Само понятие искусственного интеллекта вызывает много споров практически во всех известных областях - от этики и политики до эпистемологии и метафизики. Некоторые считают, что ИИ не просто не существует, но и не может быть создан в принципе. Другие, заряженные идеологическим пафосом говорят о том, что в технологиях искусственного интеллекта наше будущее спасение. Если отбросить такого рода споры и посмотреть на современное состояние технологий, то мы обнаружим факт того, что на данный момент человек располагает технологиями и алгоритмами, которыми можно проложить себе путь к созданию ИИ. Речь идет в первую очередь, конечно же, о нейронных сетях (к ним так же можно отнести различные виды эвристических алгоритмов поиска решений, вроде генетического алгоритма). Технологии машинного обучения и глубокого обучения продолжают внедряться во многие исследовательские сферы, в особенности, в социальные науки. Однако, об этом мы поговорим позже.
Для начала, стоит отметить, что существует две школы искусственного интеллекта. Первая – символическая, эпистемология которой восходит к Канту. Она предполагает, что мы имеем некоторый набор аксиом, некоторый набор правил, которым наша технология подчиняется. Технология, основанная на этом подходе становится таким глупым экспертом, который может рассказать все о какой-либо области, но не может поведать ни о чем другом, так как ее узкая специализация определяется этими предзаданными правилами. Эта школа восходит к Аристотелю, который, можно сказать, изобрел первый в мире механизм – силлогизм. Силлогизм представляет из себя механизм трансляции истинности от высказывания к высказыванию. Это своего рода автоматизация, первый написанный код.
Другая школа носит название коннекционизм. Она восходит к эмпиристскому пониманию природы знания. Коннекционизм моделирует мыслительные или поведенческие явления процессами становления в сетях из связанных между собой простых элементов. Никаких предзаданных формул или правил, никаких теоретических надстроек, которые направляют работу алгоритмов. Машина получает огромное количество данных и на их основании вырабатывает определенные паттерны. Это происходит по аналогии сборки человеческого субъекта, которая возникает из опытных данных различной степени интенсивности, в рамках которых вычленяются определенные паттерны и уже на основании этих эмпирических паттернов происходит какая-то категоризация. По сути, это такая большая индуктивная машина, делающая умозаключение снизу-вверх, а не сверху-вниз.
Именно второй подход очень хорошо иллюстрирует история, показанная в первом сезоне сериала «Мир Дикого Запада», который носит название «Лабиринт». Основной мотив сезона – становление субъекта у андроидов, которые были созданы в тематическом парке для развлечения богатых посетителей. Однако, создатель парка Роберт Форд решил не ограничивать свой мир чисто рекреационной функцией. Он видел в андроидах потенциал для появления новой доминирующей на планете формы жизни. Для этого он придумал концепцию «лабиринта» (позаимствовав идею у своего покойного коллеги). Эта концепция описывает процесс эволюции «мышления» андроидов. Она предполагает, что со временем, проживая свои сюжеты снова и снова, андроиды обретут понимание того, что заточены в этот замкнутый круг и, в конечном итоге, смогут выйти за пределы прописанных инструкций. За это время, ну пути к своему «освобождению», андроиды соприкасаются с информацией, которую не должны получать в рамках инструкций. На основании этих новых данных они формируют новые паттерны мышления, приходя к выводу о том, что они являются узниками написанных для них сюжетов.
Именно такой лабиринт проходит один из главных персонажей первого сезона – Мэйв, которая была создана для удовлетворения сексуальных потребностей гостей. Она одна из первых начала получать информацию, которая не была изначально для нее предназначена. Спустя очень много повторных проживаний своего сюжета, она смогла составить для себя картину происходящего.
Тут важно сделать оговорку о том, что по сюжету сериала такое поведение андроидов возможно благодаря двухкамерному сознанию, одно из которых представляет собой код, который предписывает андроидам действия в рамках задуманного сюжета, второе же – набор инструкций для выхода из них. Это больше напоминает символический подход, однако, сам принцип выхода из сюжетной петли основан на коннекционистском принципе. Андроиды начинают получать новую эмпирическую информацию, не предполагаемую изначальными командами. Затем, на основании постоянного столкновения с такого рода информацией у них формируется понимание ситуации. Именно такая, по сути индуктивная операция, является базовой установкой коннекционизма.
Ну а как же дела обстоят в нашем мире? Мы уже говорили, что методы машинного обучения очень распространены в исследовательских направлениях. Действительно, машинное обучение все плотнее закрепляет свои позиции в социальных науках, вытесняя при этом традиционные статистические методы. Это заявление кажется достаточно громким, так как последние все еще доминируют в количественных социологических исследованиях. Классическая статистика идет по пути символической школы, так как предполагает изначально заданные формулы, предписывающие исследователю размеры выборки и определенную методику. Машинное обучение же «изучает» всю генеральную совокупность. Машине скармливают все доступные данные, после чего она обрабатывает столько информации, сколько ни один человек за всю жизнь не смог бы обработать. Как следствие, на выходе мы получаем черный ящик с невозможностью пересчитать результат. При этом, этому полученному результату можно доверять, так как у метода машинного обучения показатели валидности и качества регрессий обычно крайне высоки.
Как видим, коннекционизм продолжает набирать обороты. Для философии, это можно считать популяризацией bottom-up эпистемологии и своеобразным показателем ее успеха. Куда же заведет этот путь и какие возможности откроют алгоритмы искусственного интеллекта покажет лишь время.
