ИЛОН МАСК о ИИ

[Tatyana Cherry]

Пенсия по какому дому?)

[Petrovich]

Вы Петрович просто глупый. Вы реально мало что понимаете кроме узкой области в которой работали. Но всё что за пределами вашей узкой области и что вам просто не понятно вы как и все обыватели имеете свойство огульно обесценивать в своих глазах просто чтобы чувствовать свою работу значимей. Но это не признак умного человека. Умный человек интересуется достижениями других чтобы создать что-то своё. В вас же сильно обиженное эго - вам важно возвыситься над другими и если это не удается объективным превосходством по профессионалным достижениям то вы просто принижаете достижения всего остального мира чтобы создать для себя иллюзию своего превосходства. Это типично для людей. Но жаль что вы оказались типичным глупым обывателем.

Все правда, c возрастом все эти недостатки выпирают еще больше, но от этого нейросети не перестают быть технологией 18 века.

[Petrovich]

Пенсия по какому дому?)

Если это идет как денежное пособие, то по 8. А если как способ существования на пенсии, то по 12.

[Дмитрий]

Петрович какие ярлыки ни навешивайте на технологию это не может отменить её работоспособность.
=====
Конечно нейросеть не заменяет программирование полностью - только на 99%. То есть она заменяет самую рутинную часть работы связанную с точным приведением в соответствие друг с другом многочисленных частей целого, объектов, структур и тому подобного а так же сильно заменяет трудоемкую отладку. Но 1% работы всё равно остается человеку - то есть той самой творческой составляющей которая связана с идеей, концепцией разрабатываемого продукта и т.п. То есть человеку остается работа на самом верхнем уровне, нижний же уровень полностью автоматизируется. И по затратам времени работа на нижнем уровне традиционно как раз и занимает от 99% времени и выше. Соответственно если этот объем работы автоматизирован то высвобождается 99% и выше времени которое ранее программист тратил на свою работу.

На практике это конечно не значит что я буду работать в понедельник 5 минут с утра и потом уходить на всю неделю на выходные. Но это будет означать что я смогу тратить больше времени именно на творческую составляющую не тратясь на рутину. Это приведет просто к росту качества и уровня возможностей. Попросту станет легко и просто и в смешные сроки доступно то что ранее вообще было из области фантастики и не осуществимым за человеческую жизнь.

[Petrovich]

Петрович какие ярлыки ни навешивайте на технологию это не может отменить её работоспособность.
=====

Дима, какие ярлыки ты не навешивай на меня, все равно нейросети эта технология 18 века. Ты просто не понимаешь, как все это появилось и почему сейчас оказалось, как бы передним краем науки. Но если рассматривать искусственный интеллект следующего поколения, то там уже будет совсем другая картина. Все эти нейросети окажутся там, где сейчас находится человеческое подсознание. То есть в куче информационного не систематизированного мусора.

[Дмитрий]

Я практик выбираю то что работает и то что доступно. Вы грезите о каком-то гипотетическом искусственном интеллекте. Идей у всех у нас с детства всегда много. Можно себе представить суперфантастическое нечто что круче всего, по сравнению с чем всё что мы видим вокруг сплошной примитив. Только мне интересно не просто что-то воображать но и воплощать. Чтобы фантастическая идея могла быть воплощена её нужно воплощать через реальные этапы, через практичные рабочие вещи. Идея сама по себе не заработает если не разработать сначала движок который сможет воспроизводить эту идею. А разработка движка связана с выбором деталей, экспериментами, пробами и ошибками, отладкой, оптимизацией и прочим прочим. Воплощение идеи связано с затратами, с нехваткой времени с отсутствием ресурсов и т.д. и т.п. и с поиском путей как всё это преодолеть, как снизить затраты, как использовать имеющиеся ресурсы чтобы их хватило, как сделать так чтобы это можно было осуществить за разумное время.

Так вот , нейросеть - это наиоптимальнейший инструмент по массе параметров. Собственно не удивительно что природа выбрала его же. Вообще у меня профессиональное чутье на оптимальность тех или иных вещей. Я экономию буквально ощущаю. То есть если я вижу какой-то оптимизированный алгоритм и особенно наблюдаю его работу и могу оценивать соотношения всякие типа используемых объемов памяти к выходной сложности потока данных, машинного времени к уровню сложности результата - я сразу ощущаю перспективные алгоритмы и бесперспективные. Я сразу чувствую что поедет а что будет скрипеть и трещать и в итоге заклинит. Так вот нейросеть по сравнению со всем что я гонял ранее - это примерно как электромобиль Тесла по сравнению с запорожцем. Оно просто летает. Очень дешево и очень эффективно. Самое лучшее соотношение эффект/затраты.

Сама по себе нейросеть это просто функция. y=f(x). Но язык на котором записывается эта функция наиоптимальнейший. Более оптимизированный чем язык символьной математики которому нас учили в школе. И он настолько оптимальный что искать формулы на этом языке легко может машина. Это буквально скатывание по скользкому многомерному склону почти без опасности застрять в локальном оптимуме и с почти гарантированным достижением глобального оптимума. На языке привычной нам математики чтобы найти верные функции приходится недюжинно поскрипеть мозгами - само оно не особо скатывается. Нужно усилие чтобы преодолевать трение и пробивать твердые препятствия. А вот на языке нейросети скатывается само без трения. И это идеально для автоматизации той работы которую обычно делают ученые когда ищут те или иные законы описывающие наблюдаемый мир.
=====

Если говорить про ИИ следующего поколения то нейросети там будут на нижнем уровне. Но они там будут. Это можно говорить так же уверенно как и то что какие бы суперсовременные автомобили ни появлялись в них всё равно так или иначе будут применяться подшипники.

[Petrovich]

В биологии вытеснение одного вида другим занимает длительное время.

[Дмитрий]

Нейросети сформировались сотни миллионов лет назад и пережили образование и вымирание бесчисленного количества видов. Это более чем веское доказательство их эффективности. Ну а я проверил их свойства и характеристики на компьютере. В общем я всё измерил и инструмент выбрал. Остальное уже пустой спор с теоретиками которые не щупали своими руками и не знают.

Картинка которую я показал на прошлой странице - это тестовое приложение. На нем я отладил и отшлифовал инструмент чтобы всё работало четко и без ошибок. Теперь инструмент готов к практическому применению и я уже планирую очередной интересный эксперимент на нейросетях. Суть - хочу сделать самообучающегося тараканчика который будет обитать в некоторой среде и будет учиться на опыте выживать в этой среде взаимодействуя с ней.

Вообще нейросети слабоваты в плане генерации множественности. Нейросеть всегда в качестве реакции на вход выдает однозначный выход. Поэтому наряду с нейросетью конечно же нужно применять и другие инструменты чтобы система в целом умела адекватно генерировать естественную множественность реального мира. В данном эксперименте я хочу сделать это так - на вход нейросети подаем наблюдаемый мир, а так же подаём шум. В перспективе это будет физический шум, но для первых экспериментов достаточно и вычисленного псевдошума. С выхода нейросети будет сниматься воздействие на исполнительные механизмы. Всё просто. Будет прикольно. Посмотрим как поведение этого тараканчика будет похоже на поведение живого мыслящего и обучающегося на опыте существа.

Это первый эксперимент.

Второй будет немного изменен - он будет иметь такой вид: на вход нейросети буду подавать наблюдаемый мир, а так же сигналы на исполнительные механизмы. С выхода нейросети будет сниматься оценка всей этой ситуации - ведет она ко добру али к худу. Таким образом в этом эксперименте нейросеть не будет генерировать управляющие воздействия на исполнительные механизмы а будет заниматься только оценкой ситуации. Генерация же управляющий воздействий будет выполняться так - перебираем различные варианты управляющих воздействий и наряду с наблюдаемым миром оцениваем перспективу такой комбинации. Для комбинаций в первую очередь с наилучшими перспективами моделируем последствия - это будет делать другая нейросеть. Последствия в качестве будущего подаем на вход первой нейросети и так же подбираем управляющие воздействия. Короче говоря - типичный шахматный алгоритм - поиск в дереве вариантов путем перебора ходов на много ходов вперед. Отличие только в том что вместо шахматной доски наблюдаем вообще какой угодно наблюдаемый мир (в данном случае это будет виртуальная среда где обитает тараканчик) и вместо заложенной программистом оценочной функции будет нейросеть которая обучается на опыте.

В этом втором эксперименте будет уже более интересная комбинация нейросети с шахматным алгоритмом. И вот она уже продемонстрирует интеллект. Причем гарантирую что он превзойдет и меня и вас. По сути как это и произошло в шахматах - человек больше не может обыграть машину ни в шахматы ни в го. Ну а в данном случае тараканчик будет приспосабливаться вообще к любой игре и гарантированно переигрывать человека.

Ну и третий эксперимент будет такой - пробовать применять этого тараканчика в практических прикладных задачах. В первую очередь связанных с автоматизацией моей работы.

Далее еще будет 4-й эксперимент - пробовать применить такого тараканчика для управления эволюцией других подобных тараканчиков. Целью будет ускорение эволюции.
=====

Ранее я уже экспериментировал с тараканчиком (здесь не приводил) - в тех экспериментах тараканчик адаптировался исключительно эволюционным алгоритмом без обучения нейросети обратным распространением ошибки. Это имело прикольные результаты но эволюция достигала какого-то примитивного результата а дальше прогрес шел крайне медленно. Теперь с нормально обучаемой нейросетью рассчитываю на преодоление этого барьера.

С методами Евгения Вениаминовича я ранее тоже экспериментировал (здесь не приводил) но они оказались крайне слабы по сравнению со стандартной глубокой нейросетью. В общем к нейросети я пришел длинным путем проб и ошибок и был вынужден признать что всё что я пробовал (и мы с Евгением пробовали) оказалось хуже того что и так уже было придумано до нас и нужно было с самого начала просто взять и воспользоваться и не изобретать больше велосипедов в этой области. Ну что ж, время потеряно и ладно, хорошо что в итоге я всё же нашел верный инструмент, лучше поздно чем никогда.

[Petrovich]

Отец Авраама был астрологом. Он умел делать говорящие головы. Без всяких нейросетей.

[Дмитрий]

Ну то что без всяких нейросетей сомневаюсь. Даже природа не обошлась без них, а куда уж людям. Люди лишь копируют природу.
=====
Вообще есть идея автоматизировать научный метод. То есть сам принцип анализа наблюдаемого и продуцирования гипотез, постановки экспериментов и создания выводов. Ведь по сути там четкий набор правил которым нужно просто следовать. Это вполне можно автоматизировать.

Вообще я для себя прикинул укрупненный принцип моделирования чего угодно. За основу я взял широко применяемый ООП подход - он повсеместно применяется и в промышленности и во всех других сферах. Суть - любая моделируемая действительность рассматривается как состоящая из взаимодействующих между собой объектов которые сами могут состоять из объектов. Этот подход хорошо себя зарекомендовал, но у него есть слабые стороны. Я решил его немного модифицировать добавив в него нейросети.

Суть в чем. В реальности объекты не просто существуют и не просто состоят из других объектов. Наилучшей иллюстрацией объекта является игра солнечных бликов на воде - блики выстраиваются в фигуры, фигуры появляются и исчезают, одни и те же блики входят одновременно в разные фигуры. Вот эти фигуры - и есть объекты. То есть это не статичная структура а нечто динамически постоянно перестраивающееся.

Короче я решил развить концепцию ООП таким образом - объект это не что-то состоящее из других объектов а что-то РАСПОЗНАВАЕМОЕ на других объектах. Вот собственно для реализации такой концепции ООП и можно добавить нейросети в стандартную концепцию ООП.

То есть если при обычном ООП например чтобы смоделировать столкновение автомобиля со стеной нам нужно прописать в программу объект автомобиль который состоит из деталей. И моделировать взаимодействия всех деталей. В расширенной же версии мы можем и не знать изначально что данная совокупность деталей или допустим молекул является автомобилем а просто насыпать кучу этих деталей и просто выстроить их определенным образом и программа автоматически распознает что это автомобиль. Суть тут в чем - когда объекты взаимодействуют они выстраиваются в новые объекты которые изначально мы не предусмотрели и не прописали в программу. Данный же расширенный подход сам будет распознавать такие возникающие макрообъекты при взаимодействии микрообъектов. Это существенно упрощает программирование таких моделей. Если в стандартном ООП мы вынуждены прописывать все объекты которые так или иначе у нас будут рассматриваться в модели то при таком расширенном мы можем описывать модели более лаконично - мы можем просто выстроить микрообъекты нужным образом а макрообъекты распознаются (и будут соответствующим образом работать) автоматически. Это существенно снижает объем программирования.

И если опять вернуться допустим к тому же моделированию автомобиля врезающегося в стену то когда автомобиль врезается и взаимодействие всех его деталей порождает новые объекты - кластеры из спаявшихся деталей, облака мелкой взвеси и прочее прочее - такие вновь возникшие объекты могут быть распознаны и к ним могут быть применены правила поведения уже этих объектов. Например сплавившийся кусок металла уже не ведет себя как множество деталей а ведет себя как единый целый кусок металла, и если мы распознали этот возникший новый объект то мы можем обсчитывать его как один кусок металла а не множество взаимодействующих деталей что сокращает объем вычислений. Таким образом когда мы распознаем динамически возникающие объекты на множестве других объектов мы можем применять к этим объектам известные правила поведения этих объектов что сокращает объемы вычислений и повышает надежность и точность моделей.

Или допустим если мы моделируем развитие боевой ситуации на поле боя путем моделирования взаимодействия всех боевых единиц - мы можем в какой-то момент распознать в этой ситуации какую-то стратегическую конфигурацию для которой уже существует известный неизбежный исход. В тех же шахматах на доске кроме фигур могут распознаваться те или иные макроконструкции из фигур типа вилка, или мельница - и опираться на это знание без необходимости выполнять трудоёмкий просчет ходов. и т.д. и т.п.

В общем и целом такой подход позволит с очень высокой точностью моделировать вещи существенно меньшими вычислительными затратами чем это давалось стандартными подходами. На практике это приведет к тому что при имеющихся выч. ресурсах можно будет очень точно и достоверно моделировать гораздо более сложные процессы и явления чем это было доступно не интеллектуальным а чисто механическим моделям.

По сути это и есть то за что я люблю нейросети - они существенно удешевляют сложное моделирование естественной сложной реальности. Открываются огромные перспективы - как если бы все наши компьютеры разом стали на несколько порядков производительней, хотя всё железо осталось то же самое и никаких дополнительных затрат не потребовалось. Это тот самый неожиданный экономический эффект который дают нейросети - мы ждали что компьютеры когда еще станут производительней и пробивать этот барьер производительности придется с трудом, а тут благодаря нейросетям мы прямо сейчас провалились в область суперпроизводительных моделей на уже имеющемся на данный момент у нас железе. Неожиданная халява.

Попросту природа смотрела на нас как мы делаем это всё через жопу с большим трудом и сказала нам - "делай это проще дурачок". Реальный мир может быть адекватно моделируем существенно меньшими выч.затратами чем мы это привыкли.