Итоги года в мире робототехники и искусственного интеллекта
В середине декабря мы попросили наших читателей проголосовать за самые значимые научные события 2017 года. По итогам голосования в социальной сети «ВКонтакте» значительная часть голосов досталась достижениям в области технологий, таких как машинное обучение или робототехника. Действительно, в ушедшем году в этих сферах был достигнут впечатляющий прогресс. Редакция N + 1 предлагает вам вспомнить самые значимые новости из мира роботов и искусственного интеллекта.
С каждым годом компьютеры становятся все более мощными, технологии — все более развитыми, а роботы — все более способными. Самые беспокойные люди опасаются, что уже близок тот момент, когда любая разновидность человеческой деятельности, от простой механической до интеллектуальной и творческой работы, будет автоматизирована. Разработчиков, тем не менее, подобные страхи не останавливают.
Прошедший год был богат на разработки в области технологий. Нейросети стали совершеннее и научились лучше решать абстрактные задачи, ранее доступные только человеку, — от победы в настольных играх до создания произведений искусства, — а роботы стали активнее помогать людям.
В первую очередь стоит отметить новые разработки DeepMind — экспериментального подразделения Alphabet, материнской компании Google, с 2010 года занимающегося проектами в области искусственного интеллекта. Их AlphaGo, например, с момента своего создания обыгрывает сильнейших игроков в го: в 2015 году программа выиграла у чемпиона Европы Фаня Хуэя, а годом позже — обыграла Ли Седоля. В мае этого года Alpha Go одержала победу в своем последнем профессиональном матче против Кэ Цзе и ушла из спорта.
Уход на пике славы, как оказалось, был не навсегда: через полгода после матча с Кэ Цзе разработчики DeepMind представили новую версию программы — AlphaGo Zero. Эта версия не только обучалась без каких-либо входных данных о том, как играют игроки-люди (весь ее тренировочный процесс сводился исключительно к игре с самой собой — начиная со случайного перебора ходов), но и смогла одержать абсолютную победу со счетом 100:0 над всеми предыдущими версиями AlphaGo.
Успех разработчиков DeepMind примечателен тем, что, в отличие от многих настольных игр с фиксированными правилами, го — игра довольно абстрактная, а перебор всех вариантов развития событий невозможен: число допустимых в игре комбинаций (цель каждого игрока — заполнить своими фишками бóльшую территорию на игральной доске) больше числа атомов в наблюдаемой Вселенной.
Совсем недавно AlphaGo попробовала себя против других программ в двух других видах настольных игр: классических шахматах и японских шахматах сёги — и там тоже показала первые успехи, сыграв против самых совершенных на сегодняшний день алгоритмов. А вот в других играх (например, в StarCraft) алгоритмы DeepMind пока не так успешны: обучающаяся с подкреплением нейросеть в первой игре проиграла легкому боту.
Лаборатория DeepMind продвинулась в решении и более базовых компьютерных задач. Например, научила нейросеть соотносить объекты по звуку и изображению без учителя, то есть без обучающей выборки тысяч изображений и звуков одного и того же объекта, а трехмерную компьютерную модель — обходить сложные препятствия, используя обучение с подкреплением, то есть получая на каждое действие ответ от среды, в которой она обучается.
Улучшились и алгоритмы обработки изображений. Например, в этом году разработчики pix2pix представили программу, которая может, например, превращать набросок человеческого лица в его фотореалистичную (и немного пугающую) копию. Программа основана на работе порождающих, или генеративных, состязательный сетей, состоящих из двух соревнующихся систем, одна из которых создает продукт, а другая — сравнивает его с обучающей выборкой. Другая разновидность такой нейросети — креативная состязательная — научилась создавать оригинальные произведения искусства.
Роботы в этом году освоили новые для себя виды деятельности, например сельское хозяйство. В этом году завершился годовой проект, в ходе которого роботы засеяли гектар ячменя и собрали с него урожай — и это практически самостоятельно. Также, японская компания Yamaha представила YMR-10 — сельскохозяйственный дрон для распыления химикатов, а американцы приспособили технологии компьютерного зрения для мониторинга урожая и смогли достаточно точно (а именно — на 93 процента) рассчитать популяцию растений на хлопковой плантации.
Мир также стал на шаг ближе к спорту будущего: в середине октября в Японии состоялась первая дуэль боевых человекоподобных роботов. Японский робот Kuratas сразился с американским роботом MegaBot Mk.III — и потерпел сокрушительное поражение. Несмотря на то, что «онлайн» дуэли оказался снят заранее, шоу получилось зрелищным.
Говоря о человекоподобных роботах, стоит также упомянуть и успехи в конструировании. Всего два года назад самые передовые разработки в области робототехники испытывали проблемы со стабилизацией: на конкурсе DARPA Robotics Challenge, например, не могли устоять даже роботы, передвигающиеся на четырех «конечностях». Теперь Atlas, гуманоидный робот от Boston Dynamics (компания славится тем, что толкает своих «подопечных» палками — теперь ясно, для чего), умеет делать обратное сальто и перепрыгивать с платформы на платформу.
Другой робот компании, передвигающийся на колесах двухметровый Handle, умеет съезжать по ступенькам, перепрыгивать препятствия на ходу и переносить груз весом до 45 килограммов.
Новый прототип робота-спасателя от Honda научился подниматься по лестницам и стремянкам, проходить через узкие проемы и справляться со сложными препятствиями.
Две другие разработки — японские роботы Kenshiro и Kengoro — пугающе сильно похожи на настоящих людей.
При их создании инженеры основывались на устройстве, пропорциях и работе настоящего человеческого скелета — и в результате научили роботов базовым физическим упражнениям: отжиманиям, подтягиваниям и приседаниям.
Надеемся, что в следующем году роботы смогут еще больше, а нейросети станут еще умнее, а вы будете следить за компьютерным прогрессом вместе с нами.