***
***
***
Предисловие
1 Договоримся об определениях
Рис. 1. Эффект ИИ
1.1 Понятие ИИ
Прикладной/слабый ИИ, сильный ИИ (AGI)
1.2 Тест Тьюринга, китайская комната Сёрля
Рис. 2. Игра в имитацию и две различные версии теста Тьюринга из статьи 1950 г.
1.3 Машинное обучение, его виды и области применения
1.3.1 Виды машинного обучения
Рис. 3. Виды машинного обучения
1.3.2 Задачи, решаемые с помощью машинного обучения
Рис. 4. Примеры решения задачи классификации для изображений. Модель посчитала, что первое изображение со степенью уверенности в 95 % принадлежит к следующим классам: «кот» (cat), «животное семейства кошачьих» (feline), «хищник» (carnivore), «млекопитающее» (mammal), «животное» (animal). Далее следуют классы с меньшей степенью уверенности модели: «кошечка» (kitty-cat) — 58 %, «домашняя кошка» (domestic cat) — 63 %, «бумажный пакет» (paper bag) — 50 %, «сумка» (bag) — 50 %. Потом идут ещё два класса: «угольно-чёрный цвет» (coal black color) — 89 % и «серый цвет» (gray color) — 80 %. Для второго изображения модель полагает, что это, скорее всего, «животное» (animal) — 97 %, «домашнее животное» (domestic animal), «собака» (dog) — 92 %, «сторожевая собака» (watchdog), «дворняга» (kuvasz dog) — 83 %. С меньшей степенью уверенности модель предполагает, что это «белый медведь» (ice bear) — 64 % или «медведь» (bear) — 68 % и т. д.
Рис. 5. Примеры решения задачи регрессии для изображений (определение возраста)
Рис. 6. Показатель регрессии в наследовании роста
1.3.3 Области применения машинного обучения
Рис. 7. Области применения методов машинного обучения
2 Сквозь тьму веков. Історія думающих машин
2.1 Древние счётные устройства и механизмы
2.1.1 Счёты, абак и астролябия
Рис. 8. Непоуальцинцин в форме наручного браслета
Рис. 9. Типичный непоуальцинцин (ольмекская культура)
Рис. 10. Юпана Пома де Айяла
Рис. 11. Китайский абак «суаньпань»
Рис. 12. Японский соробан
Рис. 13. Военный совет Дария. Изображение на «Вазе Дария» (340–320 гг. до н. э.)
Рис. 14. Саламинская доска (300 г. до н. э.)
2.1.2 Антикитерский механизм
Рис. 15. Древняя астролябия (927–928 гг.)
Источник изображения — hiРассказыofinformation.com
Рис. 16. Реконструкция Антикитерского механизма (1985–1989 гг.)
Рис. 17. Схема Антикитерского механизма,
выполненная в соответствии со статьёй группы Фрита от 2012 г.
2.2 Неперовы палочки
Рис. 18. Палочки Непера
2.3 Машина Шиккарда и паскалина
Рис. 19. Машина Шиккарда
Рис. 20. Паскалина
2.4 Машины Бэббиджа
2.4.1 Юность Бэббиджа. Проект де Прони как источник вдохновения
2.4.2 Доработка таблиц «Морского альманаха». Первая модель разностной машины
2.4.3 Развитие и проблемы проекта разностной машины
2.4.4 Последователи Бэббиджа: Георг Шутц и другие
2.4.5 Идеи Бэббиджа и их реализация
Рис. 21. Разностная машина Чарльза Бэббиджа (функциональная копия счётной части).
Права на изображение принадлежат Дорону Суэйду (Doron D. Swade)
2.4.6 Історія перфокарт
Рис. 22. Полуавтоматический ткацкий станок Бушона
Рис. 23. Структура ткани: 1 — основа (продольные нити ткани),
2 — уток (поперечные нити ткани, переплетающиеся с продольными)
Рис. 24. Ткацкий станок Фалькона
Рис. 25. Механическая утка Вокансона
Рис. 26. Ткацкий станок Вокансона
Рис. 27. Машина Жаккара: 1 — ножи; 2 — рамная доска; 3 — рамные шнуры;
4 — аркатные шнуры; 5 — делительная доска; 6 — лицы; 7 — грузики;
8 — иглы; 9 — перфорированная призма; 10 — пружина; 11 — доска; 12 — крючки
2.4.7 Современники Бэббиджа — Ада Лавлейс и Луиджи Менабреа
Рис. 28. Перфокарта для ткацкого станка Жаккара
Рис. 29. Перфокарты Бэббиджа
2.4.8. Последние годы Бэббиджа и дальнейшая жизнь его идей
2.5 Табулятор Холлерита
Рис. 30. Устройство Ситона
Рис. 31. Фото проездного билета
Рис. 32. Пантограф Холлерита
Рис. 33. Табулятор Холлерита
Рис. 34. Автоматизация переписи в США
2.6 Вершины механических вычислительных систем: военные баллистические вычислители
Рис. 35. Вращающиеся поверхности для вычисления различных функций
Рис. 36. Циферблат Виккерса
Рис. 37. Сверхдредноут «Орион» (HMS Orion)
Рис. 38. Созданный в начале 1930-х гг. компьютер для управления огнём Mark 1A
2.7 От электромеханических машин к ЭВМ
Рис. 39. Реклама калькулятора Маршана
2.7.1 Конрад Цузе, создатель первого компьютера Z1
Рис. 40. Архитектура компьютера Z1
2.7.2 Говард Эйкен и компьютер Mark I
Рис. 41. Компьютерный «баг», по одной из версий найденный Грейс Хоппер
Рис. 42. Вычислительная машина Harvard Mark I
2.7.3 Кто же был первым?
2.7.4 Теоретики — Гёдель, Чёрч, Тьюринг
Рис. 43. Курт Гёдель и Альберт Эйнштейн
2.7.5 Забытый изобретатель Джон Винсент Атанасов
Рис. 44. Компьютер Атанасова и Берри
Рис. 45. Девушки из команды программистов ENIAC
2.7.6 Взлом немецких военных шифров
Рис. 46. Десерт bombe glacée
Рис. 47. Найденный Уильямом Таттом при расшифровке сообщений «Энигмы»
прямоугольник из точек и крестиков со множеством повторений
Рис. 48. Карикатура Хита Робинсона. Подпись к изображению гласит:
«Бородавочный стул. Простое устройство для удаления бородавок с макушки»
Рис. 49. Машина «Колосс»
2.7.7 Создатели советских ЭВМ — Сергей Лебедев и Исаак Брук
Рис. 50. Иллюстрация Татьяны Алексеевны Мавриной к детским сказкам
Рис. 51. Малая электронная счётная машина (МЭСМ), 1951 г.
3 Машины, которые играют в игры, и игры, в которые играют машины
3.1 Ним и ниматрон
Рис. 52. «Ниматрон»
3.2 Крестики-нолики
Рис. 53. Пиктограммы, обнаруженные на крыше храма в Курне
3.3 Играть на уровне бога: от Цермело до «Ломоносова» (первое отступление)
3.3.1 Основоположник теории игр Эрнст Цермело
3.3.2 Метод обратной индукции
Рис. 54. Метод ретроспективного анализа в применении к игре крестики-нолики
3.3.3 Применение обратной индукции для анализа шахматных окончаний
3.3.4 Виды решений: сильное, слабое, ультраслабое
Рис. 55. Слабое решение для игры крестики-нолики
Рис. 56. Типы решений
3.3.5 Гекс — игра без ничьих
Рис. 57. Пример игры в гекс
Рис. 58. Иллюстрация к вышеизложенному доказательству
3.3.6 Решения разных игр
3.4 Шашки
3.4.1 Начало. Шашечная программа Кристофера Стрейчи
Рис. 59. Портрет Кристофера Стрейчи, отпечатанный при помощи компьютера,
хранящийся в Бодлианской библиотеке Оксфордского университета
Рис. 60. График зависимости вероятности выигрыша от оценки позиции
Рис. 61. Упрощённая диаграмма, показывающая, как оценки поднимаются по дереву возможных ходов, чтобы получить наилучший следующий ход. Процесс оценки начинается на уровне (3), где машина выбирает ветку с наиболее положительной оценкой. Далее на уровне (2) от противника ожидается выбор ветки с наименьшей оценкой, и на уровне (1) машина выбирает ветку с наибольшей оценкой
3.4.2 Продолжение. Шашечная программа Артура Сэмюэла
Рис. 62. Пример работы альфа-бета-отсечения
3.4.3 Дебют программы Chinook Джонатана Шеффера
3.4.4 Первый матч против чемпиона мира
3.4.5 Решающий матч
3.4.6 Нахождение слабого решения шашек
Рис. 63. Схема поиска решений для игры в шашки в хранилище позиций. По вертикали указано количество шашек (и дамок) на доске, по горизонтали — число позиций (логарифмическая шкала). Заштрихованная область — часть доказательства, покрытая эндшпильными таблицами (все позиции с десятью шашками или менее). Внутренняя овальная область — проанализированная для доказательства часть пространства перебора (без недостижимых позиций и без ненужных для доказательства позиций). Кружки обозначают позиции с более чем десятью шашками, для которых исход игры найден и подтверждён. Пунктирная линия показывает границу между сохранённой и несохранённой на диске частями дерева доказательств (при необходимости последняя вычисляется). Сплошная чёрная линия показывает «лучшую» последовательность ходов
3.5 Шахматы
3.5.1 Шахматные автоматы и механизмы
3.5.2 Шахматные программы… без шахматных машин
Рис. 65. Дерево перебора с ограничением числа рассматриваемых вариантов в каждом узле (программа типа B)
3.5.3 Алекс Бернстайн и первая полноценная шахматная программа
Рис. 66. Учёные из Лос-Аламоса Пол Штейн (слева) и Ник Метрополис (справа)
играют в шахматы с MANIAC I (на заднем плане)
4.5.4 СССР и США — творческая атмосфера созидания
Рис. 68. Объявление о представлении страны Кибертонии на новогоднем вечере в декабре 1962 г.
Рис. 69. Номер газеты «Вечерний Кибер»
Рис. 70. Паспорт Кибертонии
4.5.5 Первые матчи шахматных программ и история «Каиссы»
4.5.6 Рассуждения о теоретической основе шахматного программирования и идеи Ботвинника
3.5.7 Прогресс в компьютерных шахматах в конце XX века
Рис. 72. Ханс Берлинер (на переднем плане) и Карл Эбелинг, разработчики программы HiTech, 1985 г.
3.5.8 Появление и развитие проекта Фэнсюна Сюя
Рис. 73. Иллюстрация к статье Доминика Лоусона «Пентагон играет в шахматы»
3.5.9 Первый матч против чемпиона мира
3.5.10 Второй матч против чемпиона мира
3.5.11 Компьютерные шахматы после Deep Blue
Рис. 74. Каспаров в специальных очках, отображавших трёхмерный вид доски
3.6 Грубая сила машины: отделяем правду от вымысла (второе отступление)
3.7 Го — новая цель
3.8 Итоги и перспективы
4 Нейронные сети и глубокое обучение
4.1 Бионика и история изучения мышления
4.2 Лягушки, мыши, кальмары, люди и другие животные в цепких руках нейрофизиологов
4.2.1 От экспериментов на животных до открытия нейронов
Рис. 75. Один из рисунков Рамона-и-Кахаля
4.2.2 Історія исследований электрической активности мозга
Рис. 76. Обложка книги Н. Е. Введенского
Рис. 77. Пример «электроцереброграммы» из работы Правдича-Неминского
Рис. 78. Пример электроэнцефалограммы из доклада Бергера
4.2.3 Первые математические модели нейрона — Хорвег, Вейс и Лапик
V = aR + b/C,
i = a/t + b,
Рис. 79. Кривая Хорвега — Вейса — Лапика
(зависимость между силой тока и временем его действия)
Рис. 80. Луи и Марселла Лапик в лаборатории
4.2.4 Принцип «всё или ничего» — Лукас, Эдриан, Като
4.2.5 Два английских джентльмена и долгопёрый прибрежный кальмар
Рис. 81. Долгопёрый прибрежный кальмар
Рис. 82. Гигантский аксон кальмара
Рис. 83. Электрическая схема, соответствующая модели Ходжкина — Хаксли
4.2.6 Мышонок Гарольд и его увлекательная жизнь после смерти
Рис. 84. Игра EyeWire
Рис. 85. Схема организации дирекциональной избирательности ганглиозных клеток сетчатки.
Рис. 86. Изображение уробороса в алхимическом трактате 1478 г.,
автор Феодор Пелеканос (греч. Θεόδωρος Πελεκάνος)
4.2.7 Коннектомика сегодня
Рис. 87. Карликовая многозубка (лат. Suncus etruscus)
Рис. 88. Трёхмерная модель мозга в Neuroglancer
4.3 Історія первой модели искусственного нейрона: Мак-Каллок и Питтс
4.3.1 Учёный, беспризорник и иммигрант
4.3.2 «Мы знаем, как мы знаем»
4.3.3 Удивительные приключения нейронных сетей в мире кибернетики: работа с Норбертом Винером
4.3.4 Научная богема и экспериментальная эпистемология
4.3.5 Грустный эпилог
4.4 Фрэнк Розенблатт, перцептрон, кот Тобермори и крысы
4.4.1 Наследие Мак-Каллока и Питтса
4.4.2 Развитие нейросетевых моделей
Рис. 89. Предложенная Тьюрингом модификация связей машины типа A
Рис. 90. Предложенное Тьюрингом изменение архитектуры модификатора соединения
4.4.3 Исследования нейробиологов
4.4.4 Первые эксперименты в области искусственных нейронных сетей
Рис. 91. Вверху: фотография гомеостата (четыре блока). Внизу: фотография отдельного блока.
Буквами ABCD обозначена четверная обмотка электромагнита, буквой М — магнит
Рис. 92. Электрическая схема гомеостата
4.4.5 Перцептрон Розенблатта
4.4.6 Первые нейрокомпьютеры
Рис. 93. Фрэнк Розенблатт и нейрокомпьютер Mark I Perceptron
Рис. 94. Нейрокомпьютер Lernmatrix. В левой части происходит сканирование изображения
при помощи матрицы из двадцати фотоэлементов, в среднем блоке идёт обработка,
справа расположен блок акустического вывода
Рис. 95. Перцептрон Розенблатта. Провода — синапсы, соединяющие А- и S-слои
4.4.7 Нейросетевые исследования 1960-х годов
Рис. 96. Схема обработки изображений в MINOS II
Рис. 97. Варианты оптических масок в MINOS II
4.4.8 Теоретические результаты
Рис. 98. Примеры линейно разделимых и линейно неразделимых множеств
4.4.9 Друзья, увлечения и крысы Розенблатта
4.5 «Чистюли» и «грязнули» — разные школы ИИ
Рис. 99. «Конфликт между теоретическими крайностями»
(рисунок из вышеупомянутой статьи Марвина Минского)
4.6 Марвин Минский и зима искусственного интеллекта
Сергей Марков
Охота на электроовец
Большая книга искусственного интеллекта
Том 2
5 Предвестники весны искусственного интеллекта
Рис. 100. Цикл хайпа от Gartner (Gartner Hype Cycle for Emerging Technologies) — графическое отображение цикла зрелости появляющихся технологий, состоящего из пяти стадий — от стадии ажиотажа до стадии продуктивного использования
5.1 Три ключевых фактора успеха
5.2 Модели и алгоритмы
5.2.1 СССР, Фрейд и котики приходят на помощь
5.2.2 Исследования Румельхарта
5.2.3 Метод обратного распространения ошибки
5.2.3.1 Описание проблемы
5.2.3.2 Начало поиска метода
5.2.3.3 Зигмунд Фрейд и его нейробиологические исследования
5.2.3.4 Теория расчёта весов и описание метода обратного распространения ошибки
5.2.4 Глубокое обучение: многослойные нейронные сети с регулярной структурой
Рис. 101. Архитектура порогово-каскадной сети из монографии Дертоузоса
5.2.4.1 Роль котиков в развитии нейронных сетей
Рис. 102. Соматосенсорный гомункулус
Рис. 103. Схематичное изображение коры мозга и соответствующих ей частей тела
5.2.4,2 Когнитрон и неокогнитрон Кунихико Фукусимы
5.2.4.3 Ян Лекун: внедрение метода обратного распространения ошибки для обучения свёрточных нейронных сетей
5.2.5 Рекуррентные нейронные сети
5.2.5.1 Обсуждение теоретической возможности
5.2.5.2 Предложения и проблемы
Рис. 104. Полносвязная рекуррентная нейронная сеть
Рис. 105. Сеть Элмана
Обзор соединительных структур сети
Рис. 106. Схематическое изображение блока рекуррентной нейронной сети (RNN). Обозначения: ht−1 — предыдущее скрытое состояние, ht — текущее скрытое состояние, xt — обрабатываемый элемент последовательности, ot — текущий выход, th — функция активации (гиперболический тангенс)
5.2.5.3 Сети с долгой краткосрочной памятью (LSTM) и другие модели
Рис. 107. Схематическое изображение блока LSTM
Рис. 108. Схематическое изображение блока GRU
5.2.6 Автокодировщики, контрастное обучение и близнецы Барлоу
Рис. 109. Схема автокодировщика
Рис. 110. Схема машины Больцмана
Рис. 111. Синаптические связи в ограниченной машине Больцмана
5.3 Машины
5.3.1 Гордон Мур и его закон
Рис. 112. Однодолларовая купюра с подписями «заговорщиков»
Рис. 113. Зависимость относительной стоимости производства в расчёте на компонент
от количества компонентов на интегральной схеме
5.3.2 Пределы роста
5.3.3 Оборудование для нейронных сетей: GPU, TPU, FPGA
Рис. 114. Рост производительности суперкомпьютеров (логарифмическая шкала). Оригинальный рисунок из книги «Сингулярность близко» 2005 года, дополненный двумя новыми точками
5.3.4 Импульсные нейронные сети
5.3.5 Нейроморфные системы типа I. Начало
5.3.6 Нейроморфные системы типа I. Исследования мозга и принцип STDP
Рис. 115. Зависимость мембранного потенциала от времени, прошедшего после стимуляции
5.3.7 Нейроморфные системы типа I. Перспективы
5.3.8 Нейроморфные системы типа II. Начало
5.3.9 Открытие мемристора
Рис. 116. Фундаментальные двухполюсные элементы электронной схемотехники
5.3.10 Нейроморфные системы типа II сегодня
5.3.11 Перспективные вычислительные технологии
5.4 Данные
6 Час настал. Да грянет бал!
6.1 ИИ сейчас — большой интерес, обширные вложения и хорошие прогнозы
Рис. 117. Рост числа статей в области машинного обучения
6.2 Машина распознаёт образы
6.2.1 Распознавание изображений
6.2.1.1 Фей-Фей Ли и ImageNet
6.2.1.2 SuperVision и её особенности
Рис. 118. Схема сети AlexNet
Рис. 119. Различные функции активации
6.2.1.3 Предшественники AlexNet
6.2.1.4 Последователи AlexNet. GoogLeNet как новый уровень
Рис. 120. Уменьшение ошибки при распознавании изображений на соревнованиях ILSVRC
6.2.1.5 Конец начала и перспективы развития
Рис. 121. Увеличение точности распознавания изображений на массиве CIFAR-100
Рис. 122. Пример решения задачи сегментации
Рис. 123. Пример решения задачи семантической сегментации
6.2.2 Распознавание звука
6.2.2.1 «Тобермори» — фоноперцептрон Розенблатта
6.2.2.2 Теория звука и общие соображения о распознавании речи
Рис. 124. Пример спектрограммы
Рис. 125. Пример спектрограммы русского гласного [е]
Рис. 126. Голосовой аппарат при произнесении звуков
Рис. 127. Модель источник-фильтр
6.2.2.3 Корпусы речи
6.2.2.4 Метрики оценки
6.2.2.5 Прогресс и проблемы
Рис. 128. Снижение ошибки распознавания по метрике WER для «чистой» части датасета LibriSpeech
6.2.3 Распознавание образов в играх
6.2.3.1 Победа в го
6.2.3.2 Методы в основе AlphaGo
6.2.3.3 Дальнейшее развитие AlphaGo — отказ от человеческих знаний
6.2.3.4 Кто же сильнее в шахматах?
6.2.3.5 Последние достижения нейросетей в го и шахматах
6.2.3.6 Игры с неполной информацией: карточные игры
6.2.3.7 Игры с неполной информацией: стратегии реального времени
6.2.4 Распознание образов: кое-что ещё
6.3 Машина учится понимать: обработка естественного языка
6.3.1 Первые диалоговые системы: ELIZA, PARRY и SHRDLU
6.3.1.1 ELIZA
6.3.1.2 PARRY
6.3.1.3 SHRDLU
6.3.2 Сосиска в тексте: машинный перевод
6.3.2.1 Первые проекты Смирнова-Троянского и Арцруни
6.3.2.2 Использование ЭВМ и формулирование теории машинного перевода
6.3.2.3 Джорджтаунский эксперимент, принёсший оптимизм
6.3.2.4 Отчёт ALPAC, принёсший разочарование
6.3.2.5 Подходы к машинному переводу и его дальнейшее развитие
6.3.2.6 Метрики и проблемы качества перевода
6.3.3 Семантическая вселенная: от Бенджио и Миколова до трансформеров
6.3.3.1 Представление текстовой информации
6.3.3.2 Языковые модели и работа Бенджио
6.3.3.3 Революция word2vec
Рис. 129. Двоичное дерево, представляющее словарь
6.3.3.4 Наследники word2vec. Концепция «внимания»
Рис. 130. Пример «матрицы внимания» при переводе с английского на французский
6.3.3.5 Вторая революция в NLP: трансформеры
Рис. 131. Условный пример, показывающий отношения со словом «они» для разных «голов внимания»
Рис. 132. Схема вычисления матрицы выравниваний в трансформере
Рис. 133. Архитектура нейросетевой модели BERT, основанной на блоках трансформера. CLS — специальный символ, добавляемый в начало каждого примера, SEP — специальный токен-разделитель. Каждому токену входной последовательности соответствует вектор эмбеддинга размерностью 768
6.3.3.6 Тесты на понимание естественного языка
6.3.4 Современные чат-боты и прогнозы Тьюринга
6.3.4.1 Успехи чат-ботов — отличаем правду от вымысла
6.3.4.2 Смысл теста Тьюринга
6.3.4.3 Прогресс диалоговых систем и применяемые подходы
6.3.4.4 Перспективные диалоговые модели
6.4 Машина учится говорить
6.4.1 Первые попытки синтеза речи
Рис. 134. Реплика «говорящей» машины фон Кемпелена
Рис. 135. Механические говорящие головы аббата Микаля
Рис. 136. Формы резонаторов Кратценштейна для пяти гласных звуков
6.4.2 Новые шаги — от «Эуфонии» к вокодерам
Рис. 137. Эуфония Йозефа Фабера
6.4.3 Синтез речи на ЭВМ и его применение
Рис. 138. Синтезатор речи «Фонемофон-1»
6.4.4 Развитие конкатенативного синтеза речи
6.4.5 Развитие параметрического синтеза речи
Рис. 139. Пример дерева решений
6.4.6 Первые применения нейронных сетей для синтеза речи
6.4.7 Появление модели WaveNet и новые проблемы
Рис. 140. Последовательные расширенные свёртки в WaveNet с коэффициентами расширения (снизу вверх): 1, 2, 4 и 8
6.4.8 Современные TTS-системы
6.4.9 Направления новых исследований
6.5 Эмоциональные вычисления и социальный ИИ
6.5.1 Как насчёт эмоций и сознания у машин?
Рис. 142. Разговор с виртуальным ассистентом «Джой» из семейства «Салют»
Рис. 143. Шутливая реакция на твит Ильи Суцкевера
6.5.2 Эмоциональный интеллект
6.5.3 Представление эмоциональной информации
6.5.4 Наборы данных для анализа эмоций
6.5.5 Современные достижения в анализе эмоций
Рис. 144. Тоннетц, или эйлеровская звуковая сетка
6.5.6 Настоящее и будущее эмоциональных вычислений
6.6 Машина учится творить: генеративные модели
6.6.1 Критерии творчества
6.6.2 Первые опыты по автоматизации сочинения текстов
6.6.3 Рождение нейросетевой литературы
6.6.4 GPT-3 и гонка за триллионом параметров
Рис. 146. Примеры генерации текстов от модели ruGPT-3
6.6.5 Лучше меньше, да умнее! Появление ChatGPT
6.6.6 Фундаментальные модели и новые перспективы
6.6.7 Машина как художник. Первые шаги: раскраска и стилизация
Рис. 147. Примеры раскраски изображений (слева направо): чёрно-белое изображение, вариант раскраски от модели Райана Даля, картинка в своих настоящих цветах
Рис. 148. Пример раскраски изображений (слева направо): обесцвеченное изображение,
три варианта раскраски от PixColor, оригинальные цвета
Рис. 149. Пример раскраски изображений моделью Алексея Эфроса
Рис. 150. Пример «собачьих» метаморфоз изображения в результате работы модели DeepDream
Рис. 151. Четыре картины Джузеппе Арчимбольдо
Рис. 152. Перенос художественного стиля моделью Леона Гатиса и его коллег
Рис. 153. Другие примеры переноса художественного стиля
6.6.8 Машина как художник. Генеративно-состязательные сети и ганизм
Рис. 154. Созданная нейросетью картина «Граф Белами» с формулой вместо подписи художника
Рис. 155. Примеры разнообразных трансляций изображений в изображения моделью pix2pix
Рис. 156. «Котобуханка» от модели pix2pix
Рис. 157. Пример превращения лошадей в зебр и наоборот моделью CycleGAN
Рис. 158. Примеры семантической манипуляции фотографиями людей при помощи модели CycleGAN
Рис. 159. Пример восстановления закрашенных или несуществовавших фрагментов изображения при помощи модели исследователей из Университета Васэда
Рис. 160. Пример восстановления закрашенных или несуществовавших фрагментов изображения при помощи модели PEPSI
Рис. 161. Пример трансляции изображений между доменами (модель StarGAN v2)
Рис. 162. Фотографии несуществующих людей (модель StyleGAN2)
6.6.9 Машина как художник. Создание изображения по текстовому описанию
Рис. 164. Генерация изображений птиц по тексту (модель StackGAN)
Рис. 165. Примеры увеличения разрешения одиночных изображений моделью CAR
Рис. 166. Примеры увеличения разрешения одиночных изображений различными моделями
Рис. 167. Пример увеличения разрешения для множества изображений
Рис. 168. Сравнение результатов синтеза изображений на основе текста для моделей DM-GAN, StackGAN и AttnGAN
Рис. 169. Сравнение результатов синтеза изображений на основе текста модели CPGAN с другими моделями
Рис. 170. Изображения, сгенерированные моделью DALL·E по запросу «Кресло в форме авокадо. Кресло, имитирующее авокадо» [an armchair in the shape of an avocado. an armchair imitating an avocado]
Рис. 171. Изображения, сгенерированные моделью DALL·E по запросу «Иллюстрация, на которой изображена редька-ребёнок в юбочке, выгуливающая собаку» [an illustration of a baby daikon radish in a tutu walking a dog]
Рис. 172. Пример выполнения сетью GPV–I задачи по изображению
Рис. 173. Изображения, сгенерированные моделью DALL·E 2 по разным запросам
Рис. 174. Изображение, сгенерированное моделью Kandinsky 2.1 по запросу «»Обворожительная хозяйка медной горы», стиль: 4k»
6.6.10 Машина создаёт видео
6.6.11 Машина как композитор
6.6.12 Машина создаёт всё: мультимодальные модели
6.6.13 Другие творческие успехи машин
7 Легенда о големе: ИИ, захватывающий мир
7.1 Насколько опасен ИИ?
7.1.1 Історія человеческих страхов перед машинами
7.1.2 Текущая оценка опасности развития ИИ
7.1.3 Варианты преодоления рисков развития ИИ
7.2 Сверхразум: реальные и мнимые опасности
7.3 Съедят ли людей электроовцы?
7.3.1 Влияние технического прогресса на общество: история проблемы
Рис. 176 Гравюра с изображением Неда Лудда, 1812 г.
7.3.2 Сегодня в мире: прогресс и перспективы
7.3.3 Бессмысленный труд: невкусный плод древа прогресса
7.3.4 Висит груша — нельзя скушать: новые рабочие места
7.3.5 Идея безусловного основного дохода
7.3.6 Призрак постмальтузианства
7.3.7 Перспективы различных профессий в эпоху четвёртой индустриальной революции
Рис. 177. Профессии, входящие в различные группы риска с точки зрения возможности их автоматизации в среднесрочной перспективе
7.3.8 Грозит ли человечеству безделье: насколько реальна проблема избытка рабочей силы?
7.4 Цифровой тайный суд и другие проблемы алгоритмического общества
7.5 Законодательное регулирование ИИ
7.6 Будем разумны!
8 Контуры будущего: задачи сегодняшнего и завтрашнего дня
8.1 Перспективные направления исследований
Рис. 178. Пример дерева возможных альтернатив для принятия стратегического решения
8.2 Облачные технологии и распределённое обучение
8.3 Иллюзии нейросетей
Рис. 179. Пример неверной классификации сетью Inception V3 изображения кошки
Рис. 181. Пример неверной классификации сетью Inception V3 изображения созданной исследователями пластмассовой черепахи
Рис. 182. Другие примеры неверной классификации сетью Inception V3 изображения созданного исследователями пластмассового бейсбольного мяча
Рис. 183. Пример классификации сетью обычных и искажённых фотографий Ким Кардашьян
8.4 Интерпретация работы моделей ИИ
8.5 Морально-этические вопросы применительно к ИИ
8.6 Далеко ли до общего искусственного интеллекта (AGI)?
9 Заключение
10 Благодарности
Указатель