Четкий алгоритм
Показать полностью
1
0 просмотренных постов скрыто
Недавно наткнулся на интересный разбор алгоритмов казино
Ссылкой со мной поделился комментатор под прошлым постом, за что ему благодарочка!
Решил написать пост на эту тему.
Там была мысль, которая сначала звучит странно.
Казино невозможно взломать, но можно понять как оно думает.
Большинство слотов работают через генератор случайных чисел-алгоритм, который каждую секунду генерирует тысячи комбинаций. Когда вы нажимаете spin, игра просто берет случайное число из этого потока и показывает результат .
То есть все эти барабаны, фрукты и тд - это просто красивая анимация. Результат уже пределен математикой.
И вот что реально интересно.
Многие игроки думают, что слот запоминает прошлые спины, типо мол он давно не давал бонус, сначала он должен выдать, автомат разогрелся.
Но на деле, алгоритму вообще все равно, что было раньше.
Казино не нужно подкручивать игру против конкретного человека. У него и так уже есть математическое преимущество, так называемый RTP.
На длинной дистанции слот просто возвращает игрокам чуть меньше, чем они поставили и за счет этого казино зарабатывает.
Получается такая забавная вещь, люди пытаются читать автомат, а автомат на самом деле никого не читает. Он просто выполняет формулу.
И теперь мне интересно мнение людей, которые играли-
Как думаете, у слотов реально бывают горячие серии? или просто мозг пытается увидеть закономерность там, где работает чистая математика?
Показать полностью
Ясновидение и шаманизм уйдут в прошлое: ученые смотрят видео напрямую из мозга мыши
Исследователи совершили прорыв в нейробиологии, успешно реконструировав динамичное видео исключительно по активности клеток зрительной коры мыши. Пока животные смотрели черно-белые ролики со спортивной гимнастикой и рестлингом, алгоритм считывал вспышки кальция в восьми тысячах нейронов и покадрово восстанавливал увиденное. Технология достигла беспрецедентной точности: на итоговых кадрах можно различить силуэты людей и контуры предметов. Это приближает науку к пониманию того, как именно мозг искажает физическую реальность.
Реконструкция видео из активности зрительной коры мыши
Слева направо: оригинальные кадры и то, как их «увидел» алгоритм, считав активность нейронов мыши. Авторы: Joel Bauer, Troy W Margrie, Claudia Clopath. Источник: eLife / The Guardian.
На изображении представлены раскадровки: в верхнем ряду показаны оригинальные черно-белые кадры из видеороликов, а в нижнем — размытые, но узнаваемые силуэты, восстановленные искусственным интеллектом исключительно на основе активности нейронов зрительной коры мыши. Авторы: Joel Bauer, Troy W Margrie, Claudia Clopath. Источник: eLife / The Guardian.
Прямая трансляция из коры головного мозга
Команда нейробиологов под руководством Джоэла Бауэра из Центра Сейнсбери Уэлком при Университетском колледже Лондона (UCL) опубликовала результаты уникального эксперимента. Ученые смогли восстановить десятисекундные видеоролики с частотой 30 кадров в секунду, используя исключительно записи активности клеток зрительной коры живых мышей. Результаты исследования были представлены 10 марта 2026 года в научном журнале eLife.
В ходе эксперимента грызунам показывали черно-белые клипы, на которых люди занимались различными видами спорта, включая спортивную гимнастику, верховую езду и рестлинг. В это время исследователи фиксировали активность мозга животных с помощью двухфотонной кальциевой микроскопии. Этот метод позволяет визуализировать локальные всплески кальция в тканях, точно определяя, какие именно клетки мозга возбуждаются в конкретную долю секунды. Для каждой из десяти мышей, участвовавших в проекте, ученые собрали данные примерно от восьми тысяч отдельных нейронов.
Для расшифровки полученного массива данных применялась динамическая модель нейронного кодирования, изначально созданная для научного соревнования Sensorium 2023. Алгоритм анализировал не только оптические стимулы, но и физиологические параметры мыши, поскольку зрительная кора грызунов сильно реагирует на сторонние факторы. Сопоставив нейронные реакции с видеорядом, система достигла пиксельной корреляции между оригиналом и реконструкцией на уровне 0.57. Это более чем в два раза превышает результаты предыдущих попыток чтения статических изображений из мозга мышей.
Предел разрешения: от МРТ к отдельным клеткам
В последние годы новости о чтении мыслей появляются регулярно, однако большинство громких прорывов связано с функциональной магнитно-резонансной томографией (фМРТ) человека. Проблема фМРТ заключается в ее низком пространственном и временном разрешении. Томограф фиксирует приток крови к обширным зонам мозга с задержкой в несколько секунд. Чтобы получить из этого красивую картинку, исследователи обычно используют генеративные нейросети вроде Stable Diffusion, которые дорисовывают детали на основе семантического смысла. Иными словами, если мозг человека реагирует на концепцию красной машины, ИИ просто рисует красивую красную машину из своей базы данных, а не то конкретное изображение, которое видят глаза.
Эксперимент британской команды радикально отличается от этого подхода. Ученые не использовали готовые генеративные сети для дорисовки смысла. Они опирались на сырые данные, считывая импульсы отдельных нейронов с частотой восемь герц на площади мозга размером 630 на 630 микрометров. Они напрямую заглянули в операционную систему зрения млекопитающего, а не пытались угадать ассоциации.
При этом ИИ-модели пришлось учитывать крайне специфическую физиологию грызунов. Активность нейронов в первичной зрительной коре мыши сильно зависит от уровня ее возбуждения и физической активности. То, как мышь воспринимает картинку, меняется в зависимости от того, бежит она по беговой дорожке или стоит на месте, а также от диаметра ее зрачка. Алгоритму пришлось интегрировать эти поведенческие переменные в свои вычисления, чтобы отделить чистый визуальный сигнал от моторного шума.
Градиентный спуск на пустом экране
Механика того, как алгоритм достает картинку из мозга, напоминает обратную инженерию восприятия. Ученые не обучали нейросеть напрямую переводить кальциевые вспышки в пиксели. Вместо этого они взяли модель, которая хорошо предсказывает, как поведут себя нейроны при просмотре определенного видео. Затем исследователи подали на вход модели пустой серый экран и заставили ИИ предсказать реакцию нейронов на эту пустоту.
Естественно, предсказанная реакция на серый экран не совпала с реальной записью мозга мыши, смотревшей рестлинг. Тогда алгоритм начал покадрово изменять пиксели серого экрана с помощью метода градиентного спуска. Пиксели корректировались тысячу раз до тех пор, пока виртуальный отклик модели полностью не совпал с физиологической записью из мозга грызуна. Как только математическая ошибка между симуляцией и реальностью свелась к минимуму, на экране из серого шума проступили узнаваемые контуры людей и движущихся объектов.
Чтобы добиться максимальной чистоты изображения, авторы применили метод ансамблирования. Однократный прогон модели давал картинку, переполненную высокочастотным пространственным и временным шумом. Ученые обучили семь независимых версий алгоритма на разных наборах данных, заставили каждую реконструировать видео, а затем усреднили их результаты. Это позволило повысить качество итогового ролика почти на треть.
Исследователи также выяснили, насколько критично количество записываемых клеток. В ходе компьютерной симуляции они попробовали искусственно отключать часть нейронов. Оказалось, что удаление половины из восьми тысяч клеток снижает качество видео лишь на десять процентов. Однако потеря трех четвертей массива обрушивает точность уже на четверть. Это дает ценный ориентир для будущих нейробиологических экспериментов: для стабильного чтения зрительных образов достаточно плотности порядка десяти-двадцати тысяч нейронов на квадратный миллиметр коры.
Каково это — быть летучей мышью
Хотя восстановленные ролики выглядят зернистыми, они полностью соответствуют физиологическим ограничениям самих животных. Зрение мыши примерно в шесть раз хуже человеческого, поэтому алгоритм физически не мог бы восстановить сверхчеткие детали, которых мозг грызуна просто не регистрирует. Тесты с синтетическим визуальным шумом показали, что модель перестает корректно собирать картинку на высоких пространственных частотах, выходящих за рамки мышиной остроты зрения.
Джоэл Бауэр подчеркивает, что мозг не хранит идеальную попиксельную копию мира. Зрительный тракт искажает и трансформирует картинку, усиливая одни признаки и подавляя другие. Эти отклонения от реальности — не баг, а эволюционная фича, отражающая то, как разум адаптирует сенсорную информацию под задачи выживания.
Успех на животных неизбежно вызывает вопросы о применении технологии к людям. Бауэр смотрит на такую перспективу с осторожностью, отмечая, что если технология сможет реконструировать не только то, что человек видит глазами, но и то, что он воображает, возникнет колоссальная угроза приватности.
Тем не менее для фундаментальной биологии открываются невероятные перспективы. Если система может считывать внутренние образы напрямую из нейронов, в будущем ученые смогут выяснить, что именно видят животные во сне, поддаются ли они человеческим оптическим иллюзиям и какие визуальные искажения они испытывают под воздействием психоделиков. Как отметил Бауэр, эта технология может привести человечество к очень глубокой форме эмпатии по отношению к другим видам, наконец позволив нам научно ответить на классический философский вопрос: каково это — воспринимать мир мозгом другого существа.
Что дальше: за пределами черно-белых силуэтов
В ближайших планах команды — расширение поля зрения при реконструкции. Текущие алгоритмы работают с данными, собранными только с одного участка зрительной коры, что дает эффект узкого замочного окна. В будущем ученые намерены объединить сигналы от обоих глаз животного, чтобы создать панорамную картину его зрительного опыта. Главный же открытый вопрос заключается в том, удастся ли с помощью этого метода отследить, как меняется репрезентация одних и тех же объектов в мозгу по мере того, как животное обучается или переносит фокус своего внимания.
Источники
Movie reconstruction from mouse visual cortex activity — eLife, авторы: Joel Bauer, Troy W Margrie, Claudia Clopath
Movie reconstruction from mouse visual cortex activity (Reviewed Preprint) — eLife, авторы: Joel Bauer, Troy W Margrie, Claudia Clopath
Movies reconstructed from mouse brain activity — EurekAlert!, авторы: University College London
Показать полностью
1
Почему вк видео не имеет нормальных алгоритмов?
Почему либо политика, либо вк шоу? Я уже и Дробышевского включаю, и фильмы, и сериалы. Но у меня все равно предлагается шоу про жену Джигана. Как поменять алгоритмы стобы меньше было политического негатива и пустых шоу, которые уже настолько никакие, что даже для фона при готовке не подходят.
Быстрый геопоиск, где взять? Из геймдева!
Временами возвращаюсь к вопросу реализации алгоритма быстрого геопоиска для мессенджера. Стандартные серверные алгоритмы PostgreSQL меня не устроили. Дело в том, что существует плагин PostGIS. И плагин вроде как отлично справляется с задачей поиска в радиусе.
И правда, чего не хватает? Есть основные функции, котрые хотел бы добавить в мессенджер:
- оповещение подписчиков при приближении человека
- оповещение при входе человека в область сложной формы
- возможно еще что-то подобное, связаное с геооповещением
Функции удобные, полезные, бесплатные. Если включить режим "семья", то вообще отлично. Матери будут видеть своих детей на карте :)
Конечно, можно решить как-то данные задачи и с помощью PostreSQL. Например сделать кучу точек в пространстве и сканировать рассточяние из них. Так мы узнаем попал ли человек в указанную область. А оповещение можно сделать путем постоянного опроса и проверки. Если сервисом пользуется 1000 человек и каждый и из них примерно 1000 якорей за которыми производится мониторинг, то это сильно ударит по производительности сервиса. В общем невооруженным взглядом понятно, что тут нужно придумывать что-то другое или покупать бесконечную серверную мощь для решения пустяковой задачи 😂.
И вот, недавно пришла идея алгоритма, который позволит решить подобную задачу: октри. А если точнее, то его 2D-брат по имени "квадродерево". К счастью это уже реализовано в предыдущем продукте, который разрабатывал с коллегой: https://store.steampowered.com/app/2412090/Total_Reload/
Как говорится, просто бери и используй.
В общем-то так я и делаю, но... Но система была написана с учетом одного инстанса, то есть для игрового компьютера. А мне нужно чтобы оно работало на нескольких компьютерах, стейтлесс нужен.
В общем, пока думаю как перенести это все дело на свой сервер с учетом стейтлес подхода к обработке данных. Может кто-то знает готовые решения и ткнет в них? По идее Яндекс такси должен иметь что-то подобное, но что они используют найти не удалось.
Кому интересно, можете подписаться куда-нибудь на меня, попробуете мессенджер в числе первых.
Постепенно буду продолжать делиться успехами :)
Показать полностью
2
Когда алгоритм решает, что ты мошенник: реальные истории блокировки карт в самый неподходящий момент — от аэропортов до свадебных салонов
Уверен, каждый из вас хоть раз сталкивался с такими абсурдными и дикими ситуациями, когда бессильная ярость заставляет со всей силы ударить кулаком о стену оттого, что ты понимаешь: ты не верблюд, ты честный человек, но тебе приходится доказывать бездушным алгоритмам, что это действительно так.
Потом, когда успокоишься, карты разблокируют, ситуация решится — и ты сидишь, размышляя над самым главным вопросом: так всё-таки, алгоритмы созданы для человека, или человек уже стал управляемой марионеткой в бездушных нитях гигантских систем? Кто мы есть в этом мире?
А дальше — несколько реальных историй, произошедших с людьми из разных стран, в самых обычных ситуациях. Может у вас были ещё более дикие истории?
Американец из Денвера, пользователь Reddit под ником airbornejoe, описывал, как перед посадкой купил воду и жвачку — две мелкие транзакции подряд. Алгоритм банка Chase воспринял это как «тестирование карты мошенниками» и заблокировал её. Он узнал об этом у выхода на посадку, когда попытался оплатить Wi‑Fi. SMS не приходило, потому что телефон не ловил сеть. Он пропустил рейс, потому что не смог оплатить изменение билета. Вся цепочка — из-за покупки воды.
Российский турист в Испании в 2021 году снял 300 евро в банкомате CaixaBank. Сбербанк автоматически заблокировал карту как «подозрительную операцию за рубежом». Он остался без денег в Барселоне, с ребёнком, без возможности оплатить такси до отеля. Разблокировка заняла почти сутки, потому что оператор требовал голосовое подтверждение, а звонок из-за границы постоянно обрывался. Человек ночевал в холле отеля, потому что не мог оплатить номер, который уже был забронирован.
В 2020 году британец из Манчестера, летевший в Дубай, столкнулся с блокировкой карты Barclays после того, как попытался купить в аэропорту беспошлинный алкоголь. Алгоритм посчитал покупку «нетипичной» и заблокировал карту. Он узнал об этом, когда уже стоял на паспортном контроле в Дубае и не смог оплатить визу по прилёту. Его отвели в отдельную комнату, где он провёл четыре часа, пока банк вручную не подтвердил операцию. Алгоритм решил, что человек не может купить виски в аэропорту — и этого хватило, чтобы задержать его в чужой стране.
В 2018 году американка из Калифорнии рассказывала в интервью NBC, как её карта Bank of America была заблокирована после того, как она купила детское питание и затем через пять минут — бензин. Алгоритм воспринял это как «подозрительную комбинацию транзакций». Она стояла на заправке с младенцем в машине, без наличных, без возможности уехать. Банк предложил «подтвердить личность через приложение», но телефон был разряжен. Она ждала помощи два часа, пока муж не приехал с другой картой.
В 2022 году житель Петербурга столкнулся с блокировкой карты Тинькофф после того, как оплатил гостиницу в Сочи ночью. Алгоритм посчитал ночную транзакцию «сомнительной». Гостиница отказалась заселять без оплаты, а банк требовал видеозвонок для подтверждения личности. Видеозвонок не проходил из-за слабого сигнала. Человек стоял на улице в ноябре, в холоде, с чемоданом, потому что алгоритм решил, что ночная оплата — это мошенничество.
На Reddit широко обсуждался случай канадца, который в 2019 году прилетел в Токио и попытался купить билет в метро. Его карта RBC была заблокирована за «нехарактерную геолокацию». Он оказался в аэропорту Ханэда без наличных, без доступа к банкомату, без возможности вызвать такси. Он провёл ночь в аэропорту, потому что банк работал только по канадскому времени и не мог подтвердить операцию до утра.
В 2020 году американский студент, путешествующий по Европе, описывал, как его карта Capital One была заблокирована после покупки билета на поезд в Германии. Алгоритм решил, что «покупка в автомате» — признак мошенничества. Он стоял на платформе, поезд уходил, а банк требовал подтверждение через звонок на американский номер. Роуминг был отключён. Он потерял бронь в хостеле, потому что не смог оплатить заселение вовремя.
И, пожалуй, самый абсурдный случай — история женщины из Австралии, которую Commonwealth Bank заблокировал после того, как она купила свадебное платье. Алгоритм посчитал крупную покупку в категории «одежда» подозрительной. Она стояла в салоне, продавцы смотрели на неё как на мошенницу, банк требовал подтверждение через SMS, а сеть в помещении не ловила. Она вышла на улицу в свадебном платье, чтобы поймать сигнал и подтвердить операцию. Люди думали, что это фотосессия. На самом деле это была борьба с алгоритмом.
Все эти истории объединяет одно: алгоритм не объясняет, что именно ему не понравилось. Он не знает контекста, не понимает обстоятельств, не видит человека. Он просто блокирует. И в этот момент человек остаётся один на один с системой, которая не умеет сомневаться, не умеет извиняться и не умеет учитывать реальность. Ошибка алгоритма становится событием, которое ломает планы, нарушает маршруты, ставит людей в унизительные и опасные ситуации. И самое неприятное — никто не может заранее предсказать, когда именно это случится.
ОБО МНЕ: Фотограф, видеограф, турист, путешественник. Живу поездками и сопровождаю группы туристов. Снимаю кино, которое потом видят три страны в своих телевизорах. Мои фильмы: https://rutube.ru/video/f876d387b922018c7129ffda91f32f99/
Показать полностью
2
1
Ответ на пост «Мои мысли про искусственный интеллект (ИИ)»1
очередной всплеск обсуждений/рассуждений людей, которые плохо понимают, что такое ИИ вообще, а не только языковые модели.
таак...
Попробую простыми словами не эксперта, но и не дилетанта рассказать, что же это такое.
так-тааак...
Во-первых, это сложные алгоритмы. Причем не один, как многие думают, а несколько. Например:
— Оптимизация перевозок (навигаторами в авто все пользуются?);
— Вычисление вероятности возникновения события, например, дождя;
— Вычисление отклонения или аномального поведения оборудования и/или системы, например, полета самолета.
Пщщщщщ. Щито?!
ИИ - это алгоритмы? ВЫЧИСЛЕНИЕ вероятностей? ОПТИМИЗАЦИЯ перевозок? ВЫЧИСЛЕНИЕ ОТКЛОНЕНИЯ?!
АЛГОРИТМЫ?!
ну-ну...
"Нейронные сети" — это не ИИ и не алгоритм, а математическая модель, то есть просто подход к составлению алгоритмов
Не, ну... так натянуть сову на глобус-таки можно.
Однако есть вопросы.
Нахрена называть алгоритмами то, что делается нейросетями? Ладно, алгоритм обратного распространения ошибки при обучении. Ладно, "алгоритм" инференса - своеобразное вычисление на весах нейронной сети. Но тогда что угодно можно назвать алгоритмом и этот термин теряет свой смысл!
Алгоритм мы можем видеть и понимать, а нейронная сеть за счет количества и сложности связей - это "черный ящик" для нас. Она решает задачу потому, что обучена это делать, но делает она это не алгоритмически.
Наш мозг - это химия и физика, там химические и электрические процессы происходят, но это не значит, что его можно сравнивать с чайником. Так и здесь. Мы, как бы, сделали маленький электронный мозг, обучили его, и теперь он не хуже нашего решает какой-то спектр когнитивных задач, на который его сложности хватило, и которому его обучали.
Называть это алгоритмическим решением только потому, что там какой-то процесс вычислений происходит - это просто сделать бесполезным термин "алгоритм". Этот термин имеет смысл использовать для чего-то прозрачного. Алгоритм формируют со стороны логики, а нейронную сеть ОБУЧАЮТ, и решения возникает у неё благодаря процессу, логику которого мы понять не можем ввиду сложности. Это нет смысла называть алгоритмом.
Докопался? Да, но мне кажется важно не разбрасываться так легкомысленно такими грубыми определениями, если хочешь кому-то что-то объяснить.
Итак. Плохая идея называть нейросеть "просто подходом к составлению алгоритмов". Большинство реализаций даже не детерминистические! Они как хаотический аттрактор или хеш-функция критически зависят от минимальных изменений во входном потоке.
Во-вторых, использование ИИ можно разделить на 3 больших блока:
1) Распознавание (recognition)
2) Прогнозирование (prediction)
3) Самоуправление («self driving») в общем смысле, как то принятие решения на основе обработки информации
Тут не хотелось бы снова докапываться до терминологии, но, мне кажется, большинство недопонимания у обывателей по этой теме кроется именно в сбивающей с толку терминологии.
Всяческих определений всегда можно надавать сколько угодно. Многие из них неизбежно даже будут противоречить друг другу. С развитием технологий часто следует пересматривать терминологическую базу, чтобы убрать лишнюю путаницу. Вот и сейчас, как мне кажется, настал такой момент, когда пора.
Не претендую ни на что, но могу предложить своё набор обобщенных понятий и определений, которые расставляют некоторые умляуты над некоторыми буквами.
Во-первых, важный дисклеймер. Мы до сих пор сами плохо понимаем как устроено и работают наши мышление, интеллект и сознание. Для всего этого есть перечисленные слова, но четких и непротиворечивых определений им дать не получается. И тут дело не только в Гёделе с его теоремой о неполноте. Тут сказывается плохая интроспективность и высокая сложность нашего мозга. Представьте, что мы ничего не зная о компьютерах вскрыли корпус и пытаемся разобраться что происходит в операционной системе глядя на материнскую плату, пытаясь то там-то тут что-нибудь отключить, шевеля плашки памяти, ковыряя дырочки в компаунде центрального процессора...
Кстати, пришла в голову хорошая аналогия по части претензии к первому тезису автора исходной статьи. Наш компьютер - это несомненно электронное устройство. Но называть все сложные алгоритмы, которые он выполняет чистой электроникой довольно бессмысленно. Анализируя электронные схемы никак не понять что делает алгоритм и как он устроен.
То же и с нейросетями. Мы можем "видеть" структуру сети, значения её весов, но за этой структурой не ясна внутренняя логика, которой руководствуется эта нейросеть решая свою плохо формализованную когнитивную задачу.
Нет смысла называть решение задач нейросетью алгоритмическим по той же причине, что нет смысла считать решение алгоритмических задач компьютером просто результатом работы электрической схемы.
Бóльшая часть логики работы компьютера не в его электрической схеме, а в данных, записанных в его памяти.
Бóльшая часть логики работы нейросети не в её структуре и алгоритмах, а в суперсложном и априори непонятном взаимодействии её весов.
Простите, что отвлёкся. Итак. Мы сами плохо разбираемся как работает наши сознание, мышление, интеллект. Мы "плаваем" и затрудняемся дать чёткие определения этих естественных понятий. Очевидно, что начиная говорить об искусственных реализациях чего-то, имеющего похожие эффект и результаты, мы тоже столкнёмся с похожими трудностями.
Представьте, что некая цивилизация нащупала чисто эмпирически как соорудить достаточно эффективное крыло, чтобы построить летательный аппарат. У неё нет математической базы для объяснения происходящего, но есть самолёт, собранный из чего-нибудь и палок. Вот мы с ИИ почти в такой же ситуации. Оно "летает", и мы знаем как это соорудить, но как это в деталях работает настолько хорошо - это ещё довольно непростой вопрос для нас.
Скажем так. Было сюрпризом, что, грубо говоря, "очень большой Т9", обученный на дохренилиарде текстов из интернета вдруг сможет настолько хорошо "понимать" язык на уровне смыслов и благодаря этому решать когнитивные задачи, которые раньше решались только человеком.
На счет терминологии. У нас термин "Искусственный Интеллект" уже не вмещает в себя всех градаций, нюансов и знаний, которые имеет человечество о машинном обучении. Это термин становится бессмысленным из-за этого. Всё - это ничего. Ничего определённого. Ничего конкретного.
Лично для себя я определяю интеллектом нечто, что способно решать интеллектуальные задачи.
Спектр интеллектуальных задач постоянно двигается. Вернее двигается окно по этому спектру. То, что раньше считалось интеллектуальными задачами, например шахматы или го, теперь считаются либо чисто вычислительными, либо сугубо узкими и не претендующими на звание интеллектуальных.
Когда-то распознавание текстов было прерогативой "машинного зрения", а теперь это узкая специфическая задача, которую не относят к ИИ в общем случае. Задачи распознавания и синтеза речи относят к области ИИ пока что только потому, что качество их решения сейчас сильно улучшается за счет глубокого "понимания" языка языковыми моделями. Но это всё неизбежно станет автономными модулями, которые будут эффективно и локально решать узкую задачу реализации голосовых интерфейсов, а окно компетенций Искусственного Интеллекта поедет дальше покрывая всё больше задач, которые раньше могли решать только люди своими сложными мозгами.
Сейчас мы называем инференсы языковых моделей работой искусственного Интеллекта. Эти языковые модели отлично оперируя смыслами текстов умеют с этими самыми текстами вторить форменные чудеса (по нынешним меркам). Обывателям кажется, что предикты языковых моделей, обученных на бессчетном множестве диалогов, проявляют чуть ли не признаки сознания. Но это обманчивое впечатление. Однако уже завтра все эти чудеса станут обыденностью, а удивлять станут более сложные системы, проявляющие себя ещё более сложным и человекоподобным образом.
Ладно, продолжим дальше по тексту докапываться до слов автора. Да простит он моё занудство.
В-третьих, ИИ включает в себя «машинное обучение» (machine learning), то есть возможность корректировки алгоритмов на основе обратной связи, пополнение/изменение используемых ими данных.
Не буду придираться по поводу того что куда включается, однако "возможность корректировки алгоритмов на основе обратной связи"... Я уже объяснял выше, что веса нейронной сети алгоритмами можно называть, но это делает термин "алгоритм" бесполезным. Я бы сказал, что мы корректируем "знания", "рефлексы", "умение" нейросети решать какие-то плохо-формализованные задачи на конкретных примерах. Мы "тренируем" нейросеть, а не "корректируем алгоритмы". Это просто более удобные термины для того, что мы делаем. Моя бабушка, когда я в школьные годы учился программировать на бейсике, всегда было не понятно что я делаю на компьютере. Она называла это "кнопки нажимает". И не важно, играю я в Принца Персии, или создаю СУБД на SyBase, или пишу свою первую игру на бейсике. Не будем уподобляться моей бабушке и называть машинное ОБУЧЕНИЕ нейросети формированием её алгоритмов.
И вот исходя из всех этих рассуждений я вынужден заклеймить итоговый вывод ТС:
Не ждите от ИИ генерации каких-либо новых супер-идей (супер-решений) . Он всего лишь выбирает их из существующих по определенному алгоритму, хоть и очень сложному. Даже если он и сгенерирует идею (решение), то, опять же, в строгом соответствии с алгоритмом, но эта «рядовая» идея (решение) может быть вам полезна.
Это бесполезная обывательская демагогия, которая фонит предвзятостью и необоснованными суждениями.
Почему не ждать "супер-идей"? А от каждого ли человека можно ждать этих самых "супер-идей"? Но мы не лишаем ни одного человека права на признание его интеллекта. Порой, пусть, и не дюжинного, но всё же.
"Выбирает [решение] из существующих по определенному алгоритму" - это либо глупое заблуждение, либо ломающее весь смысл упрощение. Так было бы, если бы была где-то база данных "существующих решений", а некий осознанно и нарочно написанный людьми алгоритм как-то сканировал эту базу, фильтровал, строил рейтинг решений и выдавал самое верхнее. Ну не так же работают генеративные модели! Ини именно что синтезируют ответ согласно "выученному" внутреннему "пониманию" сложных смысловых взаимосвязей в предлагаемом контексте. Это никак нельзя называть алгоритмом. Почему - это я уже объяснял не раз выше.
Да, тут можно докопаться до кучи слов. например "понимание". Но, Гёдель подери, у нас нет иного выбора, кроме как опираться на плохо определимые понятия. Вся математика так делает!
Однако называть всё это алгоритмом - всё равно что назвать (объяснить) всё сущее богом и закрыть на том любые дискуссии. Есть полезные абстракции, а есть бессмысленные. Вот предложенная автором на этом уровне бессмысленна.
Даже если он и сгенерирует идею (решение), то, опять же, в строгом соответствии с алгоритмом, но эта «рядовая» идея (решение) может быть вам полезна.
Тут хочу лишь добавить, что люди тоже генерируют свои идеи опираясь на плечи гигантов мысли - прошлых поколений представителей своей многовековой цивилизации. Ничто не ново под луной. Так чем же, черт подери, отличается обучение машины на всех текстах интернета от обучения младенца, которого потом учили на учебниках в школе, на лекциях в институте? В чем принципиальное отличие? Где автор исходного поста трусливо потерял аргументы и доводы к выводам, которые счел само собой разумеющимися? Почему это люди у него способны на не "рядовые" идеи, а генеративные модели нет? Только потому, что схему работы искусственной нейросети он обозвал "алгоритмом", а схему работы человеческого мозга нет? Это тривиальная апелляция к незнанию. К сложности. Вот, мол, в нейронной сети тут вроде всё понятно, нули и единицы, где тут, мол, быть душе и просветленью? То ли дело человеческий мозг! Другие, мол, масштабы, квантовые, мол, эффекты, сложные химические реакции ионов кальция, гормонов, рецепторов... Ага. Но это разве аргумент? Автор просто предвзято судит, что люди там в глубине своих сложных мозгов способны рождать уникальные неповторимые идеи, а машины нет.
Неужели автор сам не видит этот провал в аргументации?
Нет, я не утверждаю, что генеративные модели на нынешнем этапе развития уже равны человеку. Отнюдь! Но и не готов принять предвзятый постулат, что текущая концепция не способна породить интеллект, более сильный, нежели человеческий. Может быть способна.
Ну а взвешивать новизну идей... такое себе. Как? Как делать это непредвзято? Да и с кем соревноваться? С стогигабайтным куском весов нейронной сети, которой технически пару лет "от роду"? А кого сравниваем? Автора, способного генерить уникальные идеи? Эйнштейна? Случайного обывателя? Все, кого мы тут будем сравнивать, на порядки сложнее и старше. У нас всех фора. Подождите момента, когда генеративные модели ещё немного хотя бы экстенсивно подрастут. Они уже способны на то, что большинство обывателей не добьётся никогда в своей оставшейся жизни. Многие люди двух слов связать не могут, многие даже родной язык плохо знают, многие посыпятся на школьной программе и далеко не так эрудированны, как рядовая нейронка. Продуктивность огромного числа людей уже не сравнится с нейронкой в том спектре задач, которые ещё "вчера" могли решать только и исключительно люди как обладатели Естественного Интеллекта.
Так что же нас ждёт впереди? Нас ждёт цифровой шовинизм. Нас ждёт политика, предрассудки, и весь спектр таких же проблем, что человечество уже переживало. Этот пост уже слишком большой, чтобы продолжать рассуждения здесь на эту тему, но я могу продолжить, если кому-то будет интересно. А то знаете как бывает: "Меня, часто спрашивают..." Ага! Щас! Никто меня не спрашивал! Даже автор исходного поста. Респект ему за стремление высказать свою точку зрения на публику и смелость в этом акте.
Показать полностью