Резюме
В последние годы мы стали свидетелями бурного развития технологий искусственного интеллекта, основанных на машинном обучении. Последствия внедрения этих технологий не обходят стороной и психологию. Появились работы, использующие машинное обучение для автоматического распознавания свойств и состояний людей, а также для некоторых других целей. Впереди маячат новые, существенно более масштабные проекты.
В какой степени технологии искусственного интеллекта смогут повлиять на психологию? Смогут ли они дополнить человеческий интеллект? Или, может быть, даже заменят его полностью в некоторых научных функциях? Статья разрабатывает пути для ответа на эти вопросы.
Вначале обсуждается представление о том, что нейросети «мыслят» не так, как человек, и создают науку, отличающуюся от человеческой. Согласно этим взглядам, люди строят теории и на их основе делают предсказания, а нейросети эксплицитных теорий не строят, но тем не менее могут делать предсказания.
В этом контексте рассматриваются науковедческие взгляды на то, как работает «человеческая» наука. Вводится различие между индуктивным и гипотетико-дедуктивным методами познавательной деятельности. Затем обсуждаются современные методы машинного «познания». Показано, что предсказания и выводы нейросетей всегда делаются на основе общих положений.
Однако эти общие положения могут не эксплицироваться и строятся машиной не самостоятельно, а лишь в контексте, заданном разработчиком. В заключительной части статьи речь идет о том, какие возможности у технологий искусственного интеллекта прослеживаются в сфере научного психологического познания. Высказывается предположение, что внедрение технологий искусственного интеллекта может существенно изменить картину психологической науки.
В фундаментальном плане возможно появление цифровых двойников когнитивной системы, личностных конструктов и т.д. В практическом плане могут возникнуть технологии, которые оценивают психологическое состояние человека и помогают его улучшать вплоть до применения психотерапевтических методов, способствуют совершенствованию отношений в ближнем и профессиональном кругах, выполняют роль коуча, помогают в ведении переговоров, ориентируют в поступающей информации и многое другое.
Введение
В научной среде бродит соображение, что существуй во времена Ньютона нейросети и машинное обучение, возможно, не было бы сегодня известных людям законов механики, да и дифференциального исчисления.
Действительно, с помощью нейросетей можно прекрасно предсказывать движение тел, не обращаясь к законам механики. Практика современных метеоцентров, где использование машинного обучения оказывается более точным методом предсказания погоды, чем расчеты на основании законов физики, вроде подтверждает тезис.
Современная психология уже имеет немалое количество законов в разных областях своей компетенции, однако обладает гораздо меньшей способностью предсказания поведения своего объекта – человека, чем физика – поведения, например, твердых тел. И дело здесь не в свободе воли, которой обладает человек: во многих случаях мы интуитивно на бытовом уровне способны предсказать поведение человека в ситуациях, на которые не распространяются законы.
Из сказанного возникает идея: не окажутся ли в психологии крайне эффективными методы предсказания поведения людей, основанные на нейросетях?
Представим себе, например, что мы располагаем большим корпусом видеозаписей людей и их взаимодействия в различных экспериментальных и просто жизненных ситуациях. Собрать такой корпус в наше время – дело техники. Затем, построив адекватную сетку анализа поведения человека и накладывая маски на различные элементы записей, применим машинное обучение без учителя и получим инструмент предсказания поведения данного человека в данной ситуации.
Далее можно использовать методы объяснимого искусственного интеллекта и обнаружить признаки поведения и ситуации, на основании которых делается машинный прогноз. Можно не сомневаться, что такая работа в сфере психологии рано или поздно начнется. Но что таким образом будет достигнуто?
Здесь начинается новая серия вопросов. Они связаны с подозрениями, что нейросети мыслят не так, как человек, и наука, которую они способны делать, не похожа на нашу, человеческую. Люди строят теории и на их основе делают предсказания.
Нейросети эксплицитных теорий не строят и, хотя предсказывать могут в некоторых случаях успешнее, чем мы с нашими теориями, из них бывает непросто даже извлечь отчет о признаках, послуживших основой прогноза.
Наука, как давно отмечено, обладает не только функцией прогнозирования, но и другими, в частности мировоззренческой. Мы хотим понимать, как устроен мир, а не только предсказывать. Теория помогает нам понять мир. Могут ли здесь помочь нейросети?
Все эти вопросы выдвигаются в фокус научной проблематики. Ниже предпринимается попытка проложить подходы к адекватным ответам на них.
Вначале будут рассмотрены науковедческие взгляды на то, как работает «человеческая» наука. Затем обсуждаются современные методы машинного «познания». В третьей части речь пойдет о том, какие возможности технологий искусственного интеллекта прослеживаются в сфере научного психологического познания.
Человеческая наука: индуктивный и гипотетико-дедуктивный методы
На заре современной науки Френсис Бэкон Веруламский в своем «Новом органоне» разработал идею индуктивного познания как идущего от фактов к утверждениям общего характера. Бэкона на этом основании порой называют основоположником науки современного типа.
Действительно, идея индукции характеризует современную науку в определенных аспектах, но в то же время не соответствует ей в других. Если рассмотреть корпус знаний науки современного типа, то в нем прослеживается индуктивная организация в том плане, что теории обоснованы фактами, полученными в контролируемых условиях.
Если появляются признанные научным сообществом факты, которые не соответствуют теории, то теория начинает изменяться и дополняться или вообще отбрасывается.
В то же время индуктивный подход плохо проясняет вопрос о том, как создается теория. Бэкон и развивший вслед за ним теорию индукции Дж. Ст. Милль подчеркивали, что индукция происходит путем выделения существенных признаков через удержание положительных примеров и отбрасывание отрицательных.
Однако в действительности такой механический способ не работает. Возьмем пример из школьной физики. Монета падает быстрее, чем перо. Но если провести эксперимент в колбе, откуда откачан воздух, можно наблюдать, что скорость падения предметов уравнялась.
Вроде бы перед нами классический образец индуктивного рассуждения. Выделен существенный признак – сопротивление воздуха, благодаря чему индуцировано правило о снижении скорости в результате сопротивления воздуха.
Однако очевидно, что процесс открытия должен был пройти в обратную сторону: чтобы провести эксперимент с вакуумной колбой, нужно было уже обладать гипотезой о том, что скорость снижается за счет сопротивления воздуха.
Другими словами, наука черпает свою базу знаний из активного экспериментирования, а не просто из анализа предданных фактов. И это экспериментирование направляется теориями, которые вначале носят характер гипотез.
Исследование реальных случаев научного творчества подтверждает активный характер выдвижения научных гипотез. Например, у истоков астрономии и физики Нового времени ученые исходили из гипотез о том, что траектории движения планет соответствуют совершенным фигурам.
Так, Тихо Браге предполагал, что Марс движется по окружности, в результате чего не мог согласовать своих расчетов с наблюдениями. Кеплеру потребовалось немало времени, чтобы отказаться от этой гипотезы и попробовать другие кривые, такие как овал, прежде чем обнаружить, что наибольшее соответствие данным дает эллипс.
Таким образом, гипотезы не выводятся из фактов. Они порождаются учеными на основании различных соображений, вплоть до веры в высшую гармонию, как в приведенном примере, но и в постоянном соотнесении с фактами.
Ч. Пирс называл парадоксом индукции зависимость индуцируемых закономерностей от предзнания, представлений, которыми человек обладает заранее. Он использовал образ инопланетянина, прилетевшего на Землю и исследующего результаты переписи населения.
Проблема этого инопланетянина в плане индукции закономерностей будет заключаться в том, что с чем соотносить. Если он не имеет предварительного знания о происходящем на Земле, о том, что представляет собой человеческая демография, перепись населения, то он будет просто неспособен к индукции, поскольку не знает, какие переменные нужно связывать, а какие – нет.
Разум, погруженный в море фактов без предварительного знания, не может индуцировать закономерности.
Наконец, К. Поппер подчеркивал, что модели не только не могут быть выведены из фактов, но даже не могут быть ими доказаны. Факты не могут доказать модель, но могут ее опровергнуть. В этом плане роль фактов – не верификация научной теории, а возможность ее фальсификации.
Таким образом, хотя обоснование знания заключается в выявлении соответствия теории фактам, получение знания не является простым индуктивным выводом теории из фактов. Порождение научных моделей во многих случаях держится на наших донаучных представлениях, включенности в жизнь, практических интересах, иногда – идеалах и т.д.
Теперь перейдем к вопросу о том, в какой степени современные технологии искусственного интеллекта могут осуществлять какие-либо из описанных компонентов процесса научного познания.
Искусственный интеллект и наука будущего
Искусственный интеллект – собирательный термин, и сегодня можно говорить о двух инструментах из этой сферы, потенциально применимых в науке: машинном обучении и генеративных моделях. Генеративные модели, конечно, тоже являются ветвью технологий машинного обучения, однако, как мы увидим, их потенциальное применение в науке обладает особенностями, которые заставляют рассматривать их отдельно.
Есть все основания предполагать, что развитие технологий искусственного интеллекта на этом не остановится и будут возникать новые инструменты, в том числе способные к применению в научной деятельности.
Рассмотрим вначале нейросети глубокого обучения. Иногда можно услышать мнение, что нейросети в отличие от людей могут делать предсказания, минуя общие закономерности. Так, например, нейросети гидрометцентров предсказывают погоду за счет обучения по показаниям множества датчиков без какого-либо учета физических закономерностей.
Это мнение отражает несомненный факт, что нейросети делают предсказания, избавляя людей от необходимости знать, на основании каких закономерностей предсказания делаются. Однако это не означает, что предсказание нейросети не делается ею на основании обнаруженной в процессе обучения закономерности.
В основании любого предсказания нейросети, безусловно, лежат закономерности, которые отражаются в функциональной зависимости между входными и выходными узлами. В этом плане не стоит преувеличивать принципиальную непонятность в выводах нейросетей, тем более что прогресс в методах так называемого объяснимого искусственного интеллекта делает все более проницаемыми процессы, происходящие внутри промежуточных слоев.
Однако дальше появляются различия, которые заслуживают пристального рассмотрения. Закономерности, получаемые нейросетями, выведены из обучения на данных, т.е. совокупности частных случаев. Другими словами, эти закономерности получены на основе индукции. Однако индукция совершается в пределах моделей, заданных разработчиком, а такое задание происходит в двух аспектах.
Во-первых, архитектурой и структурой нейросети, включая число уровней, их характер и т.д. Внутри этой структуры, заданной разработчиком, нейросеть в процессе обучения выводит закономерности, например подбирая коэффициенты для полиномиальных зависимостей, характерных для современных нейросетей, между входными и выходными сигналами. При этом стоит отметить, что разработчик задает структуру, руководствуясь интуицией и опытом. Строгих математических ответов на вопрос о том, какая структура сети будет наиболее адекватна для данного набора данных, на сегодня мало.
Во-вторых, семантика модели, индуцируемой нейросетью, т.е. ее отношение к моделируемым явлениям, задана способом ввода данных и значением выходов. То, что означают данные, подающиеся на входные узлы, и результаты, снимаемые с выходных, тоже определяется разработчиком. Только в этом контексте чисто математические отношения, задаваемые внутри сети, приобретают семантику, т.е. значение, применимое к объектам внешнего мира.
Таким образом, познавательная роль нейросетей оказывается очень своеобразной. Они способны к индукции закономерностей, однако эта индукция осуществляется в границах модели, заложенной разработчиком. При этом наличие такой предданной модели далеко не всегда рефлексируется разработчиком, что и создает впечатление «эмерджентной» познавательной способности нейросети.
Правда, справедливости ради стоит отметить, что в человеческом познании тоже далеко не всегда рефлексируется предданность моделей, которая может иметь свои истоки в культуре и даже биологии. Это, однако, не отменяет того факта, что «познание» современных нейросетей происходит внутри контекста жизни и культуры, которые задают общую рамку закономерностям, индуцируемым нейросетями.
Возможно ли изменение в дальнейшем? Могут ли технологии искусственного интеллекта в перспективе стать способны к гипотетико-дедуктивному познанию, связанному с выдвижением и проверкой научных гипотез?
Вероятно, машинное обучение может быть применено и к выбору структуры модели. В этом случае одна система обучается создавать другую таким образом, чтобы та лучше обучалась на целевом наборе данных. Из современных подходов к этой проблеме можно отметить символьную регрессию.
Если, однако, в этом контексте вспомнить К. Поппера с его идеей невозможности вывести модель из данных, то возникают некоторые сомнения в чисто интеллектуальном порождении моделей.
Человек – телесное существо, связанное своим мышлением со средой. В этом плане мы обладаем предданым знанием, которое направляет гипотетико-дедуктивное мышление.
В контексте такого представления о «воплощенном познании» создается впечатление, что пространство возможных моделей для машинного обучения должно задаваться человеком. Тем не менее развитие интеллектуальных систем в сторону расширения круга используемых моделей вполне возможно.
Генеративные модели
Генеративный искусственный интеллект возник на основе больших языковых моделей, применяющих методы машинного обучения к задачам обработки естественных языков. В эти модели заложены огромные объемы информации, содержащиеся в человеческих текстах, а за счет технологий машинного обучения разработчикам удалось добиться возможности использовать эту информацию и воспроизводить алгоритмы и схемы человеческой деятельности.
В результате генеративные модели способны выстраивать, хотя пока и не без сбоев, планы действий, направленные на реализацию целей, которые ставит перед программой пользователь (Park et al., 2019).
Генеративные модели вскрыли связи человеческой культуры и научились их использовать, что дало огромный эффект. Такие модели уже сегодня способны к генерации гипотез, однако пока что это не гипотезы настоящего научного уровня.
Можно, конечно, предположить, что развитие способности к выдвижению сильных гипотез – это вопрос времени, и при развитии генеративных моделей они со временем окажутся способными выдвигать адекватные научные гипотезы и разрабатывать системы их верификации.
Предположение это, конечно, чисто спекулятивное и наталкивается на столь же спекулятивное возражение, что генеративные модели обучены на текстах, созданных людьми, и, хотя, возможно, и способны извлекать оттуда какие-то ходы мысли, которыми никто из людей не воспользовался, все же смогут выйти за пределы заложенных в эти тексты мыслей только тогда, когда за эти пределы выйдут люди.
Чтобы оценить справедливость аргумента или контраргумента, надо подождать дальнейшего разворачивания событий, однако нет никаких оснований считать, что развитие искусственного интеллекта остановится на нынешних технологиях.
В дальнейшем можно ожидать возникновения более мощных инструментов, применимых в том числе в целях научного познания. Однако все же современные технологии искусственного интеллекта, даже с учетом их дальнейшего развития, не выглядят достойным конкурентом человека в сфере научного познания. При этом они могут служить человеку очень эффективным инструментом, расширяющим его возможности научного познания.
Генеративные модели представляют интерес как технологии развития научного знания еще в одном отношении. Они построены на трансформерной архитектуре, включающей энкодеры и декодеры, которая осуществляет уменьшение размерности данных (Devlin, Chang, Lee, Toutanova, 2019; Kuratov, Arkhipov, 2019).
Трансформер фактически строит пространство значений (эмбеддинги) и алгоритмы разворачивания этого пространства в текст и, наоборот, сворачивания текста в это пространство. Трансформеры решают задачи сокращения размерности в отношении текстов, однако решение задач сокращения размерности может играть важную роль в процессах индукции (Iwana, Uchida, 2021; Olsson, Tranheden, Pinto, Svensson, 2021).
Вспомним инопланетянина Ч. Пирса. Если бы он мог сократить размерность данных переписи до разумного минимума, задача выведения закономерностей перестала бы быть для него столь недоступной. К этой теме мы вернемся ниже, обсуждая проблемы технологий искусственного интеллекта в психологической науке.
Перспективы психологических исследований на основе технологий искусственного интеллекта
Все сказанное выше, конечно, относится не только к психологии, а характеризует проблему использования искусственного интеллекта в науке вообще. Более того, наука представляет собой чистую интеллектуальную деятельность, поэтому имеет основания мнение, что искусственный интеллект, способный к научной деятельности на уровне человека и выше, является сильным искусственным интеллектом.
В психологии уже сейчас можно наметить несколько линий развития, связанных с возрастающим внедрением технологий искусственного интеллекта.
Прежде всего можно ожидать изменения эмпирической базы психологии. До настоящего времени эта база состоит в основном из специальных лабораторных исследований, что давало основания для упреков в отсутствии «экологической валидности» в духе, например, У. Найсера.
Использование информационных технологий и машинного обучения идет в ногу с увеличением доступности данных из реальной жизни, которая становится все более наблюдаемой и регистрируемой.
Уже сегодня в психологических исследованиях достаточно широко используются данные из соцсетей и геолокации сотовых телефонов. Увеличивается объем видеозаписей поведения людей в различных условиях: на улицах городов, в процессе переговоров, в том числе онлайн, в учебных аудиториях и т.д.
Становятся доступными и необычные виды данных: например, ФРС открыла доступ к показаниям всех кассовых аппаратов США в реальном времени. Все это поднимает непростые проблемы доступа к таким данным, который, с одной стороны, может быть критически важен для развития науки, а с другой – не должен нарушать права людей на приватность.
Снижается трудоемкость привлечения испытуемых, поскольку эксперименты могут проводиться на специальных интернет-платформах, а участники рекрутируются в специальных сервисах за небольшую плату. Студенты-психологи теряют свое почти монопольное положение среди участников психологического исследования.
Вся совокупность этих данных может стать основой для машинного обучения. Однако до сих пор для машинного обучения в сфере психологии применяется достаточно бесхитростная методология, связанная с ручной разметкой или разметкой на базе психологических тестов.
При такой методологии зарегистрированные аппаратурным методом и оцифрованные данные (например, видеозаписи) используются для предсказания результатов психологических тестов или произведенной экспертами разметки (например, экспертные оценки эмоциональных состояний).
Однако постепенно из тумана будущего начинают проступать контуры подхода, способного нести реальную новизну. Кандидатом на роль такого перспективного подхода выглядит обучение без учителя (Feng et al., 2021).
Например, можно использовать записи эпизодов взаимодействия людей, разбитого на отдельные поведенческие акты. В этом случае машинное обучение без учителя может заключаться в предсказании поведенческих актов коммуникантов на основе предшествующих (может быть, также и последующих) актов.
Применение энкодеров и декодеров в этом случае позволит снизить размерность поведенческих данных и построить пространство человеческого поведения.
Возьмем удобный для разбора пример – игру в шахматы, которую в свое время Г. Саймон называл дрозофилой когнитивной психологии. В шахматах четко выделены поведенческие акты – ходы игроков. Если обучать нейросеть предсказанию ходов игроков с учетом позиции, времени на обдумывание, квалификации шахматиста и т.д., можно сформировать пространство, характеризующее принятие решений людьми в процессе игры. На основе общего пространства можно получать и «цифровых двойников» индивидуальных шахматистов.
Однако само по себе это пространство, пусть даже хорошо предсказывающее ходы шахматиста, не позволяет прояснить для человеческого понимания когнитивные процессы, стоящие за шахматной игрой. Объяснением какого-либо действия шахматиста может быть, например, сложность увидеть длинный ход фигурой назад или побочно возникшую угрозу.
Такие объяснения позволяют выстроить последовательность освоения приемов шахматного мышления человеком, провести диагностику сформированности этого мышления, организовать эффективное обучение, подготовку к соревнованиям и т.д.
Достижение такого рода интерпретаций на основе пространств принятия решений шахматиста представляет следующую задачу, в решении которой большую роль могут сыграть средства так называемого объяснимого искусственного интеллекта.
В целом работа по такой интерпретации вряд ли будет легкой, поскольку в психологии не очень просто проходят даже более элементарные интерпретации факторных структур, полученных из эксплораторного анализа, например в теориях личности и интеллекта. Однако при всем этом факторный анализ привел к большому прогрессу в психологии, который без применения такого анализа был бы недостижим.
В случае интерпретации пространств, возникающих в результате применения технологий машинного обучения, можно надеяться на намного большие достижения, поэтому преодоление трудностей вполне оправдано.
Представляется, что в обозримое время может сложиться род психологических исследований с применением технологий искусственного интеллекта по описанной выше схеме: вначале обучение без учителя на данных, регистрирующих поведение людей, описание пространства поведения; затем интерпретация этого пространства, приводящая к понятиям, которые описывают психическую реальность – когнитивную систему, мотивацию, установки, личность и т.д.
В случае шахмат поведенческие данные для машинного обучения заранее хорошо структурированы. Для других видов поведения данные потребуют дополнительного структурирования с применением специальных психологических теорий.
Так, например, анализ процессов коммуникации между людьми вряд ли может обойтись без спецификации коммуникативных актов, для чего необходимо привлечение соответствующих областей психолингвистики.
Во всех случаях психология, использующая машинное обучение, не может обходиться без накопленного опыта научной психологии как при подготовке данных, так и при интерпретации результатов.
Разработка этой области требует взаимодействия психологов и специалистов в сфере искусственного интеллекта, предъявляя высокие требования к междисциплинарному взаимопониманию, владению языками различных наук.
Облик психологии будет, вероятно, меняться и еще в одном важном отношении. Классическая психология всегда описывала форму поведения, но не его содержание.
Например, исследуя память, мы интересуемся, сколько слов может запомнить человек, какие по порядку слова он лучше запоминает и т.д., но абстрагируемся от самих этих слов.
Психология мышления пытается описать решение задач вообще, а конкретная задача служит только поводом для выявления общих закономерностей. Я.А. Пономарев по этому поводу любил шутить, что при углублении в содержание мышления мы должны будем у инженера-строителя изучать железобетонное мышление.
Мы как психологи не имеем возможности углубляться в содержание этого мышления, поскольку оно составляет предмет других наук, например строительной инженерии, как в упомянутом выше примере.
В содержании мышления ученого разбирается не психология, а та область науки, в которой этот ученый работает.
Создается впечатление, что внедрение технологий искусственного интеллекта снимает для психологии это ограничение. Действительно, уже сегодня генеративные модели достаточно хорошо способны воспроизводить дискурс человека в любой предметной области. Воспроизведение содержательной стороны мышления, таким образом, представляет наименьшую проблему для искусственного интеллекта.
В генеративных моделях, правда, речь идет о содержании человеческого мышления вообще, без его индивидуализации. Однако, по-видимому, вполне доступно и создание «цифровых двойников» для содержания знаний, убеждений, мотивации отдельных людей.
Приведенный выше пример с шахматной игрой иллюстрирует сказанное. Конечно, шахматные идеи, планы, стратегия, тактика и т.д. – не предмет размышлений психолога, в этих вопросах лучше всех разбираются квалифицированные шахматисты. Это всегда и подчеркивали классики психологии.
Однако похоже, что в руки психологов благодаря машинному обучению скоро попадут инструменты, которые позволят описывать знания, умения, мотивы, убеждения людей. Работая с такими инструментами, психологи смогут использовать эти описания для того, чтобы создать картину человека во взаимодействии формальной и содержательной сторон его психики.
Технологические приложения психологии, основанной на машинном обучении
Искусственный интеллект обещает технологический прорыв для психологии в плане как быстрой оценки свойств и состояний человека, так и эффективного взаимодействия с ним.
Возьмем приведенный выше пример с шахматами. Если мы можем создать «цифрового двойника» шахматиста, то будем способны оптимизировать, например, обучение, обеспечив наиболее эффективные индивидуальные траектории. Шахматы, повторимся, простая и удобная модель, но этот подход может быть распространен шире – в перспективе – на любую учебную дисциплину.
В других областях, где человеку требуется психологическая поддержка, перспективы технологий, основанных на искусственном интеллекте, неменьше.
Представляется реальным создание технологий, которые оценивают психологическое состояние человека и помогают его улучшать вплоть до применения психотерапевтических методов, способствуют совершенствованию отношений в ближнем и профессиональном кругах, выполняют роль коуча, помогают в ведении переговоров, ориентируют в поступающей информации и многое другое (Sboev, Naumov, Rybka, 2020; Babakov, Logacheva, Kozlova, Semenov, Panchenko, 2021;).
Все такого рода технологии могут быть объединены в перспективе в «индивидуального цифрового ангела», технологию, направленную на поддержку человека в различных отношениях (Степанов, Оржековский, Ушаков, 2020).
Понятно, что такого рода технологии могут иметь большое значение в жизни, серьезную коммерческую перспективу и в то же время стать полем борьбы оружия и противооружия.
При этом «цифровым ангелам» придется вписываться в существенно изменившийся мир, в котором многие исконно человеческие функции и сопутствующие им профессии перейдут к техническим устройствам (Fjelland, 2020).
Заключение
Технологии искусственного интеллекта уже начали вносить свой вклад в развитие психологии. В обозримой перспективе этот вклад обещает существенно вырасти и повлиять на ландшафт психологической науки в целом, существенно увеличить ее фундаментальные достижения и понимание человека, а также привести к развитию новых технологий в духе «цифровых ангелов».
Однако развитие ныне существующих технологий искусственного интеллекта, включая различные виды нейросетей и генеративные модели, не кажется способным заменить живого человека в качестве ученого. Создание новых моделей остается прерогативой человека.
Сказанное не означает невозможности в принципе технологий искусственного интеллекта, способных взять на себя научный поиск целиком. Однако такие технологии вряд ли могут быть основаны на развиваемых в настоящее время подходах.
Исследование поддержано грантом Российского научного фонда № 22-18-00704.
Литература
- Степанов, С. Ю., Оржековский, П. А., Ушаков, Д. В. (2020) Проблема цифровизации и стратегии развития непрерывного образования. Непрерывное образование: XXI век, 2(30). 1–14. doi: 10.15393/j5.art.2020.5684
- Babakov, N., Logacheva, V., Kozlova, O., Semenov, N., & Panchenko, A. (2021). Detecting Inappropriate Messages on Sensitive Topics that Could Harm a Company’s Reputation. ArXiv, abs/2103.05345
- Devlin, J., Chang, M., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. NAACL.
- Feng, S.Y., Gangal, V., Wei, J., Chandar, S., Vosoughi, S., Mitamura, T., & Hovy, E.H. (2021). A Survey of Data Augmentation Approaches for NLP. ArXiv, abs/2105.03075.
- Fjelland, R. (2020) Why general artificial intelligence will not be realized. Humanities and Social Sciences Communications, 7(10). doi: 10.1057/s41599-020-0494-4
- Iwana, B.K., & Uchida, S. (2021). An empirical survey of data augmentation for time series classification with neural networks. PLoS ONE, 16.
- Kuratov, Y., & Arkhipov, M. (2019). Adaptation of Deep Bidirectional Multilingual Transformers for Russian Language. ArXiv, abs/1905.07213
- Sboev, A.G., Naumov, A., & Rybka, R.B. (2021). Data-Driven Model for Emotion Detection in Russian Texts. Procedia Computer Science, 190, 637–642. doi: 10.1016/j.procs.2021.06.075
- Stepanov, S. Yu., Orzhekovskiy, P. A., & Ushakov, D. V. (2020) Problema tsifrovizatsii i strategii razvitiya nepreryvnogo obrazovaniya [The problem of digitalization and strategies for the development of lifelong education]. Nepreryvnoe obrazovanie: XXI vek, 2(30), 1–14. doi: 10.15393/j5.art.2020.5684
- Park, D.S., Chan, W., Zhang, Y., Chiu, C., Zoph, B., Cubuk, E.D., & Le, Q.V. (2019). SpecAugment: A Simple Data Augmentation Method for Automatic Speech Recognition. ArXiv, abs/1904.08779
- Olsson, V., Tranheden, W., Pinto, J., & Svensson, L. (2021). ClassMix: Segmentation-Based Data Augmentation for Semi-Supervised Learning. 2021 IEEE Winter Conference on Applications of Computer Vision (WACV), 1368–1377
Об авторе
Дмитрий Викторович Ушаков — директор Института психологии РАН, академик РАН, доктор психологических наук, профессор.
Смотрите также:
- Беликова Е.К. Субстанциональные ценности в эпоху искусственного интеллекта
- Курьян С.М., Петрушкевич М.А., Селиванова Е.А. Поддержка ментального здоровья через искусственный интеллект: как ии-агенты могут поддержать в период стресса
- Резаев А.В., Трегубова Н.Д. «Искусственный интеллект», «онлайн-культура», «искусственная социальность»: определение понятий
- Ушаков Д.В., Валуева Е.А. Взаимодействие человека с искусственным интеллектом
