Moravcův paradox, aneb proč nám nejdou snadné věci

1. Moravcův paradox: Složité úlohy snadno, jednoduché těžko
2. Od neuronových sítí k Perceptronu
3. Výzvy rozpoznávání a pohybu v reálném svět
4. Výpočetní výkon a realita AI

Moravcův paradox: Složité úlohy snadno, jednoduché těžko

Zatímco vývoj umělé inteligence pokračoval v 60. letech minulého století dál, povšiml si matematik a futurista rakouského původu Hans Moravec jedné zvláštní věci:

Zatímco každé malé dítě dokáže snadno rozeznat, „který předmět je dál“, tedy který objekt se nachází až za jiným objektem, v oblasti umělé inteligence se z analýzy scény stal samostatný obor.

Logickým závěrem bylo to, že to nějak souvisí s fundamentálními rozdíly mezi architekturou počítačů a architekturou biologických nervových systémů. Počítače vznikly uměle jako abstraktní architektura operující se symboly, zatímco nervové systémy se vyvíjely v interakci s prostředím.

Od neuronových sítí k Perceptronu

Už v roce 1951 se počítačoví vědci Marvin Minsky a Dean Edmonds zabývali na základě grantu Air Force Office of Scientific Research tvorbou stroje založeného na umělých neuronových sítích SNARC (Stochastic Neural Analog Reinforcement Calculator). Ten vycházel ze článku o umělých neuronech, který v roce 1943 publikovali Warren McCulloch a Walter Pitts a který měl zásadní vliv na vývoj umělé inteligence (a například i na to, jak se dnes učí modely AI). Stroj, který sestavili Minsky a Edmonds, měl pouze 40 neuronů, ale stal se základem pro umělé neuronové sítě tak, jak je známe dnes.

V roce 1958 vzniká koncept Perceptron, systém pro rozeznávání obrazů založený na neuronových sítích. Ten vytvořil Frank Rosenblatt nejprve jako software pro počítače IBM 701 v Cornell Aeronautical Laboratory. Inovativní projekt grantem sponzoroval United States Office of Naval Research, který nechal později vzniknout hardwarovému řešení, nazvanému jako Mark I Perceptron. Cílem výzkumu bylo zařízení, které by dovolilo řízeným střelám „vidět a rozpoznat cíl“ a jako takový byl přelomový, i když se ukázal později jako limitovaný.

Výzvy rozpoznávání a pohybu v reálném svět

Problémům s viděním a rozeznáváním scény se věnoval právě i Hans Moravec, který si velice rychle uvědomil, jak je propastný rozdíl mezi složitostí biologického oka a umělého oka, o který se pokoušeli výzkumníci. Moravec upozornil na to, že zatímco nejvýkonnější dostupný počítač Cray-1 z roku 1976 měl výkon pouze 80-130 MIPS, zatímco na pouhou simulaci retiny by bylo třeba alespoň 1000 MIPS. (Jeho odhad byl optimistický, později se ukázalo, že výpočetní výkon retiny se blíží spíš milionu MIPS.).

Výpočetní výkon a realita AI

Moravec poukázal na to, že se umělé inteligenci daří jenom v oblastech, kde jsou úlohy vysoce abstraktní a pracuje se s jejich logickými vztahy, zatímco naprosto selhávají při práci s daty z reálného světa, protože analýza skutečného obrazu vyžaduje mnohonásobně větší objemy zpracovávaných dat a to mnohem rychleji.

Poukázal také na to, že se zásadně přehlížely otázky ontogenetické psychologie, tedy toho, co se to vlastně dítě učí během prvních let svého života. I když se malé děti chovají z hlediska dospělých zdánlivě velice primitivně, učí se řešit ty nejsložitější úlohy vůbec: Vidění a rozeznávání, plánování a koordinaci pohybů, rozeznávání hlasu a schopnost mluvit. Neurologové věděli, že vývoj dětského mozku je v té době velice intenzivní, ale teprve Moravec upozornil na to, že tahle část učení byla zatím umělou inteligencí kompletně přehlížena.

Počítače s omezenou výpočetní kapacitou dokázaly provádět vysoce abstraktní logické inference, ale naprosto nestačily na problémy z reálného světa. A Moravec upozornil na to, že výpočetní výkon bude muset ještě mnohonásobně narůst na to, aby se počítače lidskému mozku v těchto kritických schopnostech vyrovnaly.

Článek se zabývá paradoxem vývoje umělé inteligence, který poprvé pozoroval Hans Moravec: schopností řešit složité matematické problémy oproti selhání v základních úlohách jako je vidění či pohyb. Odhaluje fundamentální rozdíly mezi počítači a biologickými nervovými systémy, poukazuje na historii neuronových sítí a Moravcovu kritiku nedostatečného výpočetního výkonu tehdejších počítačů pro simulaci smyslových funkcí. Text zdůrazňuje, že úspěchy v abstraktních úlohách neodpovídaly schopnostem AI v reálném světě, což vyvolalo potřebu znovu přehodnotit přístupy k vývoji AI.

Michal Rybka

Michal Rybka je publicista a nadšenec s 20 lety zkušeností v IT a gamingu. Je kurátorem AlzaMuzea a YouTube kanálu AlzaTech. Napsal několik fantasy a sci-fi povídek, které vyšly v knižní podobě, a pravidelně pokrývá páteční obsah na internetovém magazínu PCTuning.