Виртуальные предсказания

 

Вихрящиеся  сверкающие  облака  танцуют  во  мраке.  Они устремляются навстречу друг другу и, кажется, разрывают друг друга на части, превращая в дым, который вскоре сливается обратно в яркие вспышки. Большое спиральное облако наполняется блеском, а те, что поменьше,  проплывают  мимо.  Но  внезапно  одно  из  них  оказывается слишком  близко,  и,  как  притягивающиеся  магниты,  спирали сталкиваются,  рассыпая  вокруг  себя  обломки.  Их  внутренние  ядра некоторое  время  колеблются,  пока  не  объединяются  в  одно.  Теперь спираль восстановлена, и она продолжает вращаться в темноте.

 

Это вариант формирования массивной звездообразующей дисковой галактики  «позднего  типа».  Несмотря  на  яркую  и  реалистичную анимацию, ни одна камера никогда не сможет запечатлеть это зрелище, поскольку  оно  длится  миллионы  лет.  Но  это  не  просто  симпатичная анимация  –  это  самая  совершенная  компьютерная  симуляция эволюции  галактик  в  нашей  Вселенной  –  IllustrisTNG,  –  созданная  с помощью  программы  Illustris.  Она  более  подробно,  чем  какие-либо другие  симуляции,  моделирует  формирование  нашей  Вселенной, учитывая при этом все законы физики.

 

Существует  множество  видов  ИИ.  В  то  время  как  одни исследователи  пытаются  спроектировать  интеллект,  способный лучшим и наиболее эффективным способом решить проблему, другие предпочитают  использовать  компьютеры  в  качестве  научных инструментов  для  проведения  исследований.  Построение компьютерной  симуляции  –  это  не  то  же  самое,  что  разработка компьютерной анимации или игры, в которой что-то происходит. Цель симуляции  –  создать  виртуальную  лабораторию,  которая функционирует точно так же, как в действительности, за исключением того, что мы можем все контролировать. Если мы хотим понять какой-либо  процесс,  идущий  слишком  медленно,  чтобы  мы  могли  увидеть изменения,  нам  под  силу  ускорить  его  в  симуляции.  Если  нам необходимо  разобраться  в  устройстве  какой-либо  сложной  формы, которое невозможно постигнуть в реальной жизни, проанализировать внутреннюю  структуру  этой  формы  нам  удастся  с  помощью компьютера. Если мы задаемся вопросом «а что, если…», то мы можем изменить симуляцию: что, если бы законы физики работали немного иначе? Что, если бы эволюционирующие живые формы столкнулись с намного более горячей окружающей средой?

 

Моделирование  реальности  –  дело  непростое,  и  основано  оно  на очень  тщательном  сборе  и  использовании  данных.  Есть  поговорка Garbage  in,  garbage  out,  что  значит  «мусор  на  входе  –  мусор  на выходе».  Если  ваша  модель  неверна,  то  нельзя  ожидать,  что  ее прогнозы  будут  точными.  Все  модели  ошибочны  по  своей  природе, поскольку наши компьютеры недостаточно мощны, чтобы учитывать каждый аспект реальности. Задача состоит в том, чтобы смоделировать те  из  них,  что  являются  причиной  интересующего  нас  поведения,  и пренебречь  всеми  остальными.  Поэтому  исследователи  должны пытаться  создавать  абстракции  и  упрощения  реальности,  которые одновременно  достаточно  мощные,  чтобы  дать  нам  новые  ответы,  и достаточно  простые,  чтобы  компьютеры  могли  выполнить  эти симуляции  за  разумное  время.  Необходимо  тщательно  откалибровать каждую  часть  моделей,  убедиться,  что  все  верно  и  соответствует действительности.  Любые  неправильные  прогнозы,  сделанные  в соответствии  с  моделью,  должны  использоваться  для  дальнейшего уточнения  модели.  Общая  критика  экономических  моделей заключается в том, что те редко подтверждаются реальными данными и  часто  предполагают,  что  люди  будут  вести  себя  рационально.  Это может  привести  к  крайне  неточным  прогнозам,  которые  мало  чем помогут при попытке стабилизации или регулирования изменчивых и хаотичных рынков.

 

 

Многие методы  ИИ  можно рассматривать как виды компьютерного моделирования. Виртуальные существа  Карла  Симса,  например,  –  простая  симуляция  эволюции жизни  в  виртуальной  среде.  Ранние  идеи  искусственных  нейронных сетей  были  основаны  на  понимании  того,  как  работают  нейроны  в человеческом  мозге.  Многие  алгоритмы  оптимизации  базируются  на простых представлениях о том, как функционируют живые системы: генетические  алгоритмы  вдохновлены  естественной  эволюцией, алгоритм  муравьиной  колонии  основан  на  том,  как  муравьи коллективно  находят  кратчайшие  пути  от  гнезда  к  пище,  алгоритмы искусственной  иммунной  системы  –  как  наши  иммунные  клетки обнаруживают  и  реагируют  на  патогены.  

 

Алгоритмы  машинного обучения создают простые «модели» изучаемых ими данных, которые можно использовать для прогнозирования. Существуют  и  другие  методы,  разработанные  специально  для моделирования и симуляции. Модели часто опираются на множество систем  уравнений,  например  дифференциальных,  решения  которых характеризуют  поведение  электрической  цепи  или  химических процессов. Пространственные модели (они пытаются установить, как

 

физические объекты могут вести себя в реальном мире) обычно делят пространство  на  маленькие  части  и  определяют  состояние  внутри каждой  из  них,  следуя  уравнениям.  Гидродинамическое моделирование  применяет  этот  подход  для  расчета  сложного поведения  газов  и  жидкостей,  что  позволяет  уточнять  конструкции самолетов,  а  такой  прием,  как  анализ  методом  конечных  элементов, отлично подходит для расчета нагрузок на различные строения перед их  созданием,  за  счет  чего  можно  проектировать  безопасные конструкции, используя правильные материалы.

 

 

Клеточные  автоматы  использовались  в  ИИ  в  течение  многих десятилетий  для  моделирования  всего:  от  химических  реакций  до физических сред. Базовый клеточный автомат – это простая решетка, состоящая  из  заполненных  или  незаполненных  ячеек.  При  запуске моделирования  время  разбивается  на  отдельные  этапы,  и  в  рамках каждого  из  них  компьютер  перебирает  элементы  одной  из  ячеек, следуя  простым  правилам.  Например,  если  заполнены  две  соседние ячейки,  то  и  «исследуемая»  ячейка  заполняется,  в  противном  случае она пустует.

 

 

 

В игре «Жизнь» заполненная ячейка считается «живой», а пустая –  «мертвой».  И  есть  четыре  простых  правила  для  клеточных автоматов:

 

Низкая  численность:  живая  клетка,  у  которой  меньше  двух живых соседей, умирает.

 

Жизнь:  живая  клетка  с  двумя  или  тремя  живыми  соседями остается в живых.

 

Перенаселенность: живая клетка, у которой больше трех живых соседей, умирает.

 

Размножение:  мертвая  клетка  с  тремя  живыми  соседями становится живой.

 

Несколько  случайно  расположенных  клеток  заполняются  и становятся  живыми,  после  чего  запускается  симуляция,  и  в результате  образуются  странные  модели  роста.  Иногда  клетки вымирают,  иногда  превращаются  в  маленькие  колеблющиеся устойчивые формы. Если придать клеточным автоматам правильную сложную форму, они смогут даже копировать сами себя – и в игре «Жизнь» образуется «универсальный конструктор фон Неймана».

 

Концепцию  клеточных  автоматов  впервые  предложил  математик Станислав Улам, которого заинтересовала идея Джона фон Неймана, и он  захотел  смоделировать  жидкость,  содержащую  электромагнитные компоненты.  И  Улам,  и  Нейман  были  очарованы  этой  идеей,  и  она привела  их  к  предположению,  что  живые  системы  могут  быть самовоспроизводящимися  и  способными  имитировать  машину Тьюринга (решать все задачи, выполняемые компьютерами).

 

Фон Нейман определил «универсальный конструктор» как машину, которой под силу создавать идентичные копии себя, обрабатывая свою среду.  Он  использовал  алгоритм  клеточных  автоматов,  чтобы объяснить,  как  может  работать  универсальный  конструктор.  В  1970 году  британский  математик  Джон  Конвей  вдохновился  этой  идеей  и спроектировал  специальный  вид  клеточных  автоматов,  ставший известным как игра «Жизнь».

 

 

Некоторые  ученые  утверждают,  что  клеточные  автоматы  могут объяснить принцип работы биологических систем и даже Вселенной. Стивен  Вольфрам,  программист  и  создатель  популярного программного  обеспечения  Mathematica,  –  один  из  таких  людей.

 

«Возможно,  немного  унизительно  обнаружить,  что  мы,  будучи людьми,  в  вычислительном  отношении  не  более  эффективны,  чем клеточные автоматы с очень простыми правилами, – заключает он. – Но принцип вычислительной равнозначности подразумевает, что то же самое в конечном счете верно для всей нашей Вселенной».

 

 

В  то  время  как  клеточные  автоматы  разделяют  пространство  и время  на  маленькие  кусочки,  другие  виды  моделей  менее  строги. Агентное  моделирование  развилось  из  работы  фон  Неймана  над клеточными  автоматами,  и  в  итоге  превратилось  в  самостоятельный научный  метод.  (Похоже  звучащие  многоагентные  вычисления  –  это еще  один  связанный  с  ИИ  подход,  который  рассматривает,  как программные  агенты  взаимодействуют  при  решении  проблем,  но уделяет меньше внимания моделированию и фокусируется больше на практической стороне.)

 

Агентные, или индивидуальные, модели, представляют собой класс алгоритмов,  имитирующих  поведение  автономных  объектов,  или агентов. Это могут быть биологические клетки в органе, молекулы в жидкости,  люди  в  популяции  или  любая  совокупность  похожих объектов, имеющих независимое поведение, которое, однако, зависит от их взаимодействия. Эти модели используются для изучения более крупных систем, поскольку позволяют создать виртуальную среду для необходимых вычислений.

 

В агентном моделировании правила или алгоритмы применяются к каждому  агенту,  благодаря  чему  он  может  действовать  автономно  и контактировать  со  своими  компаньонами.  Модели  способны привлекать  любую  форму  ИИ  для  управления  поведением  агентов, включая  самые  сложные  алгоритмы  глубокого  обучения.  Даже  если поведение  каждого  агента  определяется  относительно  простыми правилами или алгоритмами, когда агенты взаимодействуют и влияют друг  на  друга  с  некоторой  долей  случайностей,  вводимой  для реалистичности,  результатом  является  возникающее  и  часто неожиданное поведение более высокого уровня. Одна летящая птица – это  довольно  просто,  но  стая  птиц  может  кружиться  и  мгновенно менять  форму,  как  будто  стая  –  нечто  целое  и  обладает  бульшим интеллектом. Агентному моделированию под силу объединять многие аспекты ИИ и смежных с ним областей, таких как сложные системы, эволюционные вычисления, экономика, теория игр, социология и даже психология.

 

Крэйг  Рейнольдс  –  эксперт  по  компьютерной  графике  и  один  из программистов  оригинального  фильма  «Трон».  В  1986  году  он разработал  алгоритм  агентной  модели,  который  назвал  boids (сокращенное  от  bird-oid  objects,  что  значит  «птицеподобные объекты»). Его алгоритм впервые проиллюстрировал, как независимо движущиеся  агенты,  каждый  из  которых  следует  простым поведенческим  правилам,  могут  создавать  поведение,  аналогичное поведению  птичьих  стай  и  косяков  рыб.  Базовые  правила  были  на удивление  просты:  каждый  бойд  пытался  избежать  столкновения  с соседями, следовал в среднем направлении по отношению к соседним бойдам  и  двигался  к  центру  масс  (среднее  положение)  бойдов неподалеку.

 

 

Алгоритм  Рейнольдса  работал  настолько  хорошо,  что  вскоре завоевал  популярность  в  киноиндустрии:  он  позволял  симулировать поведение  птичьих  стай  и  толп.  Одним  из  первых  примеров  его применения  стали  симуляции  поведения  колоний  летучих  мышей  и пингвинов  в  фильме  «Бэтмен  возвращается»  1992  года.  В  настоящее время  подобные  алгоритмы  используются  для  управления скоплениями  роботов,  чтобы  гарантировать  их  эффективную совместную  работу  при  решении  групповых  задач.  Рейнольдс продолжает  развивать  агентное  моделирование  по  сей  день  –  в компании  Righthook,  разрабатывающей  автономных  роботов  и транспортные средства.

 

 

 

Программист,  специалист  по  вычислительным  системам Кристофер Лангтон изобрел термин «искусственная жизнь» и в 1987 году  организовал  семинар  по  синтезу  и  моделированию  живых систем.  Впоследствии  этот  семинар  стал  известен  как Международная  конференция  «Искусственная  жизнь».  Лангтон первым начал изучать сложные системы, моделируемые с помощью клеточных автоматов, и предположил, что эти сложные формы, и в первую  очередь  живые  системы,  существуют  на  границе  между порядком (где все статично и предсказуемо) и беспорядком (где все случайно).  Это  был  новый  и  важный  взгляд  на  живые  системы: вместо  того  чтобы  рассматривать  их  как  своего  рода  часовые механизмы,  работающие  с  прогнозируемой  определенностью, Лангтон  высказал  идею  о  жизни  «на  грани  хаоса»,  компоненты которой  взаимодействуют  так,  что  становятся  больше,  чем  сумма частей.  

 

Возникают  непредсказуемые,  но  желательные  виды поведения.  Исследователь  создал  несколько  обманчиво  простых моделей,  таких  как  «Муравей  Лангтона»,  который  двигался  в соответствии с элементарными правилами, оставляя за собой след, и «Петля  Лангтона»,  которая  моделировала  очень  простой  вид искусственной  жизни,  имеющий  собственную  наследуемую генетическую информацию. Несмотря на кажущуюся простоту этих моделей,  возникшее  у  них  поведение  позволило  получить  более полное представление о развитии сложных форм.

 

 

Специалисты,  занимающиеся  искусственной  жизнью,  обычно используют  агентные  модели  для  анализа  того,  как  возникли  первые самореплицирующиеся  молекулы,  как  развивались  клетки, эволюционировали многоклеточные организмы, формировался мозг и процесс  восприятия  и,  наконец,  каким  образом  работают  сложные экосистемы.  Если  другие  формы  ИИ,  например  глубокое  обучение, сосредоточены  на  разработке  более  эффективных  решений, исследователи  искусственной  жизни  и  смежных  областей вычислительной  биологии  изучают  модели,  которые  более  точно соответствуют  биологическим,  чтобы  понять,  как  они  работают. Компьютерное моделирование необходимо для подобных исследований.

 

 

Компьютерные симуляции и моделирование – это воображение ИИ, а  воображение  –  одна  из  самых  мощных  способностей  нашего интеллекта.  Мы  не  просто  предсказываем,  что  бутерброд,  который только  что  уронили,  упадет  на  пол.  Мы  способны  вообразить  целые сценарии,  целые  миры  с  выдуманными  персонажами, демонстрирующими  выдуманное  поведение.  У  компьютеров воображение гораздо лучше. С помощью правильных алгоритмов они могут представить даже вселенные.

 

Сегодня модели используются для симуляции движения толп, что позволяет  нам  проектировать  лучшие  здания;  для  предсказания  того, как  опухолевые  клетки  отреагируют  на  лечения  или  как  экономика может  меняться  со  временем.  Их  применяют,  даже  когда  изучают происхождение  людей  и  то,  как  формируются  наши  общества. Моделирование  широко  распространено  в  сфере  развлечений:  с  его помощью создаются спецэффекты в кино, виртуальной и дополненной реальности и компьютерных играх. Оно используется каждый день для прогнозирования  погоды,  а  также  удалось  достигнуть  заметных успехов  в  предотвращении  болезней  при  задействовании моделирования. Например, в 2001 году в Великобритании вспыхнула эпидемия ящура. Благодаря моделированию удалось выяснить, что при значительной  выбраковке  скота  экспоненциальный  рост  заболевания может трансформироваться в экспоненциальный спад в течение двух дней.  

Рекомендацию  модели  выполнили,  и,  хотя  это  привело  к немалым потерям, она сработала: болезнь была ликвидирована. Но компьютерное моделирование, как правило, является одной из наиболее  сложных  для  вычислений  форм  ИИ  из  тех,  что  мы применяем сегодня. Даже если входные данные верны, мы ограничены доступными  вычислительными  ресурсами.  Несмотря  на  ускоренное развитие аппаратного обеспечения, наши компьютеры не всегда могут имитировать реальность в необходимых нам деталях, а для проведения симуляций  порой  требуется  недопустимо  большое  количество времени.

 

 

Некоторые  симуляции  настолько  важны,  что  способны  влиять  на будущее  нашей  планеты.  Климатические  –  одни  из  самых  сложных моделей.  Они  должны  объединять  данные  из  огромного  числа источников  и  делать  прогнозы  о  том,  как  концентрация  различных газов в атмосфере Земли может сказаться на глобальном потеплении и погодных  условиях.  Когда  мы  совершенствуем  модели,  то  лучше понимаем, как предотвратить ущерб нашей планете в будущем. Хотя исследователям  всегда  хочется  смоделировать  все  возможное  и задействовать  все  доступные  вычислительные  ресурсы,  иногда сложность  настолько  велика,  что  результаты  оказывается  трудно интерпретировать.  Поэтому  важно  иметь  модели  (например,  те,  что используют  вероятностные  методы),  которые  не  только  делают прогнозы,  но  и  обеспечивают  определенный  уровень  уверенности  в этих прогнозах, чтобы мы могли понять, насколько им стоит доверять.