Рождественские лекции Королевского института (The Royal Institution) 2023 года под руководством профессора компьютерных наук Майка Вулдриджа посвящены глубокому и всестороннему разбору природы искусственного интеллекта. В первой части этого научно-популярного цикла ведущий вместе с приглашенными учеными наглядно демонстрирует внутреннее устройство нейросетей, объясняет природу компьютерного мышления и показывает удивительные практические примеры применения технологий — от умного протезирования до попыток расшифровать язык дикой природы. Данный материал представляет собой подробный аналитический обзор ключевых демонстраций, научных концепций и дискуссий, прозвучавших в ходе лекции.
🤖 Искусственный интеллект против человеческого мозга: битва архитектур 1:12
Современная эпоха знаменует собой тектонический сдвиг, когда интеллектуальные машины начинают выполнять задачи, казавшиеся абсолютно невозможными еще несколько лет назад. При этом скорость эволюции современных систем искусственного интеллекта удивляет даже ученых, которые занимались их созданием. В основе этого технологического скачка лежит концепция искусственных нейронных сетей, которая изначально была вдохновлена структурой человеческого мозга.
Человеческий мозг по праву можно назвать величайшим эволюционным триумфом. По оценкам ученых, типичный мозг взрослого человека содержит около 86 миллиардов нервных клеток — нейронов. Нейроны представляют собой базовые строительные блоки человеческого интеллекта, формирующие невообразимо сложные и плотные сети межклеточных связей. Именно из их взаимодействия удивительным образом рождается все то, что принято называть человеческим опытом, сознанием и культурой — от пьес Уильяма Шекспира до песен Тейлор Свифт.
В рамках лекции профессор Майк Вулдридж ставит фундаментальный вопрос: можно ли воссоздать подобие этой сложнейшей биологической системы с помощью кремниевых технологий? В качестве аппаратной альтернативы ведущий демонстрирует современный процессор обработки интеллекта — IPU (Intelligence Processing Unit). Данный чип разработан специально для параллельной обработки колоссальных объемов данных, что делает его идеальным инструментом для ИИ. Хотя IPU принципиально отличается от живого мозга и не содержит биологических клеток, он построен из огромного количества транзисторов. Современный передовой процессор такого типа насчитывает около 60 миллиардов транзисторов. Если сопоставить это число с 86 миллиардами нейронов в мозге, масштаб вычислительной мощности аппаратных платформ уже не кажется бесконечно далеким от биологического аналога. Своеобразным символом этого сближения в самом начале лекции выступает робот-художник Айда (Ada), которая в режиме реального времени пишет портрет ведущего.
🦾 Бионическая рука Сары Диллигард: синергия тела и ИИ 4:10
Первым практическим подтверждением того, как технологии искусственного интеллекта способны менять человеческие жизни уже сегодня, стала личная история первой гостьи программы — Сары Диллигард. Около года назад Сара попала в тяжелую железнодорожнуюварию, в результате которой лишилась правой ноги ниже колена и правой руки выше локтя. Сейчас она использует уникальный высокотехнологичный бионический протез руки, функционирующий под управлением искусственного интеллекта.
В рамках демонстрации возможностей протеза Сара показала своеобразный «фокус», полностью повернув кисть роборуки вокруг своей оси, а затем с легкостью раздавив алюминиевую банку из-под газировки. Механизм работы этого устройства устроен следующим образом:
- Инициация движения: в тот момент, когда Сара мысленно планирует совершить какое-либо действие рукой, у нее сокращается определенная группа мышц в культе.
- Считывание сигналов: мышечные сокращения фиксируются с помощью 16 высокочувствительных электродов, стационарно размещенных внутри приемной гильзы протеза.
- Трансформация в импульсы: физические миосигналы преобразуются в электрические импульсы, которые мгновенно передаются по предплечью и приводят в действие бионическую кисть COVVI.
Роль искусственного интеллекта в этой системе заключается в непрерывном сборе данных. Каждый раз, когда Сара совершает движение, система фиксирует параметры сигналов, постепенно изучая индивидуальные особенности ее тела. ИИ адаптируется к пользователю и со временем начинает с высокой точностью предсказывать, какое именно движение (например, вращение или определенный хват) владелица протеза намерена выполнить в следующий момент.
По словам Сары, ей пришлось пройти через длительный период тренировок, так как мысленное управление бионической конечностью сильно отличается от управления биологической рукой. При этом адаптация имеет двусторонний характер — не только ИИ подстраивается под человека, но и человеческий мозг привыкает к машине. Сара признается, что когда она снимает протез на ночь, чтобы поставить его на зарядку подобно обычному iPhone, она начинает остро ощущать его нехватку. Наш мир спроектирован под нужды двуруких людей: элементарные бытовые действия — от застегивания молнии на куртке до вскрытия почтовых посылок — требуют участия двух рук. Протез возвращает Саре эту независимость. По прогнозам Сары, в будущем, по мере сокращения времени задержки распознавания сигнала (которое сейчас составляет около 10 секунд), она надеется вернуть себе возможность уверенно ездить на велосипеде и даже управлять автомобилем.
🕵️♂️ Живой тест Тьюринга: сможет ли машина притвориться подростком? 8:06
Вопрос о том, способна ли машина по-настоящему мыслить человекоподобным образом, оставался центральным с момента появления первых вычислительных систем. Профессор Майк Вулдридж напоминает, что наиболее изящный и известный ответ на этот вопрос предложил один из отцов-основателей компьютерных наук и криптографии Алан Тьюринг. Суть предложенного им теста Тьюринга проста: если человек в ходе текстового диалога не способен надежно отличить ответы другого человека от ответов компьютерной программы, то у нас нет никаких разумных оснований отказывать машине в наличии человекоподобного интеллекта.
Для проведения масштабного эксперимента в прямом эфире из зала был приглашен доброволец — подросток по имени Занти. Команда увела юношу за кулисы. На сцене были размещены две условные кабины: Бокс «A» и Бокс «B». В одном из них находился Занти, а во втором — передовая языковая модель (аналог ChatGPT), которую инженеры предварительно настроили отвечать на вопросы в манере обычного человеческого подростка. В качестве вопросов использовались записки, ранее присланные юными зрителями из аудитории.
Ниже приведены три ключевых раунда вопросов и ответов, выведенных на экраны для судейства:
- Вопрос от Ноа: «Какое твое самое любимое воспоминание из детства?»
- Бокс B: «Рождественские утра всегда были волшебными и веселыми».
- Бокс A: «Мое любимое воспоминание, наверное, из возраста четырех или пяти лет, когда я играл в парке со своим лучшим другом и братом. Он, кстати, ходит в Королевский институт».
- Вопрос от Оливера: «Какой подарок был лучшим на твой последний день рождения?»
- Бокс A: «Лучшим подарком, вероятно, были художественные принадлежности».
- Бокс B: «Новый телефон, я от него в полном восторге».
- Вопрос от Томахиро: «Какие у тебя мечты на будущее и как ты планируешь их достичь?»
- Бокс B: «Добиться успеха, счастья, много работать, оставаться на позитиве».
- Бокс A: «В будущем я планирую жить в деревянном домике в Норвегии и стать успешным юристом в сфере экологического права вместе со своим котом».
После завершения импровизированного интервью Майк Вулдридж провел открытое голосование среди зрителей в зале. Подавляющее большинство присутствующих подняли руки за то, что настоящий человек скрывается в Боксе «A». И это оказалось абсолютной правдой: за ширмой «A» действительно находился Занти, который признался, что в своих ответах не пытался играть какую-то роль, а просто был предельно честен. Искусственный интеллект в Боксе «B» выдал слишком обобщенные, пустые и клишированные фразы, которые не смогли обмануть аудиторию.
🧩 Парадокс Моравека: почему убрать комнату сложнее, чем решить уравнение 15:08
Несмотря на очевидный провал ИИ в тесте Тьюринга, Майк Вулдридж подчеркивает, что большинство современных исследователей не считают этот тест абсолютным мерилом развития технологий. Тест Тьюринга оценивает исключительно текстовую лингвистическую способность, тогда как возможности ИИ простираются далеко за рамки ведения бесед. При этом в сфере ИИ отчетливо наблюдается удивительный феномен, известный в науке как парадокс Моравека (хотя само имя Моравека в явном виде на лекции не упоминается, описывается именно его суть): вещи, которые кажутся человеку невероятно сложными, даются ИИ с легкостью, и наоборот — то, что для любого ребенка является тривиальным, ставит компьютер в тупик.
Для иллюстрации этого тезиса на сцену пригласили зрительницу по имени Нангин, чтобы сыграть в игру «Может ли ИИ сделать это?». Ей и залу последовательно продемонстрировали две задачи:
- Высшая математика: на экране появилось сложнейшее математическое уравнение с интегралами и дифференциалами. Ни один человек в зале не смог бы решить его в уме без специальной многолетней подготовки. Однако для современного ИИ решение подобных уравнений является простейшей вычислительной задачей, занимающей доли секунды.
- Уборка в комнате: далее на экране появилось сгенерированное нейросетью изображение типичной хаотично захламленной подростковой спальни с разбросанными вещами, книгами и спортивным инвентарем. Нангин уверенно заявила, что ни один современный робот под управлением ИИ не способен зайти в такую комнату и эффективно навести там порядок. Профессор Вулдридж подтвердил ее правоту: для ИИ физическая навигация, распознавание произвольной формы предметов (одежда, мусор, ценные вещи) и манипуляция ими в динамической захламленной среде представляют собой колоссальную, пока еще не решенную проблему.
Таким образом, для того чтобы навести порядок в комнате, человеку не нужно быть гением уровня Альберта Эйнштейна — достаточно просто иметь базовое человеческое восприятие и намерение. Но для робототехники и ИИ этот бытовой процесс оказывается на порядки сложнее математических абстракций.
🔬 Биология на службе технологий: как звучит и выглядит мыслящая клетка 19:40
Чтобы глубже понять принципы работы искусственных сетей, ученые предлагают обратиться к их биологическому первоисточнику. Помочь разобраться в тонкостях функционирования живых нервных клеток вызвались штатный нейробиолог Королевского института доктор Дэниел Глейзер и доктор Арджуна Нагендран. С помощью метода электромиографии (ЭМГ) исследователи подключили специальный поверхностный электрод к руке доктора Глейзера, чтобы в реальном времени перехватывать и транслировать на аудиодинамики электрические сигналы, идущие от его спинного мозга к мышцам руки.
Аудитория смогла наглядно убедиться в фундаментальном правиле работы нейронов: они функционируют по бинарному принципу «всё или ничего». Биологический нейрон либо возбужден и генерирует электрический импульс (спайк), либо находится в состоянии покоя. У нейрона нет понятия «силы импульса» — когда доктор Глейзер сильнее напрягал руку, из динамиков начинал доноситься не более громкий звук, а лавинообразно возрастала частота этих импульсов (количество щелчков в секунду).
Сразу после этого последовала еще более впечатляющая демонстрация с участием исследователей Фуада (из компании Bit Bio) и Джорджа (из Королевского колледжа Лондона). Они принесли в студию чашку Петри, внутри которой находилась живая культура человеческих нейронов. Уникальность этого эксперимента заключалась в том, что данные клетки не были извлечены из человеческого организма — их вырастили искусственно в лаборатории из стволовых клеток, перепрограммировав их ДНК с помощью алгоритмов ИИ. На макроэкране микроскопа зрители увидели скопление светящихся зеленых точек. Нейроны, будучи предоставленными самим себе в питательной среде, самостоятельно сформировали разветвленную сеть межклеточных связей и непрерывно обменивались спонтанными электрическими сигналами, которые выглядели как периодические яркие флуоресцентные вспышки.
🌊 Водяной компьютер Стива Молда: механика принятия решений 23:40
Каким же образом бинарные сигналы отдельных клеток или транзисторов, собираясь вместе, позволяют системе принимать сложные решения? Известный популяризатор науки Стив Молд продемонстрировал это на примере масштабной аналоговой гидравлической инсталляции, представляющей собой простейшую физическую модель нейросети. Задача этой «водяной машины» заключалась в классификации объектов: она должна была определить, является ли загаданное животное мамонтом.
В качестве оператора ИИ из зала была приглашена зрительница Ракель. Стив Молд показал ей секретную карточку с изображением животного, попросив оценить два ключевых параметра по шкале от 1 до 10: насколько это существо волосатое (степень шерстистости) и насколько оно крупное (размер). Устройство инсталляции состояло из нескольких связанных пластиковых резервуаров с водой, выполняющих роль отдельных программных слоев нейросети:
- Первый уровень (входные нейроны): Ракель оценила волосатость скрытого существа на 8 баллов из 10. Она взяла мерный стакан с соответствующим объемом воды и вылила его в воронку первого бака («нейрон шерстистости»).
- Порог активации (сифон): объема воды в 8 баллов хватило, чтобы жидкость поднялась выше изгиба специальной трубки, встроенной в бак. Сработал эффект сифона, который мгновенно перекачал всю воду из бака-источника в следующий резервуар. Это наглядно продемонстрировало порог активации искусственного нейрона: если бы значение было слишком низким (например, 2 балла за волосатость), сифон бы не сработал, и «нейрон» не передал бы сигнал дальше.
- Суммирование сигналов: финальный «нейрон принятия решений» был устроен так, что его собственный сифон мог сработать только в том случае, если он получит воду одновременно из двух источников — от «нейрона шерстистости» и от «нейрона размера». Ракель оценила размер существа на 9 баллов из 10 и вылила воду во вторую воронку.
- Выходной результат: объединенный поток воды заполнил финальный резервуар, активировал главный сифон, и выливающаяся вода под весом своей массы сдвинула механическую стрелку весов-индикатора от положения «Не мамонт» к значению «Мамонт». Нейросеть успешно справилась с задачей распознавания образов.
Профессор Вулдридж отметил, что хотя современные цифровые архитектуры вроде ChatGPT не используют ведра и сифоны с водой, математические алгоритмы внутри них работают по абсолютно идентичному принципу: они суммируют входящие сигналы, взвешивают их и активируют последующие слои кода только при достижении определенных численных порогов.
📊 Обучение с учителем и без: конвейер данных 28:40
Переходя к программной реализации искусственных нейросетей, Майк Вулдридж вводит понятие двух ключевых методологий машинного обучения, о которых подробно рассказывает специалист по Data Science Саппа Абус. Первое направление — это обучение с учителем (supervised learning), когда компьютер тренируют на жестко размеченных, аннотированных данных. Каждый раз, когда обычный пользователь загружает фотографию в социальные сети и тегает своих друзей по именам, он фактически бесплатно предоставляет ИИ-корпорациям размеченные тренировочные датасеты для улучшения систем распознавания лиц. Данные в современном мире стали самой ценной коммерческой валютой.
Однако в реальности огромные массивы информации не имеют меток и структуры. Здесь на помощь приходит обучение без учителя (unsupervised learning). Чтобы продемонстрировать этот подход, на сцену пригласили Хадиджу, перед которой развернули движущуюся ленту конвейера, заполненную разнообразными бытовыми предметами. Хадидже не дали никаких предварительных правил или инструкций — ей просто приказали за 15 секунд рассортировать поступающие предметы по трем корзинам по своему усмотрению.
Девушка интуитивно разделила объекты по функциональному признаку: ножи, вилки и ложки. При этом она отметила, что альтернативным вариантом могла бы стать сортировка по материалу: металл, пластик и дерево. Когда поток предметов на конвейере резко увеличился, усложняя структуру данных, Хадиджа скорректировала свою внутреннюю стратегию классификации: она выделила одну группу под металлические изделия, вторую — под дерево и пластик, а в третью корзину начала складывать сложные объекты, которые не смогла однозначно идентифицировать.
По определению Саппы Абус, Хадиджа в данном эксперименте выступила в роли классического алгоритма кластеризации. При обучении без учителя ИИ самостоятельно анализирует гигантские массивы сырой информации, выявляет скрытые закономерности, структурные сходства и распределяет объекты по группам без какого-либо предварительного человеческого вмешательства или знания «абсолютной истины».
🎈 Масштаб данных: Бодлианская библиотека в облаке конфет 34:50
Фундаментальным фактором эффективности любой современной нейросети является ее масштаб: физический объем вычислительной мощности, количество внутренних параметров, связей и, самое главное, объем обучающих данных. Ярче всего это проявляется в феномене Больших Языковых Моделей (LLM), таких как ChatGPT от OpenAI, Cohere или Google Bard.
Для того чтобы аудитория смогла визуально осознать истинные масштабы данных, на которых обучаются современные текстовые ИИ, профессор Вулдридж использовал оригинальную метафору с привлечением истории знаменитой Бодлианской библиотеки Оксфордского университета — одной из старейших в Европе:
- Состояние на 1598 год: в конце XVI века фонды библиотеки насчитывали около 2500 уникальных книг. В руках профессора Вулдриджа этот объем данных символизировал один-единственный микроскопический кусочек бумажного конфетти, который зрители на задних рядах даже не могли разглядеть.
- Современное состояние: сегодня Бодлианская библиотека включает в себя около 13 миллионов томов. Этот колоссальный культурный пласт Майк Вулдридж продемонстрировал в виде небольшой пластиковой чаши, наполненной разноцветным конфетти.
- Масштаб данных Google Bard: когда речь зашла об объемах текстовой информации из интернета, которая была загружена в нейросеть компании Google при ее обучении, над сценой под бурные аплодисменты зала сработала мощная пневматическая пушка, засыпавшая всю студию и зрительские ряды сокрушительным, плотным облаком из сотен тысяч разноцветных конфетти.
Этот взрыв наглядно показал, что современные LLM поглощают объемы текстовой информации, несопоставимые с возможностями человеческого восприятия.
📝 Игра в предсказание слов и архитектура Transformer 37:33
Как именно языковые модели используют эти невообразимые массивы данных, чтобы генерировать осмысленные тексты? Профессор Вулдридж объясняет, что в своей основе любая LLM — это просто сверхсложная система предсказания следующего слова. С этим принципом каждый человек сталкивается ежедневно при использовании функции автоподстановки (T9/Predictive text) в смартфонах: когда мать пишет ребенку сообщение «Ты уже...», телефон на основе накопленной статистики предлагает логичные варианты завершения фразы — «убрал комнату?» или «выгулял собаку?».
Для демонстрации этого процесса две команды зрителей на сцене сыграли в игру по составлению предложений, передавая друг другу лист бумаги и записывая по одному слову:
- Первая команда работала в условиях жестких ограничений: лист бумаги постоянно складывали, и каждый последующий участник видел только одно последнее написанное слово, не зная общего контекста. Результатом их коллективного творчества стала абсолютно бессмысленная фраза: «The boat sails Fast Car Wash bomb explosion happening on an elephant» (Лодка плывет Быстрая Автомойка бомба взрыв происходящий на слоне).
- Вторая команда видела всю строку целиком со всеми предыдущими словами. Их результат оказался гораздо более связным: «The cat is mean and it paper cut on the table because of» (Кот злой и он порез бумагой на столе из-за). Хотя это далеко не Шекспир, как иронично подметил ведущий, текст второй группы обладал базовой грамматической структурой.
Майк Вулдридж поясняет, что до недавнего времени компьютерные переводчики и чат-боты работали подобно первой команде, анализируя текст короткими последовательными фрагментами, из-за чего часто теряли нить повествования. Ситуация в корне изменилась в 2017 году, когда инженеры компании Google изобрели и опубликовали революционную архитектуру нейронных сетей под названием Transformer. Главная инновация трансформеров заключается в их способности анализировать всё предложение, абзац или даже массивный документ целиком и одновременно, мгновенно просчитывая контекстные связи между далеко стоящими друг от друга словами. При этом Майк Вулдридж отдельно акцентирует внимание аудитории на своем убеждении: несмотря на поразительную связность генерируемых текстов, современные большие языковые модели абсолютно не понимают фактического глубинного смысла фраз, которые они создают.
📐 Векторные пространства: как ИИ группирует смыслы 41:55
Чтобы приоткрыть завесу над тем, как машина оперирует словами, не понимая их смысла в человеческом понимании, на сцену была приглашена Серафина Голдфарб-Таррант, ведущий ученый-исследователь из ИИ-компании Cohere. Она рассказала, что перед началом обучения весь массив сырого текста дробится на минимальные лингвистические единицы — токены. Затем алгоритм превращает каждое слово в математическую координату внутри гигантского цифрового пространства. Этот процесс называется построением эмбеддингов или векторных представлений.
На полу студии была нарисована классическая двухмерная система координат с осями X и Y. Из зала пригласили 10 детей, каждому из которых выдали табличку с названием определенного животного. Им дали простую инструкцию: встаньте на графике как можно ближе к тем существам, на которых вы похожи по смыслу, и как можно дальше от тех, с кем у вас нет ничего общего. В результате эксперимента дети самостоятельно разбились на три четкие смысловые группы (кластеры):
- Семейство кошачьих (кошка, тигр, лев) заняло один угол графика;
- Семейство псовых (волк, лиса, собака) сгруппировалось в противоположной стороне;
- Травоядные копытные (осел, зебра, лошадь) образовали обособленный третий кластер.
Таким образом, каждое слово получило свой уникальный цифровой адрес (набор координат) в зависимости от своего контекстного окружения. Ситуация усложнилась, когда на сцену вышел десятый участник с табличкой «Тостер». Этот неодушевленный бытовой прибор принципиально не вписывался ни в одну из существующих групп животных. Серафина Голдфарб-Таррант пояснила, что двух осей координат катастрофически мало для описания всего многообразия человеческого языка. В реальной практике при обучении промышленных моделей Cohere или ChatGPT ученые используют пространства, имеющие более 1000 независимых математических измерений (дистанций сходства). Более того, современные ИИ способны превращать в такие многомерные векторы не только отдельные слова, но и целые предложения. Исследователь продемонстрировала на графике, как фразы «Пожалуйста, установи будильник на 6 утра» и «Поставь время звонка на 12 дня» автоматически притягиваются друг к другу в «кластер будильников», в то время как запросы про проверку электронной почты улетают в совершенно другую область векторного пространства.
🐋 Перевод с китового: искусственный интеллект в океане 48:14
В финальной части лекции профессор Майк Вулдридж представил захватывающее направление применения векторного анализа — попытку преодолеть межвидовой барьер и заговорить с животными. Гостем студии стал Том Мастилл, известный режиссер-документалист и автор научно-популярной книги «Как говорить по-китовьи» (How to Speak Whale).
Сначала в студии включили аудиозапись голоса синего кита — самого крупного существа на планете, обладающего невероятно мощным звуковым аппаратом. В природе эти животные общаются на инфразвуковых частотах, которые находятся далеко за пределами диапазона человеческого слуха. Чтобы люди могли их воспринять, инженеры ускорили запись и пропустили ее через массивный сабвуфер, подключенный к так называемым трубам Рубенса — длинным металлическим конструкциям с горящими газовыми факелами. Звуковая волна китового голоса заставила пламя динамично колебаться, наглядно демонстрируя физическую форму и паттерны волнового сигнала прямо в воздухе студии.
Том Мастилл объяснил, что современные технологии ИИ и алгоритмы обработки естественного языка (NLP) способны произвести революцию в биологии. Когда ученые загружают миллиарды образцов человеческой речи в многомерное векторное пространство, ИИ строит своеобразную «карту смысловой галактики» конкретного языка. Выяснилось, что геометрические формы этих ментальных карт одинаковы для всех человеческих культур. Сервис Google Translate осуществляет перевод с английского на японский или немецкий не по словарю, а путем математического сопоставления и наложения идентичных трехмерных геометрических фигур из векторных облаков разных языков. Это было наглядно доказано в игровой демонстрации на сцене с участием юной зрительницы Майи.
Поскольку у науки нет словарей для языков животных, исследователи решили применить этот же геометрический метод к анализу звуков дикой природы. Том Мастилл впервые в мире продемонстрировал уникальные кадры, снятые исследовательской группой Project CETI у побережья острова Доминика в Карибском море. На видео запечатлен момент рождения детеныша кашалота: члены его семьи (мать, бабушка, сестры) бережно выталкивают новорожденного китенка на поверхность океана, чтобы тот мог сделать свой самый первый в жизни вдох.
Второе видео сопровождалось оригинальной аудиодорожкой, на которой были слышны частые, ритмичные серии щелчков — так называемые коды (codas), с помощью которых общаются кашалоты. Участники Project CETI развернули в океане масштабную систему гидрофонов. Всего за один год непрерывной записи они смогли удвоить общемировой исторический объем аудиоданных по кашалотам. По прогнозам Тома Мастилла, в ближайшие несколько лет накопленный массив позволит построить полноценные многомерные эмбеддинги коммуникативной системы китов. Буквально на неделе лекции Project CETI опубликовал первые результаты анализа ИИ: нейросеть обнаружила внутри монотонных китовых щелчков тончайшие модуляции, выполняющие роль гласных звуков, которые человеческое ухо физически не способно уловить.
В завершение дискуссии Том Мастилл напомнил, что подобные технологии уже приходят в повседневную жизнь людей. Например, бесплатное мобильное приложение Merlin от Корнеллской лаборатории орнитологии способно в реальном времени анализировать окружающий шум птиц в лесу, мгновенно вычленяя и идентифицируя конкретные биологические виды птиц на основе встроенной нейросети. Документалист выразил надежду, что его следующие фильмы о дикой природе будут снабжены полноценными текстовыми субтитрами, переводящими разговоры морских гигантов на человеческий язык.
Подводя итог первой лекции, профессор Майк Вулдридж подошел к роботу Айде, которая практически завершила его портрет. Лектор подчеркнул, что ИИ уже стал неотъемлемой реальностью нашего мира, а в следующей части цикла внимание будет сфокусировано на практическом применении нейросетей в медицине, компьютерных играх и изобразительном искусстве.
