Идиот или гений? Как работает и на что способен искусственный интеллект

Чтобы машинам было еще сложнее, понятия в задачах могут быть зашифрованы абстрактным, неочевидным образом, как в задаче № 91 (“три” и “четыре”). В некоторых задачах системе ИИ нелегко понять, что считать объектом: так, в задаче № 84 (“вне” и “внутри”) значимые “объекты” состоят из более мелких объектов (здесь – из маленьких кружков). В задаче № 98 объекты “замаскированы”: людям легко разглядеть спрятанные в квадратах фигуры, но для машин эта задача оказывается сложнее, поскольку им непросто отделить передний план от заднего.

Задачи Бонгарда также требуют умения формировать новые понятия на ходу. Хороший пример – задача № 18. Сходство левых ячеек непросто описать словами – это что-то вроде “объекты с сужением, или перемычкой”. Но даже если вы никогда раньше не думали ни о чем подобном, вы быстро замечаете это сходство между объектами. Подобным образом в задаче № 19 появляются новые смыслы: слева собраны “объекты с горизонтальной перемычкой”, а справа – “объекты с вертикальной перемычкой”. Люди без труда справляются с абстрагированием новых, трудновыразимых понятий – еще одним аспектом “неуловимости тождества”, – но ни одна из существующих систем ИИ пока не добилась успеха в этой сфере.

Книга Бонгарда была опубликована на английском в 1970 году, но знали о ней немногие. Однако Дуглас Хофштадтер, прочитавший ее в 1975 году, оценил сто задач из приложения и подробно описал их в собственной книге “Гёдель, Эшер, Бах”. Именно там я их впервые увидела.

Мне с детства нравились головоломки – и особенно задачи на логику и поиск закономерностей, – а потому, когда я взялась за “ГЭБ”, самое сильное впечатление на меня произвели задачи Бонгарда. Меня также заинтересовали описанные в “ГЭБ” идеи Хофштадтера о том, как создать программу для решения задач Бонгарда, которая бы имитировала человеческое восприятие и построение аналогий. Возможно, именно читая этот раздел, я решила заняться исследованиями ИИ.

Увлекшись задачами Бонгарда, несколько исследователей создали программы ИИ, которые пытаются их решать. Большинство программ делает упрощающие допущения (например, ограничивает набор возможных форм и взаимодействий между формами или совершенно игнорирует зрительные аспекты и отталкивается от созданного людьми описания изображений). Каждая из программ смогла решить подмножество конкретных задач, но ни одна при этом не продемонстрировала генерализационных способностей человеческого типа[349].

Рис. 47. Пример преобразования задачи Бонгарда в задачу на классификацию с двенадцатью обучающими примерами и новым “тестовым” примером

А как же сверточные нейронные сети? Учитывая, что они прекрасно справляются с классификацией объектов (например, на масштабном соревновании ImageNet Visual Recognition Challenge, которое я описала в главе 5), разве нельзя научить их решать задачи Бонгарда? Теоретически задачу Бонгарда можно превратить в задачу на “классификацию” для сверточной нейронной сети, как показано на рис. 47: шесть левых квадратов можно считать тренировочными примерами из “класса 1”, а шесть правых квадратов – тренировочными примерами из “класса 2”. Теперь дадим системе новый “тестовый” пример. В какой из двух классов его следует поместить?