Искусственный интеллект вокруг нас: от игр до спасения жизней 🤖 1:28
Вторая лекция из цикла Рождественских лекций Королевского института (The Royal Institution) посвящена роли искусственного интеллекта в повседневной жизни и истории развития ИИ через игровые механики. Профессор Майк Вулдридж (Mike Wooldridge) вместе с приглашенными экспертами анализирует, как системы, основанные на данных и обучении с подкреплением, меняют медицину, биологию и творчество.
🎮 ИИ как мастер стратегии: игры как полигон 1:53
Использование игр в качестве «тренировочного поля» для ИИ имеет долгую историю, восходящую к работам Алана Тьюринга и Клода Шеннона. Игры позволяют четко измерять прогресс благодаря понятным метрикам — очкам или результатам «победа/поражение».
- Gran Turismo и GT Sophy: Компания Sony AI создала ИИ-гонщика, способного соревноваться с лучшими игроками мира. Профессиональный гонщик Мартин Грейди отметил, что в отличие от старых алгоритмов, действующих линейно, GT Sophy ведет себя адаптивно: защищает позицию и реагирует на действия соперника в режиме реального времени.
- Обучение с подкреплением (Reinforcement Learning): ИИ обучается методом проб и ошибок. На примере игры Breakout специалисты DeepMind показали, что ИИ может самостоятельно обнаружить наиболее эффективную стратегию — например, пробить стену сбоку, чтобы мяч рикошетил сверху.
- Проблема сложности (Branching Factor): Сложность игры определяется «коэффициентом ветвления» — средним количеством возможных ходов.
- Tic-Tac-Toe: коэффициент ~4.
- Шахматы: коэффициент ~35.
- Го: коэффициент ~250.
- Предел метода: По мнению Вулдриджа, для таких игр, как Го, «грубая сила» (brute force) не работает, так как количество состояний доски достигает $10^{170}$, что превышает вычислительные мощности всей Вселенной. Решением стали нейросети и деревья поиска, которые позволили AlphaGo в 2016 году не только победить Ли Седоля, но и предложить стратегии, до которых люди не додумались за тысячи лет.
🏥 ИИ в медицине: диагностика и молекулярная биология 29:25
ИИ выходит за рамки развлечений, становясь незаменимым инструментом в здравоохранении.
- Диагностика болезни Паркинсона: Технология «нейропена» (neuro-pen) позволяет фиксировать цифровые биомаркеры (дрожь, скорость движения, микрографию — уменьшение почерка). По словам доктора Руты Зитар, это дает клиницистам объективные данные, дополняющие субъективный осмотр. Бывший корреспондент BBC Рори Кэтлин-Джонс, живущий с этим диагнозом, подчеркнул важность точных измерений для оценки эффективности терапии.
- Анализ развития плода: Профессор Анна Амбера представила алгоритм, позволяющий реконструировать 3D-модель мозга плода из 2D-видеопотока УЗИ. Это решение делает глубокую диагностику доступной без использования дорогостоящих и габаритных МРТ-сканеров.
- AlphaFold и структура белков: Белки — «молекулярные машины» организма — складываются в сложные 3D-структуры, знание которых критично для понимания болезней. Ранее определение структуры одного белка занимало у аспиранта до 5 лет исследований. Система AlphaFold от DeepMind предсказала структуры 200 миллионов известных науке белков, что, по мнению Демиса Хассабиса, сэкономило «миллиарды лет» потенциального труда ученых.
🎨 ИИ как творческий соавтор 46:22
Современные нейросети, такие как модели преобразования текста в изображение (text-to-image) и видео, используют диффузионное обучение.
- Принцип работы: Модель обучается на миллионах изображений, постепенно добавляя к ним «шум», а затем учится восстанавливать исходный образ из этого шума.
- Роль художника: Художник Эрик Дюран, работающий с ИИ, называет технологию «бесконечным штатом студийных ассистентов». Тем не менее, для создания качественного видео-контента (например, шутящего кекса) требуется значительная человеческая работа: написание промптов, выбор лучших генераций и пост-продакшн.
- Дилемма: Хотя ИИ позволяет генерировать контент быстрее, остается открытым вопрос: является ли это искусство полноценным, или оно лишено эмоциональной глубины, присущей человеческому творчеству?
