Впервые искусственный интеллект заменил физиков

Фабрика хитов: может ли искусственный интеллект быть гениальным

Сергей Марков

Специалист по искусственному интеллекту и машинному обучению, автор шахматной программы SmarThink, основатель портала «ХХ2 ВЕК»

Искусственный интеллект — это очень широкое определение, под которое подходит даже калькулятор. Поэтому все системы ИИ делят на две большие категории. Прикладные системы ИИ (или слабые системы ИИ) предназначены для решения какой-то одной интеллектуальной задачи.

Например, шахматная программа умеет только играть в шахматы, но не может распознавать лица. Все системы ИИ, которые человечество до сих пор создало, именно прикладные.

Но люди стремятся создать и универсальный ИИ (artificial general intelligence, AGI), и в этом направлении есть успехи.

Восстание машин: стоит ли бояться искусственного интеллекта

Созданием системы универсального ИИ в конце 1930-х годов занимался философ Альфред Айер, а в начале 1950-х — специалист по компьютерным наукам Алан Тьюринг. Он предложил процедуру для определения универсального ИИ, которую мы сегодня так и называем — тест Тьюринга.

Это игра в имитацию: машине дают задачу обмануть судей, убедить их в том, что она является человеком, а человека просят доказать, что он на самом деле человек. Если жюри из специалистов не сможет отличить машину от человека, значит, она является носителем универсального ИИ.

Первая система, которая пыталась играть в такую игру, называлась ELIZA (в честь героини пьесы Бернарда Шоу «Пигмалион», простой девушки), которая делала вид, что она врач-психиатр.

Обратите внимание

Ответом этому первому чат-боту стала программа PARRY, которая прикидывалась пациентом-параноиком.

Многие психиатры не догадывались, что имеют дело с машиной: в начале 1980-х годов людям не могло прийти в голову, что с ними может общаться не человек.

Машины-обманщики

Тьюринг считал, что к 2000 году машины с памятью в 125 мегабайт будут способны обмануть человека в 30% случаев. Оценка получилось довольно точной.

В 2012 году программа, изображавшая мальчика из Одессы Женю Густмана, смогла провести судей в тестах, ежегодно проводимых Университетом Рединга, в 29,2% случаев. В 2014 году результаты были еще лучше.

Однако не нужно их переоценивать: профессиональные эксперты быстро узнают такие системы по специфическим слабостям.

Для неподготовленного пользователя все гораздо хуже. В прошлом году было два нашумевших эксперимента. В первом чат-бот клянчил по одному или два доллара и за сутки насобирал порядка 10 000, а во втором боты выпрашивали у девушек интимные фотографии и в 3% случаев имели успех.

Быстрое чтение: философия как ключ к созданию искусственного интеллекта

Так называемый эффект ИИ заключается в том, что границы восприятия его людьми постепенно смещаются. В 1950-е годы простой человек сказал бы, что система, которая обыграет чемпиона мира по шахматам, является ИИ.

Однако люди быстро привыкают к современным технологиям и начинают относиться к ним с легким пренебрежением. Так, в 2000 году многие сказали бы, что шахматные программы — это просто алгоритмы, перебирающие варианты.

Когда машины начинают решать очередную интеллектуальную задачу лучше, чем человек, часто говорят, что машины глупые, просто очень быстрые. Сравним человеческий мозг с техникой: в среднестатистическом мозге где-то 8,6 миллиарда нейронов и 150 триллионов синапсов.

Важно

Каждый синапс — это сложное устройство, состоящее примерно из тысячи молекулярных переключателей, каждый из которых можно смоделировать, взяв один транзистор. То есть если пересчитать мозг в условных транзисторах, то получится квинтиллион транзисторов. Самые крупные интегральные схемы содержат сейчас порядка 20 миллиардов транзисторов — разница гигантская.

Но электроника быстрее: скорость, с которой транзисторы могут менять состояние, гораздо выше, чем у мозга.

Сети-шутники

Нейронные сети стали использоваться в области ИИ еще до того, как появилось само название технологии. Ничего удивительного: если у науки и технологий нет решения какой-то задачи, его заимствуют у природы. Когда Леонардо да Винчи мечтал о создании первых летательных аппаратов, он внимательно изучал полет птиц. Такое направление называется бионика.

В 1940-е годы нейрофизиологи знали, что мозг состоит из нервных клеток, у которых есть один длинный отросток (аксон) и несколько коротких отростков (дендритов). Аксоны соединяются с дендритами других нейронов (места этих контактов называются синапсами), и по этой сети распространяются электрические сигналы.

На основе этого появилась примитивная математическая модель МакКаллока — Питтса, далекая от того, что происходит в человеческом мозге, но способная решать сложные интеллектуальные задачи.

В конце 1950-х годов Фрэнк Розенблатт разработал одну из первых моделей нейросетей — персептрон — и создал на ее основе первый нейрокомпьютер «Марк-1».

Сегодня нейронные сети могут обрабатывать изображения (например, они в состоянии адекватно подписать картинку) и заниматься распознаванием речи.

Благодаря развитию нейросетевых моделей произошла революция в работе машин с естественным языком. Теперь они способны неплохо понимать смысл высказываний и писать более-менее связные тексты: есть даже нейросеть, генерирующая шутки.

Лет через десять компьютеры смогут создавать произведения искусства, в том числе в области литературы.

Кто создает шедевры?

Как научить машину писать стихи? Технически уложить текст в стихотворный размер может совершенно тривиальный алгоритм — например, «Яндекс.Автопоэт».

Исследователи начинали с простых текстов, скажем поэзии скальдов, которая состоит из коротеньких элементов, и просили машину написать стихотворение, задав ей несложный семантический вектор.

Такие эксперименты более 40 лет назад проводил лингвист Раймунд Пиотровский.

Современные проекты используют нейросетевые системы: например, одна из них сочиняет тексты песен в стиле группы «Гражданская оборона». Системы, способные генерировать довольно бессмысленные прозаические тексты в определенном стиле, существуют уже давно.

В 2008 году был скандал, связанный с программой SCIgen.

Российский ученый Михаил Гельфанд сгенерировал в ней текст якобы научной статьи «Корчеватель: алгоритм типичной унификации точек доступа и избыточности», которую в итоге напечатали в академическом журнале.

В 2013 году разработчик Дариус Казими запустил проект «Национальный месяц создания романов» (National Novel Generation Month, NaNoGenMo.

 — T&P), где в результате общения чат-ботов получился текст «Подростки прогуливаются вокруг дома».

Совет

В 2016 году разработчики из японского Университета Хакодате создали систему, которая написала роман «День, когда компьютер напишет роман». Работа вышла в финал литературного конкурса, обойдя произведения 1450 писателей.

В фильме «Я, робот» герой Уилла Смита говорит:

Выходит, что такое требование даже более амбициозно, чем создание универсального ИИ. Мы хотим создать ИИ, который будет превосходить интеллект естественный.

Впрочем, сегодня машины могут не только соревноваться с человеком в написании текстов, но и выступать в качестве помощников. Например, проект «Главред» — система, предназначенная для анализа и усовершенствования текстов. Или Summly — система, которая помогает сделать краткий конспект большого текста.

Машины заменят людей?

Некоторые опасаются прогресса в области ИИ и возникновения злонамеренного сверхинтеллекта. Но это скорее чрезмерный оптимизм, похожий на энтузиазм 1960-х годов по поводу развития космических программ. Тогда всем казалось, что через 10–15 лет мы начнем заселять все планеты Солнечной системы, а к началу нулевых годов будем осваивать межзвездное пространство.

Сигнал не может распространяться быстрее, чем скорость света, а элементы вычислительной машины не могут быть меньше планковского размера. Есть и термодинамические ограничения: каждая система при потере одного бита выделяет некоторое количество теплоты, поэтому мы вынуждены ограничить скорость вычисления машины.

И даже если машина будет работать быстрее, чем человеческий мозг, это не значит, что она станет умнее нас. Представьте, что вы стали думать в 100 раз быстрее, чем все окружающие вас люди. Значит ли это, что вы сможете подойти к любому человеку на улице и убедить его отдать свой кошелек? Возможно, вы чуть лучше справитесь с задачей, но от этого сборы не увеличатся в 100 раз.

Рано или поздно мы сможем скопировать человеческий мозг или создать систему, основанную на других принципах, но тоже способную выполнять широкий спектр интеллектуальных задач. Однако системы прикладного ИИ активно используются именно из-за своей узкой специализации. Подъемный кран поднимает гораздо более тяжелые грузы, чем может поднять человек.

Но если человек начнет с подъемным краном играть в карты, не думаю, что у машины будет много шансов. В какой-то момент технологии превысят уровень сложности организации нашего собственного тела, но человечество вряд ли остановится — машины будут соединяться с людьми в одно. Это происходит уже сейчас.

Если отнять у человека телефон, он ощутит что-то похожее на ампутацию.

В рубрике «Конспект» мы публикуем сокращенные записи лекций, вебинаров, подкастов — то есть устных выступлений. Мнение спикера может не совпадать с мнением редакции. Мы запрашиваем ссылки на первоисточники, но их предоставление остается на усмотрение спикера.

Источник: https://theoryandpractice.ru/posts/17055-kak-perezhit-genialnost-kompyutera

Котики и искусственный интеллект, или Как физики космос посчитали

Панкадж Мехта и Дэвид Шваб, авторы исследования.

С того момента, когда в 2012 году компьютер впервые научился распознавать котиков в видео на YouTube, а несколько месяцев назад смог правильно подписать фотографию «группы молодых людей, играющих во фрисби», исследователи искусственного интеллекта отпраздновали триумфальное появление новых побед в сфере «глубокого обучения» (deep learning) — весьма успешного набора алгоритмов, в общих чертах повторяющих увеличение чувствительности мозга к признакам окружающего мира с помощью прямого воздействия.

Компьютерные модели, состоящие из искусственных нейронных сетей, используют новейшие протоколы глубокого обучения и становятся всё более искусными в распознавании изображений, речи и образов — ключевой технологии для создания роботизированных персональных помощников, анализа сложных данных и самоуправляемых автомобилей. Но при всей очевидности прогресса в развитии обучаемых компьютеров при отделении характерных признаков и несущественных единиц информации, исследователи не до конца понимают работу алгоритмов и сам феномен биологического обучения.

Совсем недавно два физика доказали, что одна из форм глубокого обучения работает в точности как наиболее важный и повсеместно применяемый в физике математический метод — процедура расчёта поведения на больших масштабах таких физических систем, как элементарные частицы, жидкости и космическое пространство.

Новая работа доцента Бостонского университета Панкаджа Мехты (Pankaj Mehta), написанная в соавторстве с доцентом Северо-Западного университета Дэвидом Швабом (David Schwab), наглядно показывает, что статистический метод «перенормировки», дающий физикам возможность точно описывать системы, не располагая при этом точными данными о состоянии всех компонентов, также позволяет искусственным нейронным сетям классифицировать прочие данные (например, «котика» в видеоролике) независимо от его цвета, размера или позы.

«Они убедительно и с точными доказательствами изложили на бумаге теорию, о которой люди могли лишь мечтать, — пишет Илья Неменман (Ilya Nemenman), биофизик из Университета Эмори. — Извлечение релевантных признаков в контексте статистической физики и извлечение релевантных признаков в контексте глубокого изучения — это не просто схожие выражения. По сути, они едины и являются одним целым».

Что касается нашей потрясающей природной способности определять котика в кустах, выделять знакомое лицо в толпе или любой объект в окружающем водовороте из красок, текстур и звуков, то значительные соответствия между глубоким и биологическим обучением подсказывают, что наш мозг также использует некую форму перенормировки, чтобы осмыслить окружающий мир.

«Возможно, существует некая универсальная логика в том, как мы выбираем релевантные признаки из набора данных», — пишет Мехта. — Я бы назвал это прямым намёком на то, что нечто подобное существует».

Обратите внимание

Это открытие формализует ту философскую схожесть между физическими методами и процедурами обучения в распознавании речи или объектов, которую наблюдают Шваб, Мехта и другие исследователи.

«Перенормировка — это процесс, когда из действительно сложной системы извлекаются фундаментальные части, — отмечает Шваб. — Этим процессом заняты глубокие нейронные сети.

Это работа и биологического мозга».

Послойное обучение

Всего десять лет назад было очевидно, что глубокое обучение не работает. Компьютерные модели, выполняющие процедуру распознавания, зачастую были не в состоянии идентифицировать объекты на фотографиях или произносимые слова в аудиозаписях.

Джеффри Хинтон (Geoffrey Hinton), британский специалист по информатике из Торонтского университета, и другие исследователи разработали процедуру, которая должна работать в многоуровневой сети виртуальных нейронов, передающих сигналы «возбуждения» и «торможения» своим соседям. Строение этих «глубоких» нейронных сетей было основано на многоуровневой архитектуре зрительной зоны коры головного мозга человека — области, отвечающей за преобразование потока фотонов в значимые, осознанные образы.

Когда человек смотрит на кошку, которая идёт по газону, зрительная зона коры головного мозга, по всей видимости, обрабатывает всю сцену иерархически, с возбуждением нейронов в каждом последующем слое в ответ на крупномасштабные, ярко выраженные признаки.

Сначала возбуждаются нейроны в сетчатке, если они обнаруживают контрасты в своем участке поля зрения, указывающие на край или на конечную точку.

Эти сигналы передаются нейронам более высокого уровня, обладающим как чувствительностью к различным комбинациям граней, так и к другим, более сложным деталям.

По мере перемещения вверх по слоям, сигнал о наличии усов может кооперироваться с другими сигналами, к ним добавляется сигнал о наличии навострённых ушей и все вместе они приводят в действие нейроны верхнего уровня, которые отвечают за формирование самой концепции «котика».

Десять лет назад Хинтон попытался повторить процесс, посредством которого развивающийся мозг младенца становится восприимчивым к соответствующим корреляциям в восприятии чувственной информации, обучаясь группировать усы с ушами, а не с цветами, стоящими на заднем плане.

Важно

Хинтон попытался обучить глубокие нейронные сети, применив простое правило обучения, изобретённое им в соавторстве c нейробиологом Терри Сейновски (Terry Sejnowski) в восьмидесятых годах прошлого века. Когда звуки или изображения загружались в нижние слои глубокой нейронной сети, эта информация провоцировала срабатывание целого каскада возбуждения нейронов.

Читайте также:  Три мифа о робототехнике и искусственном интеллекте

Возбуждение одного из виртуальных нейронов также могло вызвать срабатывание подключённого нейрона в смежном слое, в зависимости от прочности связи между ними.

Первоначально всем связям было присвоено случайное распределение сил, но когда два нейрона возбуждались в ответ на полученную информацию, алгоритм Хинтона и Сейновски определял, что их соединение следует усилить, повышая вероятность того, что эта связь будет и далее успешно передавать сигналы. И наоборот, малоиспользуемые связи были ослаблены.

По мере того, как обрабатывалось всё большее количество изображений или звуков, их шаблоны постепенно проложили своеобразные «колеи» в сети, подобно системам трибутарных потоков, струящиеся сквозь слои вверх. В теории, трибутарные потоки должны были сходиться в небольшое количество нейронов верхнего уровня, отвечающих за распознавание звуковых или объектных категорий.

Но на практике проблема заключалась в том, что данным требовалось слишком много времени, чтобы проделать весь путь от нижнего сетевого уровня до уровня категорий, расположенного наверху. Очевидно, что алгоритм был недостаточно эффективен.

В 2005 году Хинтон со своими коллегами разработал новый тренировочный режим, вдохновлённый различными аспектами развития головного мозга, о которых он впервые узнал будучи студентом Кембриджского университета в шестидесятых годах прошлого века. Проводя вскрытие головного мозга кошек, биолог Колин Блэкмор обнаружил, что зрительная зона коры головного мозга развивается в несколько этапов, настраивая связи в ответ на получение сенсорной информации послойно, начиная с сетчатки.

Источник: https://22century.ru/popular-science-publications/deep-learning-renormalization

Физики предложили ИИ придумывать немыслимые квантовые эксперименты

Ученые пытаются разгадать странную природу поведения квантовых частиц и с этой целью обратились к хитроумному программному обеспечению, чтобы оно придумывало немыслимые эксперименты. Квантовая физика бросает вызов человеческой интуиции — даже интуиции физика Марио Кренна из Венского университета.

Ее противоречивое свойство усложняет задачу ученых придумывать эксперименты, которые способствуют исследованиям этой области.

Но теперь, чтобы избежать подводных камней интуиции, Кренн и его коллеги разработали компьютерную программу, которая автоматически создает новые квантовые эксперименты, до которых сами физики додуматься не смогли бы.

Поведение всех известных частиц можно объяснить квантовой физики. Одной из главных особенностей этой ветви физики является то, что мир становится зыбким, причудливым местом на самых мельчайших уровнях.

Например, атомы и другие базовые строительные блоки Вселенной могут существовать в состоянии суперпозиции, находиться в двух или более местах одновременно или одновременно вращаться в противоположных направлениях.

А явление квантовой запутанности позволяет соединить два или более объекта так, что поведение одного будет мгновенно отражаться на другом, как бы далеко они друг от друга во Вселенной ни находились.

Ирреальный характер квантовой физики сложно постичь даже ученым. Самая известная аналогия суперпозиции, кот Шредингера, который одновременно и жив и мертв, была придумала физиком Эрвином Шредингером, чтобы подчеркнуть абсурдность концепции суперпозиции, а не популяризовать ее.

Совет

Кроме того, сам Эйнштейн был против идеи запутанности, называя ее «жутким действием на расстоянии».

И все же многочисленные эксперименты подтверждали странные явления квантовой физики снова и снова — к примеру, советник Кренна Антон Цейлингер помог установить нынешний рекорд дистанции запутанности в 144 километра, от Ла-Пальма до Тенерифе на Канарских островах.

Кренн и его коллеги столкнулись с проблемой создания сложной формы запутанности, где три объекта разделяют три свойства. Спустя недели попыток создать так называемое состояние Гринбергера — Хорна — Цейлингера, Кренн сказал, что понял: его интуиция не работает, поэтому «может сработать более радикальный подход».

Ответом стала программа Кренна под названием MELVIN. Программное обеспечение берет строительные блоки квантовых экспериментов — зеркала и голограммы — и виртуально расставляет эти элементы, чтобы найти неинтуитивные конфигурации, которые помогут ученым достичь своих целей, вроде особого квантового состояния.

Как только она находит рабочий результат, она автоматически упрощает дизайн и отправляет ученым. «Я запустил программу вечером и к следующему утру, после нескольких сотен тысяч разных попыток, она нашла одно правильное решение, — говорит Кренн о первом использовании MELVIN. — Как вы понимаете, это был день, полный восторга».

Ученые подробно описали свою работу в Physical Review Letters.

В другом испытании «Мелвина» ученые выяснили, что программа может брать наборы запутанных частиц и изменять их так, что они циклически меняются свойствами вроде поляризации между собой. Такие циклические операции могли бы помочь в создании невзламываемой квантовой криптографии, одного из важнейших потенциальных будущих применений суперпозиции и запутанности.

Ученые добавили, что MELVIN пришел к неожиданным решениям, до которых они сами не додумались бы.

К примеру, 50 из 51 экспериментов, разработанных программой для создания состояния ГХЦ, включали направление запутанного светового пучка прямо на детектор, который не взаимодействовал с другими пучками и компонентами эксперимента. «Я до сих пор с трудом понимаю конечное решение, хотя идеально могу его просчитать», говорит Кренн.

Обратите внимание

MELVIN начинает со случайной перетасовки компонентов, но «учится на собственном опыте», говорит Кренн. «Это означает, что если он нашел одно хорошее решение, он сохраняет хорошее решение и может использовать его для грядущих экспериментов. Это ускоряет его работу в несколько раз».

Николя Гизин, физик Женевского университета, отвечая на вопрос о пользе или бесполезности результатов MELVIN, сказал, что «не впечатлен». И выразил уверенность, что работа ученых вызовет кучу споров.

А вот квантовый физик Сет Ллойд из Массачусетского технологического института, который тоже не принимал участия в исследовании, считает MELVIN хорошей идеей. «Действительно, странная природа квантовой механики затрудняет генерацию идей для экспериментов», говорит Ллойд.

Тем не менее он тоже не считает MELVIN каким-то прорывом, указывая на то, что ученые давно используют компьютеры для имитации свойств лекарств и других молекул перед их производством. Но этот метод обладает потенциалом помочь в создании сложных квантовых состояний.

«Было бы замечательно найти новые состояния с совершенно неожиданными свойствами».

Источник: https://Hi-News.ru/research-development/fiziki-predlozhili-ii-pridumyvat-nemyslimye-kvantovye-eksperimenty.html

Искусственный интеллект, занимающийся физикой, может выводить законы воображаемых вселенных

Есть знаменитая история о том, как Галилей наблюдал за качанием лампы в Пизанском соборе, и замерял его по отношению к своему пульсу. Он пришёл к выводу, что период постоянен и не зависит от амплитуды.

Галилей предположил, что маятник может управлять часами, и позже разработал подобное устройство, хотя первые часы такого типа построил Гюйгенс через 15 лет после смерти Галилея.

Совершая открытие, гений Галилея проигнорировал все неприятные детали, которые можно было бы учесть – сопротивление воздуха, температуру, мерцание света, шум, других людей, и т.п. Он рассмотрел простейшую модель качающейся лампы, используя только её период, концентрируясь на самой заметной особенности.

Многие историки считают, что подход Галилея представляет самый ранний этап эволюции научного метода – процесса, подарившего нам полёты, квантовую теорию, электронные компьютеры, Общую теорию относительности и искусственный интеллект.

В последние годы ИИ-системы начали находить интересные закономерности в данных и даже самостоятельно выводить определённые законы физики. Но в этих случаях ИИ всегда изучал особый набор данных, изолированный от отвлечений реального мира. Способности этих ИИ-систем сильно не дотягивают до возможностей таких людей, как Галилей.

Это поднимает интересный вопрос: возможно ли разработать ИИ-систему, вырабатывающую теории, как это делал Галилей, концентрируясь на информации, необходимой для объяснения различных аспектов мира, наблюдаемого ею?

Сегодня, благодаря работе Тайлина Ву и Макса Тегмарка из MIT, мы знаем ответ.

Они разработали ИИ, копирующий подход Галилея и некоторые другие трюки, которым физики научились за несколько столетий. Их система AI Physicist способна вывести несколько законов физики в загадочных мирах, специально созданных в целях симуляции сложности нашей Вселенной.

Ву и Тегмарк начали с определения значительного слабого места в современных ИИ. На большом наборе данных они обычно ищут единую теорию, управляющую всем набором. Но чем больше по размеру и более разрозненным становится набор данных, тем это сложнее делать. Для текущего ИИ было бы невозможен поиск законов физики в кафедральном соборе.

Чтобы справиться с этой проблемой, физики используют различные методы мышления, упрощающие задачу. Первый – разрабатывать теории, описывающие небольшую часть данных. В результате получается несколько теорий, описывающих различные аспекты данных – например, квантовая механика, или теория относительности.

Важно

Ву и Тегмарк разработали AI Physicist так, чтобы он походил к большим наборам данных с тем же методом. Ещё одно из основных правил физиков – бритва Оккама, или идея о превосходстве простых идей. Поэтому физики отбрасывают теории, которым требуется творец, создавший Вселенную или Землю: существование творца поднимает свой набор вопросов о его природе или происхождении.

Известно, что ИИ склонны к выдаче чрезмерно сложных моделей, описывающих данные, на которых они натренированы. Поэтому Ву и Тегмарк также обучили систему предпочитать более простые теории сложным. Они использовали простую меру измерения сложности, основанную на количестве информации, которую охватывает теория. Ещё один из известных трюков физиков – поиск путей объединения теорий.

Если одна теория способна справиться с задачами двух, она, скорее всего, лучше. Это подвигло физиков на поиски одного закона, управляющего всем (хотя реальных свидетельств существования подобной теории практически нет). Последний принцип, который помог физикам в их изысканиях: если что-то сработало раньше, оно может сработать и с будущими задачами.

Поэтому AI Physicist от Ву и Тегмарк запоминает полученные решения задач и пытается применить их к будущим задачам. Вооружившись этими техниками, Ву и Тегмарк отправили AI Physicist трудиться. Они разработали 40 загадочных миров, управляемых законами физики, меняющимися от места к месту.

В одном из таких миров брошенный шар может падать под воздействием гравитации в участок, управляемый электромагнитным потенциалом, а затем упасть в участок, управляемый гармоническим потенциалом, и так далее. Ву и Тегмарк задались вопросом, сможет ли их AI Physicist вывести соответствующие законы физики, просто изучая движение шара.

Они сравнивали поведение AI Physicist с поведением «новорожденного физика», использующего сходный подход, но без возможностей к обучению, а также с работой классической нейросети. Оказывается, как AI Physicist, так и «новорожденный физик» могут выводить правильные законы. «Оба субъекта способны разобраться в более чем 90% всех 40 загадочных миров», — говорят они.

Главным преимуществом AI Physicist над «новорожденным» является ускоренный процесс обучения и необходимость в меньшем наборе данных. «Похоже на то, как опытный учёные способен решать новые задачи быстрее новичка, опираясь на имеющиеся знания о сходных проблемах», — говорят Ву и Тегмарк. Их система работает гораздо лучше обычной нейросети.

«Наш AI Physicist обычно обучается быстрее и выдаёт среднеквадратическую ошибку прогноза в миллиарды раз меньшую, чем стандартная нейросеть прямого действия сходной сложности», — говорят они. Это впечатляющая работа, говорящая о том, что ИИ могут значительно повлиять на научный прогресс.

Конечно, реальной проверкой было бы напустить AI Physicist на реальную действительность, например, поместить его в Пизанский собор, и посмотреть, выведет ли он принцип действия механических часов. Или напустить его на другие сложные данные, например, на данные, ставящие в тупик экономистов, биологов и климатологов. Это явно простая задача для такой системы.

А если работа AI Physicist будет успешной, историки науки смогут считать его первым шагом новой эры эволюции научного метода со времён Галилея и его коллег-людей. Никто не знает, куда она сможет нас привести.

Источник: https://habr.com/post/429792/

Искусственный интеллект заменит ученых

Сейчас австралийские физики пытаются заручиться поддержкой искусственного интеллекта, чтобы запустить сложный эксперимент.

Эксперимент, дизайн которого был разработан специалистами из Австралийского национального университета (АНУ), будет проводиться с применением экстремально холодного газа, захваченном в лазерном пучке – так называемого как конденсата Бозе-Эйнштейна. Конденсат Бозе-Эйнштейна считается одними из самых холодных мест во Вселенной – оно намного холоднее, чем космическое пространство.

Читайте также:  Робототехника на пальцах

Ученые не ожидали, что новая машина сможет научиться проводить этот эксперимент с нуля, причем менее чем за час. Простой компьютерной программе понадобилось бы больше времени, чем возраст Вселенной, чтобы пройти через все комбинации и решить эту проблему.

Подобные программы могут быть использованы не только в научных лабораториях, но и в практических целях. Например, они станут идеальным инструментом для разведки полезных ископаемых или навигации.

Поскольку как часть системы они чрезвычайно чувствительны к внешним помехам, это позволяет им проводить очень точные измерения, например, регистрировать крошечные изменения в магнитном поле Земли или гравитации.

Совет

Способность системы искусственного интеллекта, чтобы настроить себя быстро каждое утро и компенсировать любые колебания на ночь сделает этот хрупкий технология гораздо полезнее для полевых измерений.

Исследования показали, что жертвы грабежей и нападений впоследствии страдают постоянным чувством паранойи – а это может отрицательно повлиять на их отношения с другими людьми.

Читать далее

Отсутствие интереса к сексу – проблема многих женщин. К сожалению, в отличие от мужчин, у которых есть виагра, для женщин не разработаны лекарства, повышающие либидо. К тому же, часто женщины стесняются говорить о своих проблемах.

Читать далее

Французская модель и актриса, принявшая участие в кампании по борьбе с анорексией, скончалась в возрасте 28 лет. Фотографии и баннеры с изображением обнаженной Изабель Каро, вызывают отвращение не только к диетам, но и к модельному бизнесу.

Читать далее

Исследователи советуют супружеским парам не расстраиваться в том случае, если заранее запланированный «грандиозный романтический уикэнд» из-за плотного рабочего графика не состоялся.

Читать далее

Для того, чтобы доставлять истинное наслаждение, секс не должен быть лишен спонтанности, считают эксперты. Они предлагают последовать трем советам, которые вознесут вас на вершину блаженства.

Читать далее

Щитовидная железа – центр обмена веществ, и если она не справляется со своими «обязанностями», это обязательно скажется на нашем самочувствии. Существует много симптомов, указывающих на проблемы со щитовидной железой…

Читать далее

Как это ни странно звучит, но ночное освещение… приводит к набору избыточного веса. Об этом заявили ученые из США – страны, где ожирение приобрело масштабы эпидемии.

Читать далее

Ничто не может омрачить супружескую жизнь так, как рутина и серые будни. Чтобы вернуть романтику и разнообразить ваши отношения, эксперты из Университета штата Огайо в США (Ohio State University, USA) рекомендуют:

Читать далееИммунитет – ключ к победе над раком

Исследование ученых из США, которые не первый год уже ведут кибервойну против рака, показала, что иммунная система может быть самым могущественным союзником пациента и врача в борьбе с опухолью.

Источник: https://zdravoe.com/101/p17717/index.html

Искусственный интеллект: СССР, 1960-е

?Олег Вещий (arctus) wrote,
2018-08-12 21:00:00Олег Вещий
arctus
2018-08-12 21:00:00
Доктор экономических и технических наук, профессор Валерий Валентинович Овчинников рассказал об истории создания научного центра микроэлектроники в Зеленограде и о том, как в середине прошлого века в Советском Союзе создавался искусственный интеллект.

Как и для чего появился центр микроэлектроники?

В XX веке произошёл скачок в развитии производительных сил: от ручного труда – к механическим станкам, от них – к инструментам, делающим из сырья товар с помощью источников энергии. Согласно теории Н.Д. Кондратьева, появившейся в 1920-е годы, технологические революции, а значит, и циклы спадов и подъёмов в развитии экономики, повторяются с периодичностью 50-60 лет. С каждым таким скачком форма производительных сил кардинально меняется. В XXI веке производительные силы становятся интеллектуальными. Они преобразуют изобретения и открытия в знания, технологии и наукоёмкую продукцию.

По мнению профессора Овчинникова, в последние триста лет каждые 50-60 лет встаёт задача о создании искусственного интеллекта – разумеется, каждый раз в новой форме.

Сегодня искусственный интеллект считается одной из самых важных и перспективных технологий в мире – наряду с квантовыми технологиями или, скажем, блокчейном.

Сейчас уже мало кто вспоминает, что 60 лет назад многие задачи уже были решены, но не программным способом, а аппаратным.В интервью журналу «Экономические стратегии» Валерий Овчинников приводит пример созданных в 1960-х годах арифметических устройств на пороговых логических элементах.

Эти модульные арифметические схемы могли обучаться за счёт «взвешивания» сигналов на входах пороговых логических элементов. Несложно провести прямую аналогию с нейронами и перцептронами и регулированием порогов нейронов: современные нейронные сети обучаются в точности тем же способом.

В 1960-е годы в Зеленограде начали строить наукоград. Предполагалось, что в одном месте будут сконцентрированы все самые передовые технологии в области микроэлектроники – как военной, так и гражданской.

Там руководство страны предполагало создать новейшую микроэлектронную элементную базу для многофункциональных вычислительных комплексов (МВК): например, сверхбыстродействующего МВК «Эльбрус» или вычислительного комплекса 5Э53, который должен был стать базовой ЭВМ для одного из комплексов системы ПРО.

Проект наукограда появился благодаря инициативе председателя совета министров СССР Алексея Николаевича Косыгина, министра электронной промышленности СССР Александра Ивановича Шокина и поддержке представителей ВПК.

Интересно, что

основную схемотехнику формальных нейронов для элементной базы вычислительного комплекса 5Э53 разработали очень быстро.

Ключевые НИОКР были проведены за два года, затем впервые в международной практике было налажено конструирование и заводское производство микросхем пороговой логики, удовлетворявших требованиям военной приёмки – определённому уровню помехоустойчивости, аппаратного резервирования и так далее.

Учёные конструировали систему, которая могла обучаться решению простых задач: распознавать образы и речь, кодировать информацию, рассчитывать траектории перемещающихся целей.

Обратите внимание

Забегая вперёд, можно сказать, что подобные решения крайне востребованы и сейчас – например, в конвейерном производстве или при расчёте движения авиатранспорта.

В 1962 году в Зеленограде появился Научно-исследовательский институт физических проблем (НИИФП).

Там впервые в мировой практике были опробованы технологии конвергенции, с которыми работали специалисты самых разных профессий – физики, программисты, математики, биологи, нейрохирурги и другие. Физик с мировым именем Виталий Иванович Стафеев, возглавивший институт, убедил руководство страны в важности работы над проектами нейронных сетей для противоракетной обороны на основе конвергенции микро- и биотехнологий.

В НИИФП изучали высшую нервную систему и поведение животных, затем с помощью информационных технологий моделировали биологические механизмы и обрабатывали полученную информацию с помощью когнитивных технологий.

Когда в Зеленоград приехал А.Н.

Косыгин, ему показали небольшое микроэлектронное устройство, которое могло на аппаратном уровне решать задачу прогнозирования различных событий и рассчитывать траектории летательных аппаратов. Косыгин сразу сообразил, что это чудо можно использовать в управленческих целях.

Удивительно, но он сразу ухватил суть: главное – научить элементы обучаться, а потом уже можно будет решать любые задачи.

«Он понял, как решаются задачи глубокого обучения аппаратной нейронной сети и сказал, что такая схема нужна управленцам, – вспоминает Валерий Овчинников, работавший в ту пору в одном из зеленоградских научных центров. – Он уловил, что мы разрабатываем искусственный интеллект, многократно усиливающий возможности человека, и обратился к нам с вопросом: «А можно ли сделать эту систему и поставить её у меня в кабинете, запустить туда программы, чтобы она научилась делать что-то полезное для меня, экзаменовала моих подчинённых и, если возможно, учила бы меня принимать какие-то решения

Над проектом архитектуры МВК 5Э53 работал «царь советской кибернетики» Виктор Михайлович Глушков. Он занимался вопросами обеспечения надёжности, помехоустойчивости, энергопотребления, помогал разрабатывать критерии эффективности ЭВМ.

Многие его разработки по автоматизированным системам управления используются до сих пор. Сам же учёный вынашивал идею автоматизации управления экономикой.

Речь шла не только об использовании искусственного интеллекта, но и о создании глобальной электронной сети – прообраза современного интернета.

Важно

К сожалению, далеко не все руководители тогдашнего Советского Союза мыслили столь прогрессивно. Хотя и сегодня осознать сферу применения искусственного интеллекта может не каждый, тем более – понять, чего в нём больше: опасности или блага.

«Некоторые люди думают, что проблема заключается в том, чтобы просто заменить нынешние государственные органы мыслящими машинами, ящиками вроде холодильников», – писал советский философ Эвальд Ильенков.

Он сделал вывод о том, что коммунизм не получится построить путём «математически-электронного усовершенствования нынешней системы отношений» (кстати, Ильенков отчасти прав – цифровизация, охватившая страну, вполне может оказаться не шагом вперёд, а оцифровкой хаоса – прим. profiok.com).

Однако многие в партийной верхушке увидели в развитии подобных технологий прямую угрозу своему благополучию. К тому же на Западе стали выходить статьи, гласящие, что Кремлём управляет перфокарта (носитель информации в виде листа картона, данные передавались через наличие или отсутствие отверстий в определённых местах – прим. profiok.com).

А затем СССР заключил договор с США по ПРО. Согласно этому договору, и американские, и советские учёные должны были одновременно прекратить исследования. Проекты были заморожены, а коллективы разработчиков получили приказ перейти к производству серийной вычислительной техники.

Почему китайцы изучают российскую управленческую практику и схемотехнику?

«Дэн Сяопин призывал китайцев во всем учиться у русских, в особенности учиться принимать управленческие решения в экстремальных условиях», – говорит профессор Овчинников. По его мнению, типовые проектные решения «выстраданные многими поколениями инженеров, учёных и чиновников» представляют большую ценность. В них сосредоточены знания, технологии и производство.

Пример: изготовление комплектующих в 1960-е годы на заводах, подчинённых министерству электронной промышленности. Для решения важных задач создавались временные научные и трудовые коллективы, которые объединялись в цепочки. Каждое предприятие выполняло определённые действия.

Представим себе принципиальную электрическую схему. Она состоит из электронных компонентов и связей между ними – резисторов, диодов и так далее.

Итак: первый коллектив разрабатывает всю информацию об элементной базе, второй – готовит конструкторскую документацию и готовит её к военной приёмке, третий в это время по мере проверки работоспособности элементов осуществляет сборку. Иными словами, образуется конвейер, на котором изделие комплектуется по блокам.

При этом каждый коллектив может добавить к изделию свой блок, но не может изменить или исправить то, что сделали другие. По сути, этот в точности тот самый блокчейн, который ещё только собираются внедрять современные российские руководители.

Совет

Кстати, блокчейн в привычном электронном виде в те годы тоже существовал, только ключи заменялись паролями, а информация хранилась не на множестве компьютеров пользователей, а на многопользовательском мейнфрейме (большой сервер, на котором одновременно работало большое количество пользователей – прим. profiok.com).

В начале 1970-х была издана книга «Искусство вычислять», в которой описано, по сути, ровно то же, что сейчас учёные пытаются сделать с помощью нейронных сетей. Есть советская книга «Быстродействующие микроэлектронные цифровые устройства», тоже весьма популярная в Китае.

Китайцы анализируют мировой патентный фонд с миллиардами изобретений в части конструирования схем искусственного интеллекта и стараются переосмыслить «аппаратное» наследие 1960-х годов. Иными словами, берут идеи и пытаются воплотить их в жизнь с помощью современных технологий, которые 60 лет назад были недоступны.

Например, после того как правительство КНР распорядилось повышать надёжность изделий большой интерес вызывает советская схемотехника многократного резервирования.«Китайцы сейчас нам союзники, но союзники непростые, – убеждён Валерий Овчинников.

– Они нуждаются в нашей схемотехнике и способны к конвергенции своих и наших технологий».

Основа успеха – люди

Как известно, долгое время кибернетика в нашей стране была лженаукой. Как же так вышло, что после возвращения кибернетике доброго имени удалось так быстро совершить рывок?Валерий Овчинников уверен: дело в людях.

Конечно, можно говорить о «шарашках», где известные учёные и конструкторы трудились на благо государства, скажем так, не совсем по своей воле. Но даже там был энтузиазм, желание получить результат.

Профессор Овчинников называл имя Акселя Ивановича Берга, создавшего новое направление в науке – бионику.

Читайте также:  В казахстане роботы будут играть в бадминтон

О перспективах кибернетики как науки об оптимальном управлении сложными динамическими системами он спорил даже со Сталиным!

Сохранилась фотография: на скамеечке сидят в ряд легендарные генеральные конструкторы – Глушко, Королёв, Пилюгин… «Это лавочка на Байконуре, на ней обо всём и договаривались, – поясняет Овчинников. – За каждым из них стояла целая индустрия, научные и прикладные институты, вузы, оборонные предприятия. Эти договорённости можно сравнить со знаменитым купеческим словом. А лавочку — она, кстати, до сих пор стоит на Байконуре — я бы назвал глобальным индустриальным центром».

Повезло учёным и с чиновниками. Об интересе А.Н. Косыгина к передовым разработкам уже было сказано выше. Не меньшее участие проявлял глава министерства электронной промышленности А.И. Шокин, ставивший задачу «строить умную ЭВМ, какой ни у кого нет». Министр лично помогал инженерам и конструкторам с поиском необходимых комплектующих.

«У нас очень талантливые и упорные люди, – заключает профессор Овчинников. – К этому нужно добавить наш природный патриотизм. Мы ночевали на рабочих местах, работали сутками».Среди сегодняшней молодёжи тоже немало талантливых людей. Только вот западные компании их с удовольствием переманивают, поскольку они обладают фундаментальными знаниями, часто превосходящими мировой уровень.

Интервью директора Центра глобальной экспертизы Глобального индустриального центра в странах Латинской Америки, Европы и Китае, доктора экономических и технических наук, профессора Валерия Овчинникова опубликовано в журнале «Экономические стратегии» (номера 2 и 3 за 2018 год) под заголовком «История конструирования искусственного интеллекта».

profiok.com

Источник: https://arctus.livejournal.com/651115.html

«ИИ-зация» труда: когда и почему вашу профессию заменит искусственный интеллект

— Здравствуйте! Я Искусственный Интеллект C3HR, или просто Алена. В нашей замечательной компании я отвечаю за наем сотрудников. Присаживайтесь!

Олег не впервые столкнулся на собеседовании с искусственным интеллектом, но все равно немного волновался.

— Прежде чем начать собеседование, необходимо пройти процедуру верификации. Дело в том, что в нашу компанию регулярно пытаются проникнуть боты конкурентов: они приходят под видом обычных соискателей и пытаются обмануть интеллектуальную систему. Прежде чем начать собеседование, вы должны доказать, что вы человек, а не робот. Для этого, пожалуйста, ответьте на следующий вопрос.

На дисплее появился орнамент, в котором с трудом, но все же читалась фраза: «Почему принцесса пришла на встречу с барсуком ровно в полдень?» Олег пришел в замешательство.

Людей уже давно не удивишь новостями про автомобили с автопилотом в США или про роботов-официантов в Японии. Мы привыкли, что онлайн-сервисы успешно заменяют банковских служащих в России, а мобильные приложения стали заменой малому бизнесу по всему миру. Рабочие и фермеры привыкли жить с осознанием того факта, что замена их труда машинным — это лишь вопрос времени.

А что ждет работников умственного труда? Как скоро искусственный интеллект доберется до офисных профессии? И доберется ли вообще? Разобраться в этой непростой теме нам помогла

До искусственного интеллекта в полном смысле этого слова пока далеко. В последнее время произошли серьезные подвижки в конструировании так называемых восходящих алгоритмов, позволяющих моделировать процесс обучения, — речь идет про сверточные нейросети.

Обратите внимание

Нейросеть в отдаленном приближении моделирует структуру настоящих нейронов в мозге человека.

Обучается она на выборке специально отобранных примеров — это может быть, например, миллион изображений с собаками разных пород.

Положительные результаты в обучении закрепляются, и программа, выявляя некоторые закономерности в данных, о которых мы сами могли и не подозревать, учится таким образом узнавать породу собак по фотографии.

Важно, что эффективность такого обучения не бывает стопроцентной. И именно в этом и есть главное преимущество нейросетей. Абсолютно точные предсказания могут даваться только на основе дедуктивных, то есть нисходящих методик. Использование индукции или восходящих алгоритмов — это то, что кардинально отличает настоящий интеллект от простого калькулятора.

Подумайте хорошо, что именно вы делаете на работе? Предположим, вы — рекрутер. Казалось бы, профессия, которую невозможно доверить компьютеру, ведь в ней так важны психология работника, умение быстро наладить контакт и «заглянуть в душу» кандидату, воспользоваться интуицией…

Проблема в том, что все это на самом деле

Совсем без человеческой экспертизы мы еще не можем обойтись (хотя бы в оценке качеств), но первые этапы поиска кандидатов и их ранжирования можно отдать на откуп роботам уже сегодня — для этого существуют специальные HR-сервисы. Они не только составляют списки кандидатов, но и ищут про них информацию в Сети, а также осуществляют первичную коммуникацию с кандидатами.

Забудьте про HR и возьмите таксистов. Раньше от них требовалось лишь пользоваться рацией, а теперь в салоне каждой машины с шашечками гаджетов больше, чем на вашем рабочем столе. А ведь не за горами автопилот в каждом автомобиле, включая и грузовики… Будут ли вообще существовать профессии таксиста и дальнобойщика?

Трейдеры на бирже, финансовые аналитики, интернет-маркетологи — все эти профессии потенциально полностью заменимы ИИ ровно по той же причине, что и складывающие резюме в стопку HR-менеджеры. Все офисные профессии, связанные преимущественно с анализом данных, стоят первыми в очередь на замену роботами.

Развитие технологий по распознаванию и генерации речи однажды приведет к исчезновению колл-центров в их сегодняшнем виде и сделает совершенно другим взаимодействие компаний с клиентами.

Это серьезный аргумент, но точно не индульгенция. Уже существует робот, успешно заменяющий журналиста, пишущего новости, — он не просто работает, а

Да что там журналисты, ИИ наступает даже на святая святых — сферу ИТ, его же и породившую. Языки программирования в своей эволюции становятся все более абстрактными, поэтому низкоуровневое программирование рано или поздно будет полностью отдано на откуп машинам. Произойдет это в лучшем случае

Важно

Вполне возможно, что так и есть. Если ваша профессия тесно связана с творчеством или тесным взаимодействием с людьми, вы можете относительно спокойно сидеть на своем месте. Однако фундаментальный вопрос о том, заменима ли она в принципе, остается открытым — все зависит от того, как посмотреть на то, что такое ИИ.

Есть несколько точек зрения, что именно можно назвать искусственным интеллектом. Обычно они сводятся к тому, с помощью какого метода мы можем проверить и убедиться, что перед нами настоящий искусственный интеллект.

Вы наверняка когда-нибудь слышали про тест Тьюринга. Он предполагает, что, если в процессе общения с ИИ вы не смогли отличить его от реального человека, значит, перед вами настоящий ИИ. Проблема в том, что сегодня мы точно знаем — тест Тьюринга в классическом виде не работает, потому что он уже

Есть и альтернативы.

Например, алгоритмы Винограда (в честь придумавшего их ученого Терри Винограда), которые выглядят как ряд вопросов в духе: «Городские депутаты отказали демонстрантам в разрешении на акцию протеста, потому что они [опасались/провоцировали] насилие». Выбор слова меняет контекст утверждения («опасались депутаты» или же «провоцировали демонстранты»), поэтому требует подлинного понимания фразы, а не простого поиска ответа с помощью алгоритмов.

Есть и другие альтернативы — от проверки робота на адекватное чувство юмора до целой олимпиады Тьюринга, в которую сразу входило бы несколько тестов.

Основная проблема лежит в области нашего незнания природы человеческого сознания. Если мы хотим создать искусственный разум, неплохо бы сначала разобраться, как работает наш собственный, а этого-то мы пока и не знаем.

Да, это так. Есть несколько точек зрения на эту проблему. Немного перефразируя знаменитого математика Роджера Пенроуза, можно разделить их на три типа.

1. В ИИ нет ничего особенного — нам всего лишь нужно продолжать совершенствовать наши процессоры и алгоритмы, и однажды они станут настолько сложны и производительны, что мы создадим ИИ на основе компьютеров.

Этой точки зрения придерживается большинство ученых (было бы странно, если бы было наоборот — все же мы привыкли быть оптимистами в том, чем занимаемся). Среди специалистов есть сторонники так называемого сильного искусственного интеллекта — они уверены, что любой ИИ, внешне неотличимый в своем поведении от человека, обладает полноценным сознанием. Даже если он просто программа.

Совет

Сторонники слабой теории ИИ уверены, что дела обстоят сложнее. Программа может и обмануть человека, пройдя тест на искусственный интеллект. Но и обладать полноценным сознанием в этом случае она не будет. Известным критическим мысленным экспериментом на эту тему является «

2. В основе сознания лежат не только некоторые алгоритмы, но и субстрат, на котором они реализованы (в случае человека — его нервные клетки). Вы не можете реализовать ИИ на компьютере лишь посредством создания алгоритмов. Только человеческий мозг или аналогичная структура имеет эксклюзивное право на сознание.

Сторонники этой точки зрения (среди которых и сам Пенроуз) часто вспоминают о спонтанности и непредсказуемости человеческого сознания, а для физического объяснения этого факта любят привлекать квантовую теорию. Согласитесь, трудно представить что-то более человеческое, чем непредсказуемость поведения, даже если вы каждый день в одно и то же время заходите в один и тот же вагон метро.

3. ИИ, равный человеческому, создать невозможно. Сознание вообще нельзя свести к какому-либо конкретному физическому, математическому или любому другому научному описанию.

Казалось бы, такая точка зрения обречена на провал в научном сообществе — какой ученый будет расписываться в собственном бессилии? Да и веет некоторой мистикой… На самом деле у нее гораздо больше сторонников, чем может показаться. К примеру, именно такой точки зрения придерживался Курт Гедель — один из величайших ученых ХХ века, сформулировавший знаменитую теорему имени себя о неполноте.

Теорема Геделя кардинальным образом повлияла на все последующие дискуссии о возможности создания ИИ. Не вдаваясь в дебри математической логики (интересующихся отправим смотреть

Сторонники такого подхода уверены: какие бы совершенные алгоритмы мы ни создавали, ИИ никогда не сравнится с человеческим сознанием. Прощайте, мечты о «Матрице» и «Терминаторе»!

Какой подход верен, неизвестно. Если № 1 (в слабом или сильном варианте — неважно), то мы на верном пути к

Подход № 2 не запрещает создания ИИ, равного человеческому, но это наверняка произойдет очень-очень нескоро, ввиду полного отсутствия понимания точной природы человеческого сознания.

Третий подход самый пессимистичный (или оптимистичный, смотря как посмотреть): никакой ИИ никогда не сравняется с человеческим, а значит, существуют такие профессии, которые никогда не достанутся компьютерам.

Обратите внимание

Если это так, то ученые, писатели и даже ведущие разработчики в области ИТ могут быть спокойны. Если теорема Геделя действительно применима в соответствующей интерпретации, то на подлинное творчество компьютер не способен в принципе.

По крайней мере, тот компьютер, с которого вы читаете эту статью.

Олег смутился. После небольших раздумий он просто решил ответить первое, что придет в голову:

— Принцесса пришла к барсуку на собеседование. На вакансию королевы отдела лесного маркетинга…

— Ваш ответ меня удовлетворил! — ответил C3HR. — А теперь приступим к собеседованию. Мы уже ознакомились с вашим резюме. Расскажите, пожалуйста, кем вы видите себя в нашей компании через 5 лет?

Материал подготовлен совместно со школой программирования GeekBrains, которая выпускает специалистов в самых разных ИТ-профессиях.

Источник: https://spb.hh.ru/article/305221

Ссылка на основную публикацию
Adblock
detector