Tikriausiai ne kartą girdėjote teiginį, jog netolimoje ateityje sugebėsime gaminti mašinas, kurios mokysis, logiškai samprotaus ir netgi sugebės įsijausti į vienos ar kitos problemos sprendimo procesą. Jei kada nors domėjotės dirbtiniu intelektu, tikriausiai pastebėjote, kad šis pažadas kol kas dar neišsipildė. Tačiau tai nereiškia, jog dirbtinį intelektą sukurti neįmanoma.
Tikriausiai ne kartą girdėjote teiginį, jog netolimoje ateityje sugebėsime gaminti mašinas, kurios mokysis, logiškai samprotaus ir netgi sugebės įsijausti į vienos ar kitos problemos sprendimo procesą. Jei kada nors domėjotės dirbtiniu intelektu, tikriausiai pastebėjote, kad šis pažadas kol kas dar neišsipildė. Tačiau tai nereiškia, jog dirbtinį intelektą sukurti neįmanoma.
Dar septintajame dešimtmetyje tuo metu palyginus neseniai išrastas tranzistorius paskatino atsirasti nesuskaičiuojamą daugybę prognozių, jog mašinos savo kūrėjus – žmones – intelekto galimybėmis pralenks jau po 20 metų. Dabar, praėjus 50 metų, geriausi rezultatai, kurių mums pavyko pasiekti – automatizuotos klientų aptarnavimo sistemos, kurios savo nežemiška ramybe ir šaltu tonu neretai išveda skambinančiuosius iš kantrybės.
Taigi, kodėl turėtumėte tikėti mumis, jei pasakysime, jog žmonija jau turi technologiją, leisiančią sukurti tikrą dirbtinį intelektą? Kaip tik tai ir žada projektas „MoNETA“, kurio siekis – sukurti integriniame luste patalpintus elektroninius „smegenis“. „MoNETA“ (Modular Neural Exploring Traveling Agent) esmę sudaro programinė įranga, kurią šiuo metu kuria Bostono universiteto Kognityvinių ir neuroninių sistemų padalinys. Ši programa veiks mikroprocesoriuje, kurį, savo ruožtu, kuria Kalifornijoje įsikūręs kompanijos HP padalinys „HP Labs“. Visa sistema funkcionuos remdamasi tais pačiais principais, kurie labiausiai skiria mus, žinduolius, nuo greitų, tačiau nesupratingų mašinų.
„MoNETA“ (senovės romėnų mitologijoje – atminties deivė) turėtų sugebėti tai, ko iki šiol negali joks kompiuteris. Ji (sistema) suvoks savo aplinką, nuspręs, kuri informacija yra naudinga, integruos šią informaciją į savo pačios sudarytą realybės suvokimo sistemą, ir, kai kuriais atvejais, formuluos planus, kurie turėtų užtikrinti jos išlikimą. Kitaip tariant, „MoNETĄ“ motyvuos tie patys veiksniai, kurie motyvuoja tarakonus, kates ir žmones.
Mokslininkai ištisus dešimtmečius įtarė, jog, naudodami įprastinę aparatinę elektroninę įrangą, tikro dirbtinio intelekto sukurti negalės. Tradicinė elektronika paklūsta dvejetainei logikai ir pasižymi palyginti didele atskirtimi tarp atminties ir informaciją apdorojančio branduolio. Tačiau šios nuojautos nedavė jokios praktinės naudos, iki kol prieš porą metų HP sukūrė naują elektroninių įtaisų – memristorių – klasę. Iki memristorių eros buvo neįmanoma sukurti įrenginio, kuris pasižymėtų smegenims būdingais matmenimis, nedideliu energijos poreikiu ir beveik akimirksniu vykdomomis vidinėmis komunikacijomis. Pasirodo, jog šie trys kriterijai yra esminiai, kai norima sukurti kažką bent kiek panašaus į smegenis ir ką būtų galima apmokyti ir suderinti smegenims analogiškam funkcionavimui.
Trumpai tariant, memristoriai yra pakankamai maži, pigūs ir efektyvūs. Svarbiausia yra tai, kad jie pasižymi neuronų jungtims – sinapsėms – būdingomis savybėmis. Kaip tik todėl ir tikimasi, kad šie komponentai leis sukurti savo vardą pateisinantį dirbtinį protą.
Naujos kartos dirbtinio intelekto kūrimą šiuo metu aktyviai finansuoja JAV karinių mokslinių tyrimų organizacija DARPA. Kai smegenis imituojančio mikroprocesoriaus kūrimas bus baigtas, „MoNETA“ debiutuos, ko gero, JAV karinėse pajėgose. Šis įtaisas galėtų sėkmingai pakeisti patruliniuose automobiliuose sėdinčius žmones, kuriems tenka ieškoti minų, žvalgyti pavojingas teritorijas arba atlikti kitas grėsmę gyvybei keliančias užduotis. Tačiau neabejotina, jog išradimas šioje siauroje nišoje ilgam neužsibus. Remiantis kai kuriomis prognozėmis, galingos smegenis primenančios sistemos jau po penkerių metų veiks pigiuose ir visuotinai prieinamuose kompiuteriuose.
Kiek jos bus panašios į smegenis? Sunku pasakyti. Tačiau galima tikėtis, jog pokyčiai, kuriuos „MoNETA“ sukels elektronikos pramonėje, per artimiausius porą dešimtmečių bus stulbinantys.
Dirbtinio intelekto tyrimai pastarąją šimtmečio pusę nestovėjo vietoje – net jei mums ir nepavyko sukurti kažko, primenančio humanoidinius asistentus. Kompiuteriai gali diagnozuoti pacientų sveikatos sutrikimus per internetą. Aukščiausios klasės automobiliai neleidžia vairuotojams nukrypti nuo jiems skirtos eismo juostos. „Gmail“ elektroninio pašto filtras ir prioritetinio laiškų rūšiavimo sistema puikiai tvarkosi su visais gaunamos informacijos srautais.
Tačiau net patį naudingiausią dirbtinį intelektą (DI) tenka programuoti – tiksliai taip, kad jis galėtų atlikti vieną specifinę užduotį. Tuo tarpu mes norėtume universalaus dirbtinio proto, kurį galėtume „užsiundyti“ ant bet kokio uždavinio; tokio, kuris galėtų prisitaikyti prie naujos aplinkos, tuo pat metu nereikalaudamas naujo apmokymo; tokio, kuris galėtų ištraukti vienut vienintelį reikšmingos informacijos gabalėlį iš bekraštės duomenų jūros, tokiu pačiu būdu, kokį naudoti milijonus metų trukusios evoliucijos metu išmoko žmogus.
Trumpam įsivaizduokite automatinį karinį patrulinį automobilį su integruota „MoNETA“ sistema. Ši mašina konkrečios misijos galės imtis net tada, kai bus aiškūs tik daliniai uždaviniai, galintys pasikeisti bet kuriuo momentu. Ji galės tirti nežinomo kraštovaizdžio vietoves, atpažinti priešiško pobūdžio veiklą, sudaryti naujus planus ir skubiai atsitraukti iš priešo teritorijos. Jei kelias bus užblokuotas, ji sugebės akimirksniu priimti naują sprendimą – esant poreikiui, kelią namo ras net važiuodama bekele. Intuicija, požymių atpažinimas, improvizacija ir gebėjimas susitvarkyti su dviprasmiškomis situacijomis – visus šiuos dalykus puikiai įveikia žinduolių smegenys, tuo tarpu šiandieniniams mikroprocesoriams ir programoms tai sunkiai įkandama.
Prisiminkime „Deep Blue“, kompanijos IBM sukurta 1,4 tonos sveriantį superkompiuterį, kuris 1997 metais susirungė su tuometiniu pasaulio šachmatų čempionu G. Kasparovu. Visais ankstesniais atvejais („Deep Blue“ pirmtakų buvo penki) Kasparovas įveikė kompiuterius. Po įtemptos žaidimų serijos, susidėjusios iš trijų lygiųjų ir vieno laimėjimo kiekvienoje pusėje, šeštojo turo metu „Deep Blue“ galiausiai palaužė Kasparovą. Nežiūrint į tai, „Deep Blue“ savyje neturėjo jokio dirbtinio intelekto. Pasaulio čempionui įveikti buvo panaudota specialiai pritaikyta aparatinė įranga ir „grubios jėgos“ strategija, t. y. kas sekundę buvo apskaičiuojama 200 milijonų galimų šachmatų figūrų ėjimų. Palyginimui, per tą patį laiką Kasparovas galėjo paskubomis apmąstyti apytiksliai vos du ėjimus.
G. Kasparovas prieš „Deep Blue“
Per kitą dešimtmetį kompiuterių skaičiavimo pajėgumai iškilo kaip ant mielių. Jau 2007 metais to 1,4 tonas svėrusio kompiuterio skaičiavimų galia galėjo būti sutalpinta vos nago dydžio „Cell“ mikroprocesoriuje. Per tuos 10 metų tranzistorių skaičius procesoriuose padidėjo nuo 7,5 milijono („Intel Pentium II“) iki 234 milijonų („Cell“). Tačiau šis galios proveržis nei trupučio nepriartino dirbtinio intelekto sukūrimo, ką šiuo metu puikiai demonstruoja DARPA rengiamas konkursas „Grand Challenge“.
„Grand Challenge“ konkurso esmė – sukurti autonominius automobilius, kurie galėtų vairuoti patys save be jokio žmogaus įsikišimo. Dirbtiniam intelektui buvo priskirta esminė pergalė, kai „Stanley“, Stenfordo universiteto „Volkswagen Touareg“ Kalifornijos Mojave dykumoje įveikė 212 km atstumą. Už šį pasiekimą automobilį modifikavusiai komandai buvo skirtas 2 milijonų dolerių prizas. Didžiulis DI šuolis?
Ne visai. Nuo 2007 metų DARPA konkurse kartelė buvo kilstelėta. Iš dirbtinio intelekto valdomų automobilių buvo reikalaujama, kad jie įveiktų ne tik atviras dykumų erdves, bet ir intensyvaus eismo gatves – tokias, kokios pasitaiko normaliuose miestuose. Šį kartą DARPA tyrinėtojų komandas aštuonioms dienoms įkurdino George Karinių oro pajėgų bazėje. Čia automobiliai turėjo trasas įveikti vadovaudamiesi pagrindinėmis Kalifornijoje galiojančiomis eismo taisyklėmis, prasilenkdamos viena su kita, praleisdamos pėsčiuosius, sustodamos stovėjimo vietose ir įveikdamos sankryžas. Visas šias užduotis dauguma amerikiečių paauglių įveikia jau 16 metų.
Rezultatai buvo nuviliantys. Moderniausiais jutikliais ir pozicionavimo sistemomis apginkluoti automobiliai (vienu atveju net su 14 modulinio tipo („blade“) serverių) triuškinamai „krisdavo“ nuo elementariausių kliūčių, tokių, kaip ant kelio gulintis duonos kepalo dydžio akmuo. Per keletą valandų beveik pusė komandų buvo pašalinta iš lenktynių už tokius pažeidimus, kaip atsitrenkimai į kliūtis stovėjimo aikštelėse arba susidūrimai viena su kita, bandant tarpusavyje pasidalinti tą pačią eismo juostą. Tiesa, per vėlesnius metus pažanga šioje srityje visgi pasiekta, tačiau radikalaus „perversmo“ nėra.
Vienas iš „Grand Challenge“ konkurso dalyvių
Dabar įsivaizduokite pačią paprasčiausią žiurkę. Jos biologinis intelektas naudoja universaliosios paskirties „sulietinę įrangą“ (angl. „wetware“) – tai biocheminio pobūdžio aparatinės ir programinės įrangos tyrelė, kurios kitas pavadinimas – smegenys. Turėdama tokio lygio išteklius, žiurkė panašias į „Grand Challenge“ automobiliams keliamas užduotis įveikia su daug geresniais rezultatais. Pirma, alkana žiurkė į maisto paieškas žvelgia labai kūrybiškai. Ji gali sekti žinomais ir įsimintais maršrutais, kurie, kaip ji žino, yra saugūs. Tačiau tuo pat metu jai tenka integruoti skirtingų juslių generuojamus signalus, atsirandančius susiduriant su skirtingais aplinkos objektais ar iššūkiais. Gyvūnas gali atpažinti tokius objektus, kaip spąstai pelėms ir dažnai jų išvengia, net jei tokiu kampu pastatytų spąstų niekada anksčiau neregėjo.
Pasisotinusi žiurkė sparčiai atsisako „einamojo“ plano ir imasi kito veiksmo, esančio žemiau jos prioritetų skalėje. Visi šie vienalaikiai iššūkiai, atsižvelgiant į įvairius jų sudėtingumus, mašinai yra labai nepraktiški – visai reikalingai įrangai sutalpinti prireiks bent nedidelio sunkvežimio. Tuo tarpu gigantiškam kompiuteriui nei kiek nenusileidžia smegenys, skirtingose savo srityse talpinančios milijonų neuronų ir milijardų sinapsių tinklą. Ir sveria jos ne daugiau nei 2 gramus, o energijos suvartoja ne daugiau nei viena maža lemputė ant Kalėdų eglutės.
Kodėl gi žiurkės smegenys yra tiek pranašesnės? Vienas žodis – architektūra. Suaugusios žiurkės smegenys susideda iš 21 milijono nervinių ląstelių – neuronų (žmogaus smegenyse jų yra apie 100 milijardų). Neuronai vienas su kitu bendrauja naudodamiesi savo ataugomis – dendritais ir aksonais. Šias ataugas galima įsivaizduoti kaip pavienio neurono įėjimus (dendritai) ir išėjimus (aksonai). Jais elektriniai impulsai perduodami iš vieno neurono į kitą. Dauguma nervinės sistemos duomenų apdorojimo operacijų atliekama kaip tik tarpneuroninėse jungtyse. Tokia jungtis tarp vieno neurono dendrito ir kaimyninio nerono aksono yra vadinama sinapse.
Neurono sandara: 1. Dendritas 2. Aksonas 3. Ranvje sąsmauka 4. Aksono „šluotelė“ 5. Mielininis dangalas (Švano ląstelės) 6. Ląstelė 7. Ląstelės branduolys
(Wikipedija)
Iki šiol vadinamosios neuroninės informatikos specialistai dažniausiai siekdavo sukurti programas, galinčias imituoti arba atkartoti žinduolio smegenų funkcijas, veikdamos tradiciniuose klasikinės von Neumann architektūros kompiuteriuose. Pagal šią architektūrą, vietos, kuriose duomenys apdorojami, ir vietos, kuriose jie yra saugomi, yra atskiriamos viena nuo kitos. Šis principas dominuoja nuo pat septintojo dešimtmečio. Mokslininkai logiškai samprotavo, jog, turint pakankamai galingus procesorius, lieka tik sukurti programas, kurios atkartoja smegenų „programinę įrangą“.
Tačiau toks teiginys yra maždaug tas pats, kaip ir posakis, jog turint pakankamai daug žodžių, galima parašyti romaną. Viską lemia architektūra. Norint suprasti, kodėl, palyginkite hipotetinio bito kelionę standartiniame mikroprocesoriuje su jo keliu smegenyse.
Kaip minėjome anksčiau, standartiniame kompiuteryje atmintį ir procesorių skiria duomenų kanalas, vadinamoji magistralė. Ribotas šio kanalo pralaidumas reiškia, jog tam tikrą akimirką „patikrinti“ galima tik ribotus informacijos kiekius. Procesorius savyje rezervuoja nedideli skaičių „langelių“ – registrų, kuriuose duomenys yra saugomi skaičiavimų metu. Atlikus reikiamus veiksmus, procesorius rezultatą įrašo atgal į atmintį – vėl, pasinaudojant duomenų magistrale. Paprastai tokia rutina nekelia didesnių problemų: norint minimizuoti riboto pralaidumo magistralėje generuojamą duomenų srautą, dauguma šiuolaikinių procesorių registrus naudoja kartu su spartinančiąja atmintimi (angl. cache memory). Spartinančioji atmintis taip pat skirta informacijai saugoti, tiesiog ji fiziškai išdėstyta gerokai arčiau skaičiavimų vietos. Jei dažnai pasikartojantis veiksmas reikalauja kelių duomenų fragmentų, procesorius juos saugo spartinančiojoje atmintyje, tad aritmetinis loginis mechanizmas juos gali pasiekti daug sparčiau ir efektyviau, nei naudojant pagrindinę atmintį.
Tačiau toks duomenų buferizavimo metodas netiks, jei bandysite sumodeliuoti smegenis. Net palyginti paprastos smegenys savyje talpina dešimtis milijonų neuronų, tarpusavyje sudarančių milijardus sinapsių. Todėl bet koks bandymas sumodeliuoti tokio masto tinklą pareikalautų tiek spartinančiosios atminties, kiek jos tilptų, tarkime, šiuolaikiniame kietajame diske.
Kodėl? Didžioji dalis tokiai smegenis imituojančiai sistemai (informatikai jas vadina neuromorfinėmis architektūromis) reikalingos energijos ir skaičiavimų pajėgumų būtų skiriama sinapsėse vykstančiam signalų apdorojimui mėgdžioti. Išties, vos vienai sinapsei sumodeliuoti reikia žinoti, kokia yra ir kaip kinta sinapsės būsena, nuo kurios priklauso, kokio stiprumo sąveika bus tarp dviejų neuronų. Ši būsena išsaugoma pagrindinėje kompiuterio atmintyje. Jai pakeisti, procesorius turi pagrindinėje savo magistralėje sugeneruoti reikiamą signalą. Signalas turi keliauti 2–10 centimetrų, kad pasiektų fizinę atmintį. Dar šiek tiek papildomo laiko reikia, kad signalas pasiektų reikiamą atminties ląstelę.
Dabar padauginkite šią seką iš 8000 sinapsių – tiek jų gali turėti vienas žiurkės neuronas. Tada padauginkite rezultatą iš neuronų, sudarančių jūsų modeliuojamas smegenis, skaičiaus – maždaug milijardo. Sveikiname! Jūs ką tik sumodeliavote vieną smegenų veiklos milisekundę.
Mažytis biologinių smegenų neuronų tinklo fragmentas
Biologinės smegenys sugeba greitai susidoroti su milžiniška vienu metu atsirandančios informacijos „mišraine“. Be to, visa tai veikia labai nedideliame erdvės tūryje, kadangi smegenyse evoliucijos metu atsirado daugybė būdų informacijos judėjimo maršrutui sutrumpinti. Štai kas vyksta šiame organe:
- Neuronas 1 sugeneruoja impulsą, ir šis informacinis signalas per aksoną nusiunčiamas į Neurono 2 sinapsę.
- Sinapsė, prieš tai išsisaugojusi savo ankstesnę būseną, įvertina iš Neurono 1 atėjusios informacijos svarbą. Tada informacija integruojama su ankstesne jos pačios būsena ir jungties su Neuronu 1 stiprumu.
- Tada šie du informacijos fragmentai – Neurono 1 informacija ir Neurono 2 sinapsės informacija – per dendritus juda link Neurono 2 kūno. Čia slypi svarbiausia dalis: Neurono 2 kūną pasiekia ne pradinė informacija, o rezultatas – visas duomenų apdorojimas jau įvyko informacijos perdavimo metu.
Smegenims niekada nereikia paimti informacijos iš vieno neurono, gaišti laiko ją apdorojant ir perduoti rezultatą kitam neuronų rinkiniui. Vietoj to žinduolių smegenyse informacijos saugojimas ir apdorojimas vyksta tuo pat metu ir toje pačioje vietoje.
Šis skirtumas ir yra esminė priežastis, kodėl žmogaus smegenų veiklai užtikrinti pakanka tiek pat energijos, kiek ir 20 vatų lemputei. Tačiau dirbtinai atkurti smegenų atliekamas funkcijas, netgi naudojant pačius pažangiausius kompiuterius, prireiktų atskiros elektrinės. Jei kalbėtume tiksliau, informacijos apdorojimo principas nėra vienintelis skirtumas. Smegenys taip pat susideda iš neįtikėtinai efektyvių komponentų, kuriems mūsų gaminiai kol kas negali prilygti. Šiuo aspektu svarbiausia bene tai, kad smegenys gali veikti esant maždaug 100 milivoltų įtampai. CMOS (komplementarinė metalo-oksido-puslaidininkio) skaitmeniniai grandynai, deja, reikalauja daug didesnės įtampos (maždaug 1 volto), kad būtų užtikrintas tinkamas jų darbas. Didesnė darbinė įtampa taip pat reiškia, kad signalams perduoti laidais išeikvojama daugiau energijos.
Žinoma, atgaminti aukščiau aprašytą struktūrą naudojant šiandieninę silicio technologiją nėra neįmanoma. Tikras dirbtinis protas hipotetiškai galėtų veikti su bet kokia aparatine įranga, tačiau tai būtų fantastiškai neefektyvu. Neefektyvi įranga nesumažina mūsų noro kurti neuromorfinius algoritmus ir juos testuoti (pavyzdžiui, kuriant mašininės regos sistemas). Tačiau norint pagal tuos pačius principus sukurti kažką „rimtesnio“, mums prireiktų ištiso didelio našumo grafinių procesorių (GPU) masyvo, kuriais būtų „įveikiami“ lygiagretūs skaičiavimai. Neabejotina, jog tai pareikalautų nedidelio miestelio poreikius galinčio tenkinti energijos kiekio.
Šiuolaikiniams superkompiuteriams puikiai įveikiami apibrėžti skaičiavimai, tačiau dirbtinio intelekto prasme jiems dar tolokai iki pačių paprasčiausių biologinių smegenų
Taigi kaip sukurti kažką, kas pasižymėtų smegenims būdinga architektūra? DARPA idėja – pakeisti kompiuterių architektūrą taip, kad atmintis būtų sujungta su skaičiavimus atliekančiais įtaisais. Memristoriai šiuo metu yra geriausiai tam tinkanti technologija. Esminė priežastis yra ta, kad kaip tik šie atminties komponentai pagal energijos sąnaudų efektyvumą pirmieji istorijoje prilygsta biologiniams „kompiuteriams“. Todėl galime būti tikri, kad bent jau memristorių pagrindu pagamintas dirbtinis protas savo matmenimis apytiksliai prilygs žinduolio smegenims.
Supratę, jog siekis „išspausti“ dirbtinį intelektą iš „prigimtinai bukos“ įrangos“ nėra pati geriausia tyrimų strategija, DARPA inžinieriai 2008 metais inicijavo projektą „SyNAPSE“ (Systems of Neuromorphic Adaptive Plastic Scalable Electronics). Suspėta kaip tik laiku – tais pačiais metais „HP Labs“ sukūrė funkcionuojantį memristorių – įtaisą, kuris jau dabar kai kurių specialistų garbinamas kaip ketvirtasis fundamentalusis elektroninis komponentas, po rezistoriaus, kondensatoriaus ir induktyvinio elemento.
Koncepcija nebuvo nauja. 1971 metais Berkeley universiteto (Kalifornija, JAV) profesorius Leon Chua samprotavo, jog toks įtaisas turėtų funkcionuoti kaip rezistorius, tačiau laidumas priklausytų nuo jo vidinės būsenos ir komponentą veikiančios elektrinės įtampos. Kitaip tariant, memristorius galėtų „prisiminti“, kiek pro jį pratekėjo elektros srovės, todėl puikiai tiktų maitinimo nereikalaujantiems atminties įrenginiams gaminti. Pakanka tik įsivaizduoti, kokį sujudimą rinkoje sukėlė Korėjos dinaminės RAM atminties gigantas „Hynix Semiconductor“, pareiškęs, jog memristoriai yra viena iš alternatyvių technologijų naujos kartos atminties mikroschemoms kurti. Tačiau didžiausias memristorių potencialas slypi kitur. Kadangi atminčiai apie savo būseną išlaikyti jiems nereikalinga energija, atsižvelgiant į šių komponentų funkcionalumą, jie puikiai tinka smegenų sinapsėms imituoti.
Galutinis „HP Labs“ mokslinių tyrimų produktas greičiausiai bus daugelio branduolių mikroprocesorius, sudarytas memristorių pagrindu. Daugumą šiandieninių procesorių turi kelis branduolius (angl. core), t. y. kelis aritmetinius loginius įtaisus. Tačiau HP mikroprocesoriuje jų bus ne keturi, aštuoni ar panašiai, o mažiausiai keli šimtai. Kiekvienas jų bus tiesiogiai sujungtas su vien tik tam branduoliui skirta „megaspartinančiąja“ atmintimi, sudaryta iš milijonų memristorių. Tai reiškia, jog kiekvienas branduolys turės tik jam skirtą „privatų“ atminties banką. Memristoriai yra mažyčiai – netgi pagal šiandieninius puslaidininkinių tranzistorių standartus: HP mokslininkas Stenas Viljamsas (Stan Williams) teigia, jog patobulinus gamybos procesus, jau po poros dešimtmečių bus galima gaminti atminties mikroschemas, pasižyminčias vieno petabito kvadratiniam centimetrui duomenų tankiu. Palyginimui dabartiniai kietųjų diskų technologijų rekordai (kol kas neprieinami masinio vartojimo rinkai) siekia maždaug terabitą vienam kvadratiniam centimetrui.
Nors memristoriai yra mažyčiai, pigūs ir gali būti išdėstomi labai tankiai, kol kas jų gendamumas yra palyginti didelis. Šia savybe jie taip pat primena smegenų sinapses. Tai reiškia, jog nauja struktūra iš principo turi toleruoti pavienių grandynų defektus, panašiai kaip tai vyksta smegenyse. Gali būti, jog pirmą kartą bus nubrėžta riba tarp tradicinės ir biologinės architektūros. Galbūt jums kyla mintis, jog pasikeitus informacijos apdorojimo principams, kompiuteriams prireiks ir naujų programų. Nustebsite, tačiau tikrovė yra kiek kitokia.
Norėdami sukurti smegenis, turėsite atsisakyti atskiros aparatinės ir programinės įrangos koncepcijos, nes tikros smegenys taip neveikia. Smegenyse egzistuoja tik „wetware“, t. y. tik „sulietinė įranga“ (vienas iš galimų lietuviško termino variantų). Jei išties norėtumėte atkartoti žinduolio smegenis, programos ir pats kompiuteris turėtų būti neatskiriami. Kol kas žmonija neturi supratimo, kaip tą padaryti, tačiau memristorius neabejotinai padės užpildyti šią spragą.
Biologiniai algoritmai sukurs atskirą esybę: „MoNETA“. Įsivaizduokite „MoNETA“ kaip programą, kuri logiškai mąsto, daro išvadas ir mokosi. HP šioje srityje bendradarbiauja su Bostono universitetu. Tačiau iš tiesų šios mokslinių tyrimų įstaigos specialistai – kompiuterinių sistemų modeliuotojai, neurologai, psichologai ir inžinieriai – dirba ne vieni. Jiems talkina tyrinėtojai iš tokių žymių institucijų kaip Harvardo, Brandeis universitetai bei MIT. Įdomu tai, kad smegenų modeliams testuoti ir jos sąveikai su neuromorfine aparatine įranga tirti HP sukūrė specializuotą operacinę sistemą „Cog Ex Machina“. Ji leidžia sistemos projektuotojams bent apytiksliai numatyti, kaip jų kuriami algoritmai veiks naujoje aparatūroje. Iš ko susideda toks dar neegzistuojančios sistemos prototipas?
Pats „neuromorfinis“ principas šiuo atveju reiškia, jog skaičiavimus galima padalinti skirtingoms aparatūros dalims: toms, kurios veikia kaip neurono kūnas, arba kaip dendritai ir aksonai. Kaip tik tuo principu vadovaujasi HP inžinieriai. Pavyzdžiui, „neurono kūno“ tipo procesoriaus branduolys užtikrina architektūros lankstumą. Jis gali apdoroti bet kokius jam atiduodamus duomenis, tad tokią funkciją puikiai (nors ir neefektyviai) imituoja tradiciniai asmeninių kompiuterių mikroprocesoriai (CPU). Minusas yra tai, kad šio tipo branduoliui reikia daugiau energijos nei antrojo tipo branduoliams. Todėl šio tipo elementų bendroje sistemoje turėtų būti tik nedidelė procentinė dalis.
„Dendritinis-aksoninis“ branduolys savo veikimu daugiau primena nebrangų, tačiau didelio našumo grafinį procesorių (GPU). Kaip ir dendritai, GPU pasižymi specifine architektūra, kuri yra optimizuota tik tam tikro tipo veiksmams atlikti – šiuo atveju vykdomos sudėtingos tiesinės algebros operacijos, aproksimuojančios dendrituose vykstančius procesus. GPU yra pritaikyti lygiagretiems skaičiavimams vykdyti; šiuo aspektu jie taip pat panašūs į dendritus. Tačiau neigiamas aspektas yra tai, kad GPU branduoliai gali atlikti tik labai ribotą veiksmų gamą.
Galutinėje DARPA aparatūros versijoje dendritiniai branduoliai pasižymės dag mažesniu lankstumu nei neuroniniai, tačiau juose bus saugomi neįtikėtinai dideli informacijos kiekiai, ir, kaip ir neuronų ataugos, jie sudarys didžiąją dalį visos sistemos skaičiuojamųjų centrų. Tuo tarpu memristoriai vykdys ne tik atminties funkciją, bet ir veiks kaip sinapsės, tarpininkaujančios perduodant informaciją tarp skirtingų neuronų. Programuotojui tokia dviejų tipų branduolius turinti sistema su komplikuotu atminties išdėstymu neabejotinai kels didžiulių sunkumų.
Esminis bruožas, skiriantis „MoNETA“ nuo kitų dirbtinių intelektų yra tai, kad jam nereikės kurti specializuotų programų. „MoNETA“ turėtų gebėti adaptuotis ir veikti efektyviai, analogiškai smegenims. Sistema bus paprasčiausiai „supažindinama“ su įvairiomis situacijomis ir mokysis dinamiškai. Išties universalus dirbtinis protas turi gebėti suvokti daugybę vienu metu vykstančių įvykių. Tačiau esama kai kurių praktinių apribojimų. Vienas jų – tai, kad žmonija nėra sukūrusi unifikuotos „sąmonės teorijos“. Tačiau darbai šioje srityje vyksta.
Kaip sužinosime, jog mums pavyko? Kaip žinosime, jog visos šios pastangos, nauja aparatūra ir ją valdantys algoritmai davė tai, ko siekiame – dirbtinį intelektą? Specialistų atsakymas vienareikšmis: tikslas bus pasiektas, kai sugebėsime motyvuoti „MoNETA“ bėgti, plaukti ir ieškoti maisto, ir sistema tai atliks dinamiškai, nenaudodana jokios atskirai sukurtos šias funkcijas valdančios programos.
Sistema turėtų sugebėti mokytis viso savo gyvavimo ciklo metu; jai neturėtų reikėti perprogramavimo, norint atlikti kokią nors naują užduotį. Reikalingą informaciją DI turėtų „pasiimti“ savarankiškai, iš savo aplinkos. Mes patys išmokstame atpažinti naujus žmones ir vietoves, tad „MoNETA“ turės mokėti tą patį.
Jau įpusėjus kitiems metams mokslininkai pradės testuoti pirmuosius dirbtinio intelekto kandidatus. Jų bus tūkstančiai – visi pasižymės nedideliais architektūros skirtumais. Atlikus bandymus, bus išrenkami geriausi modeliai; vėliau jie bus tobulinami, kol galiausiai atitiks bazinius dirbtiniam protui keliamus kriterijus. Šie kompiuteriai sąveikaus su aplinka ir evoliucionuos, tarsi gyvas organizmas. Mokslininkai tikisi galiausiai surasti tą smegenų sričių ir jų jungčių derinį, kuris užtikrintų visiškai autonominę intelektu pasižyminčią veiklą. Vėliau tie patys architektūros elementai bus perkelti į memristorių pagrindu sudarytą procesorių. Kas toliau? Kai atsiras pirmosios „neuroninės“ mikroschemos, jas bus galima montuoti realų pasaulį pasieksiančiose robotų platformose. Robotai dirbs slaugais, keliaus į Marsą ir pilotuos lėktuvus – ir tai tik pradžia.
Ar ši elektronika gebės „patirti“ emocijas? Į šį klausimą atsakyti kol kas sunku. Tiesa, kol kas subjektyvių išgyvenimų savimonės imitavimas nėra esminis tyrinėtojų tikslas. Tačiau neabejotina, jog kažkada neuromorfinių dirbtinių protų bus daug ir jie bus skirtingi. Ir ne tik prilygstančių vaisinių muselių, sliekų arba žiurkių protui, bet ir žmogaus.
