo na osiągnięcie przez AI ludzkiego poziomu przed 2040 rokiem. W mniejszej ankiecie 42% badaczy stwierdziło, że AI na ludzkim poziomie powstanie przed 2030 rokiem, a 67% – 2050 rokiem.

Wciąż brakuje naukowego konsensusu co do tego, czy maszyny mogą osiągnąć świadomość. Algorytmy sztucznej inteligencji mogą być programowane do symulowania zachowań, które ludzie uznają za inteligentne, ale to nie oznacza, że AI będzie świadoma. Świadomość jest złożonym zjawiskiem, który nawet w kontekście ludzkim nie jest jeszcze w pełni zrozumiały.

Grupa chińskich naukowców w pracy z 2015 roku ogłosiła, iż program komputerowy ich autorstwa osiągał lepszy wynik niż przeciętni ludzie (w tym dzieci) podczas testu IQ opartego na komunikatach werbalnych.

Również w roku 2015 amerykańscy badacze ogłosili stworzenie programu, który w zawodach z analizy danych pokonał 615 na 906 drużyn złożonych z ludzi.

Sztuczna inteligencja a uprzedzenia

Systemy sztucznej inteligencji mogą przejawiać różnego rodzaju uprzedzenia np. rasowe lub seksistowskie, ze względu na stronniczość danych testowych i zjawisko nieświadomych uprzedzeń (unconscious bias). Może to rodzić poważne konsekwencje w zależności od miejsca, w którym sztuczna inteligencja ma zastosowanie.

Przykłady:

• Google Photos używał automatycznego tagowania zdjęć. Tagowano osoby czarnoskóre jako goryle.
• Systemy osadzania słów (Word Embedding), jak Word2Vec (Google), GloVe (Uniwersytetu Stanforda), wiązały Meksykanów z przestępstwami a kobiety z pracami domowymi.
• System COMPAS (pomagający sędziom w Stanach Zjednoczonych w podejmowaniu decyzji) skojarzał przestępczość z osobami czarnoskórymi.

Problem uprzedzeń sztucznej inteligencji został przedstawiony w filmie dokumentalnym Zakodowane uprzedzenie z 2020 roku. Film dostępny jest w serwisie Netflix.

Problem zgodności celów

Systemy sztucznej inteligencji są zwykle konstruowane w celu osiągnięcia pożądanych przez człowieka celów. Niemniej pomimo starań zdarza się, że sztuczna inteligencja dąży do celów niezgodnych z intencjami twórców. Takie zjawisko nosi nazwę rozminięcia lub niezgodności celów (ang. goal misalignment) i jest zwykle niepożądane.

Problem rozmijania się celów wynika z trudności określenia intencji ludzkiego twórcy w sposób wyczerpujący oraz wyrażenia ich w sposób jednoznaczny dla sztucznej inteligencji. Cele w systemach sztucznej inteligencji są zazwyczaj formułowane jako zadanie poszukiwania ekstremum funkcji skonstruowanej tak, że ekstremum odpowiada najbardziej pożądanemu stanowi dla twórcy. Zjawisko to można pojąć jako szczególny przypadek prawa Goodharta w szerszym rozumieniu , które obejmuje też inne rodzaje podmiotów jak m.in. ludzie czy instytucje.

Naiwne podejście do ustanawiania celów szybko prowadzi do ich rozmijania się z ludzkimi intencjami. Dla przykładu robot czyszczący kierowany przez AI, któremu zostanie postawiony cel posprzątania jak największej liczby śmieci, może zacząć rozsypywać śmieci celem zwiększenia liczby śmieci możliwych do posprzątania. Przewidzenie wszystkich możliwych potencjalnie szkodliwych trybów działania AI jest w praktyce niemożliwe poza prostymi przypadkami. Nawet w przypadku starannego doboru ce

Obrazowym przykładem hipotetycznego zagrożenia ze strony zaawansowanej i nieograniczonej sztucznej inteligencji o celach rozminiętych z ludzkimi, podanym w 2003 roku przez szwedzkiego filozofa sztucznej inteligencji Nicka Bostroma, jest tzw. maksymalizator spinaczy.

Załóżmy, że mamy sztuczną inteligencję, której jedynym celem jest produkcja jak największej liczby spinaczy. Takie AI szybko pojmie, że byłoby o wiele wygodniej, jeśli nie byłoby na świecie ludzi, ponieważ ludzie mogą zdecydować, żeby wyłączyć AI. Ponieważ gdy ludzie tak zrobią, to produkcja spinaczy się zmniejszy. Poza tym ciała ludzi zawierają sporo atomów, z których można by zrobić spinacze. Przyszłość, do stworzenia której takie AI by dążyło, byłaby taką, w której jest dużo spinaczy, ale nie ma ludzi.

Nick Bostrom, w wywiadzie dla Huffington Post

Dziedzina badań nad zgodnością celów jest młodą dyscypliną leżącą na pograniczu istniejących dziedzin, mającą sporo do czynienia z filozoficznymi aspektami sztucznej inteligencji. Część środowiska zajmującego się sztuczną inteligencją uważa, że w związku z potencjalnie niebezpiecznymi skutkami działania sztucznej inteligencji mającej niezgodne cele należy wstrzymać i/lub uregulować prawnie prace nad budową coraz potężniejszych modeli AI, które można podejrzewać o większy potencjał do oddziaływania na swoje otoczenie .

Sztuczna inteligencja w medycynie

Sztuczna inteligencja ma potencjał do transformacji medycyny. AI już teraz pomaga w wykonywaniu różnorodnych zadań, takich jak diagnostyka obrazowa, przewidywanie chorób, prowadzenie badań i zarządzanie danymi pacjentów. Algorytmy AI mogą analizować duże ilości danych szybciej i dokładniej niż ludzie, co może przynieść korzyści dla pacjentów i lekarzy.

Kluczowe obszary, w których sztuczna inteligencja już teraz przyczynia się do postępów w medycynie, obejmują:

• Komputerowe przewidywanie choroby: AI zaczyna grać kluczową rolę w przewidywaniu choroby, nawet zanim objawy staną się widoczne dla ludzkiego oka. Na przykład, modele komputerowe symulują rozwój biologiczny komórek rakowych, pomagając naukowcom zrozumieć czynniki prowadzące do rozwoju raka.
• Asystenci radiologiczni zasilani przez AI: Zaawansowane technologie, takie jak AI-Rad Companion, służą jako inteligentni asystenci dla radiologów, automatycznie rozpoznając i zaznaczając kluczowe obszary na obrazach, co przyspiesza proces diagnozy.
• Szybsza diagnoza chorób rzadkich: AI przyspiesza proces diagnozowania chorób rzadkich, analizując dane pacjentów i porównując je z danymi innych pacjentów na całym świecie.
• Diagnostyka oparta na obrazowaniu: AI może analizować obrazy medyczne w ułamku czasu potrzebnego lekarzowi, wykrywając nawet subtelne nieprawidłowości.
• Chatboty medyczne: Chatboty zasilane przez AI mogą dostarczać pacjentom wstępne diagnozy w oparciu o ich objawy, służąc jako pierwszy punkt kontaktu.
• Przesiewowy test oparty na AI: AI odgrywa ważną rolę w wczesnym wykrywaniu chorób, analizując wyniki badań radiologicznych i identyfikując potencjalne nieprawidłowości.
• Personalizacja leczenia: AI może pomóc w identyfikacji najlepszego sposobu leczenia dla konkretnego pacjenta, dostosowując terapie do indywidualnych potrzeb.
• Monitorowanie pacjenta w czasie rzeczywistym: Urządzenia noszone, takie jak inteligentne zegarki, gromadzą dane o zdrowiu, które AI może analizować w czasie rzeczywistym, informując użytkownika o potencjalnych problemach zdrowotnych.
• Automatyzacja procesów w placówkach medycznych: AI może zoptymalizować działanie placówek medycznych, pomagając w zarządzaniu zasobami i monitorowaniu zaopatrzenia.
• Wspomaganie chirurgów podczas operacji: Roboty zasilane przez AI mogą asystować chirurgom podczas skomplikowanych procedur, zapewniając większą precyzję.
• Leczenie chorób neurodegeneracyjnych: AI jest stosowana w badaniach nad chorobami neurodegeneracyjnymi, takimi jak choroba Alzheimera, pomagając w wczesnym wykrywaniu choroby i dostosowywaniu leczenia.

Dzięki takiemu wsparciu, sztuczna inteligencja ma potencjał do całkowitej transformacji medycyny, oferując lepsze narzędzia diagnostyczne, bardziej skuteczne leczenie i usprawnienie działania placówek medycznych.

Zobacz też

• filozofia sztucznej inteligencji
• osobliwość technologiczna
• paradoks Moraveca
• postęp w sztucznej inteligencji
• transfer umysłu

Bibliografia

• Clive Thompson: Koderzy. Znak Litera Nowa, 2019, s. 317–360. ISBN 83-240-7009-5. (pol.).

Linki zewnętrzne

Polskojęzyczne

• PSSI – Oficjalna strona Polskiego Stowarzyszenia Sztucznej Inteligencji
• Sztuczna inteligencja (materiały dydaktyczne MIMUW na studia informatyczne I stopnia)
• Sztuczna inteligencja (AI) – wyjaśniamy, co to jest i jak działa – przekrojowy artykuł

Nagrania na YouTube [dostęp 2023-11-30]:

• Wiesław Chmielnicki, Bliżej Nauki: Czy sztuczna inteligencja zagraża światu?, kanał FAIS UJ, 10 maja 2017.
• Karolina Głowacka i Piotr Szczuko, Sztuczna inteligencja – jak działają sieci neuronowe i uczenie maszynowe?, kanał „Radio Naukowe”, 24 listopada 2022.

Anglojęzyczne

• LarryL. Hauser LarryL., Artificial Intelligence, Internet Encyclopedia of Philosophy, ISSN 2161-0002 [dostęp 2018-06-27]  (ang.).
• Artificial intelligence, Routledge Encyclopedia of Philosophy, rep.routledge.com [dostęp 2023-05-12].