Что такое искусственный интеллект в 2024? (ПОЛНАЯ ВИЗУАЛИЗАЦИЯ “ЧТО ВНУТРИ”)

Искусственный интеллект сегодня – это неотъемлемая часть жизни каждого из нас. Однако не многие задумываются “А как это работает?” “Как мы оказались возле такой технологии?” “Что реально нас ждет в будущем?” и т.д. и т.д.

Краткое содержание видео:

1. Введение: Видео посвящено объяснению нейронных сетей и искусственного интеллекта простым языком.
   Автор видео делает акцент на том, что ИИ не обладает сознанием и не понимает мир так же, как люди.
   Нейронные сети основаны на математических функциях и обучаются путем подгонки этих функций под данные.
2. История создания нейронных сетей: Автор рассказывает о первых разработках в области ИИ, начиная с машины Тьюринга.
   Он описывает архитектуру фон Неймана, лежащую в основе современных компьютеров.
   Ключевым моментом является создание первой самообучающейся нейронной сети “Mark 1 Perceptron” Фрэнком Розенблатом.
3. Как работают нейронные сети: Автор объясняет работу нейронных сетей на примере определения пола человека по фотографии.
   Он использует простую модель с двумя входными параметрами (длина волос и макияж) и одним выходным (пол).
   Вводится понятие активационной функции и границы активации.
   Объясняется, как нейронные сети обучаются путем минимизации ошибок на большом количестве примеров.
4. Подгонка функции: Автор подчеркивает, что нейронные сети не “понимают” задачи, а просто подгоняют функцию под данные.
   Он использует термин “машинное обучение” для описания этого процесса.
   Важно понимать, что после обучения нейронная сеть может работать без необходимости в дополнительных данных.
5. Ограничения нейронных сетей: Автор делает акцент на том, что нейронные сети не способны понимать смысл слов или образов.
   Они оперируют только цифрами и обучаются на основе числовых данных.
   Интерпретация работы нейронных сетей может быть сложной задачей.
6. Заключение: Автор призывает к трезвому и реалистичному взгляду на возможности ИИ.
   Нейронные сети – это мощный инструмент, но они не способны заменить человеческий интеллект.
   Важно понимать ограничения ИИ и использовать его ответственно.

В видео также:

Автор использует простые аналогии и примеры, чтобы сделать материал более понятным.
Он подчеркивает важность исторического контекста в развитии ИИ.
Автор критикует некоторые заблуждения и мифы, связанные с ИИ.

**В целом, это видео дает хороший обзор основ нейронных сетей и искусственного интеллекта.

Важно отметить, что:

Видео было создано в 2024 году, и некоторые сведения в нем могут быть устаревшими.
Существует множество различных типов нейронных сетей и методов машинного обучения.
ИИ - это быстро развивающаяся область, и новые открытия совершаются постоянно.

Расшифровка видео
0:00
Я обещаю что после этого видео вы совершенно по-другому взгляните на искусственный интеллект и
0:06
технологический прогресс в целом ведь в действительности данная технология – это
0:11
поразительная геометрия искривления многомерного пространства данных и когда
0:16
я говорю про многомерность Я не говорю про четыре или даже 10 измерений я
0:21
говорю про десятки и сотни тысяч измерений которые взаимодействуя друг с
0:27
другом порождают не просто слова а концепты образов концепты значений
0:33
концепты смыслов или Даже мыслей Однако более удивительно то что реальной
0:40
информации в этой многомерной структуре нет искусственный интеллект А в
0:45
частности большие языковые модели по типу gpt генерируют информацию они её
0:51
создают и Такое возможно только по одной причине вся эта многомерная структура Да
0:57
и весь искусственный интеллект про данные информацию Он про математические
1:03
функции А как вы знаете с помощью математических функций можно описать
1:09
весь окружающий нас мир в том числе человека его Разум и его сознание Однако
1:16
чтобы действительно осознать природу искусственного интеллекта Мы обязаны совершить большое а местами даже сложное
1:23
путешествия от самой идеи появления искусственного интеллекта до
1:31
он заменит телефон и будет полностью интегрирован в жизнь каждого из нас вы
1:37
можете по-разному относиться к глубокому обучению большим языковым моделям и искусственному интеллекту в целом Но это
1:44
Неоспоримый факт ведь как вы поймёте десятки лет истории компьютерных
1:50
технологий это одна сплошная погоня за мечтой создать машину способную Мыслить
1:56
как человек и уже сегодня сейчас человечество совершает
2:01
технологический переход и вступает в Новую промышленную эпоху в эпоху
2:07
автоматизации не производства а интеллектуального мышления другими
2:12
словами то что раньше делали тысячи рабочих сегодня делает один Станок А то
2:18
что сегодня делают тысячи юристов бухгалтеров программистов и других квалифицированных специалистов будут
2:25
делать несколько десятков нейросетей и на самом деле искусственный интеллект
2:31
невероятно стремительно изменит облик всего человечества сломав любые
2:37
интеллектуальные неравенства всего мира Ведь у каждого человека невзирая на его
2:42
образование и статус появится доступ к лучшему специалисту в любой области
2:49
Однако в наших стремлениях к технологическому прогрессу мы не должны впадать в истерию а должны трезво
2:56
оценивать ситуацию ведь в истории уже несколько раз случались периоды так называемой зимы искусственного
3:03
интеллекта когда одни начинают верить в пришествие каких-то Сверхъестественных
3:08
технологий другие начинают заливать индустрию деньгами Ну а третье рассказывают о пришествии и тонут в
3:15
деньгах и у такой истерии всегда печальный конец ведь никогда технологический прогресс не был способен
3:23
угнаться за ожиданиями людей инвесторов и государств но тем не менее происходят
3:30
стремительно И как я уже говорил они неизбежны поэтому невзирая на сложности
3:36
я уверен что ты как всегда со всем справишься и поймёшь интуитив ную суть
3:42
современного искусственного интеллекта ведь это актуально как никогда ранее
3:48
Здравствуйте меня зовут Андрей велико ацкий и начать мы должны с понимания технологий середины прошлого века потому
3:55
что главная идея И главный алгоритм нейронных сетей были разработаны задолго
4:01
до появления даже первого персонального компьютера без интуитивного понимания
4:06
данного алгоритма нет никаких шансов разобраться в современном многомерном
4:11
искусственном интеллекте что считать отправной точкой искуственного интеллекта вопрос весьма открытый ведь
4:18
идея некой автономной человекоподобное сущности глубоко уходит корнями в
4:23
тысячелетнюю историю нашей цивилизации Однако именно современное понимание искусственного интеллекта неразрывно
4:31
связана с нашим прогрессом в области компьютерных технологий поэтому начать сто есть с человека по имени Ален Тюрин
4:38
которого Многие могут знать по его вычислительным машинам для расшифровки сообщений во время Второй мировой войны
4:44
Ну или по фильму Игры разума ему принадлежит опубликованная ещё в
4:50
1936 году идея универсальной машины так называемой машине тьюринга способной
4:57
вычислить любую поставленную ей математическую задачу В то время уже существовали некие компьютеров механизмы
5:05
для вычислений Однако они были не программируемые создавались для каких-то конкретных задач реально же
5:11
программируемые устройства начнут появляться только спустя Почти 10 лет как например устройство говарда экина и
5:18
его коллег из гарварда созданное в сотрудничестве с IBM и названное Гарвард Марк 1 Это был один из первых
5:25
электромеханических компьютеров общего назначения использовал военных целях во время последней части
5:32
Второй мировой войны и работавший в основном над расчётами по созданию атомной бомбы в рамках манхэттенского
5:39
проекта по сути Это был программируемый калькулятор состоящий из 1 милна деталей
5:45
сотен километров проводов и весом почти 5 тонн умножение на нём занимало 6
5:50
секунд деление 15 логарифмирование целую минуту а контр-страйк запускался 120.000
5:57
лет и есть одна забавная история связанная с этим устройством программист
6:02
Грейс хоппер Однажды обнаружила дохлую моль
6:08
блокирующим в истории программным багом компьютера получается что это первый в
6:13
истории Случай Когда разработчики забили на баги Точнее не забили их или забили
6:20
примерно в то же время развивается новая технология цифровых компьютеров на вакуумных лампах которые уже могли
6:27
решать сразу несколько уровней например устройство колосс созданное В
6:32
1943 году силами инженера Томми флауэрс Однако более существенные изменения
6:39
Начинают происходить спустя 3 года когда под руководством Джона маук и Джона эрта
6:45
завершается производство ещё одного компьютера под названием ньк
6:51
сконструированной атомного оружия он состоял из 18000 электрических ламп и
6:58
сократил время счётов до несколько сотен миллисекунд что фактически означало увеличение производительности почти в
7:05
тысячу раз Однако более важно то что во время строительства данного компьютера
7:10
происходит одно из ключевых событий в истории человечества Джон маук и Джон
7:16
эккерт Независимо друг от друга описывают концепт революционной
7:21
компьютерной архитектуры мы не будем углубляться в технические тонкости Однако важно понять Главное
7:28
исключительное отличие данной архитектуры заключается в том что заместо отдельной памяти для данных и
7:34
отдельной памяти для инструкции она использовала лишь одну память которая являлась общим хранилищем для одного и
7:41
другого другими словами раньше чтобы перепрограммировать компьютер необходимо
7:46
было напрямую вмешиваться в отдельную память инструкций производить какие-либо изменения и только после этого
7:54
использовать программу А вот архитектура с общей памятью позволяет перепрограммировать компьютер лишь с
8:00
помощью интерфейса ввода-вывода что невероятно облегчает использование одного и того же оборудования машины как
8:07
для научных расчётов так и для запуска каких-нибудь игр также такая архитектура
8:13
позволяет программе в рамках одного алгоритма вносить последовательные изменения в саму программу Что даёт
8:20
Невероятные возможности для решения всевозможных задач требующих многоуровневые инструкции в общем новая
8:27
архитектура практически была воплощением той самой идеи универсальной машины
8:33
способной решать любые поставленные ей математические задачи Однако за всё
8:39
нужно платить и существует огромный минус данной архитектуры она накладывает
8:44
неизбежные ограничения в виде необходимости выполнять инструкции последовательно Шаг за шагом что
8:51
невероятно ограничивает объём вычислений и пропускную возможность шины данных
8:56
между процессором и памятью форми тем самым так называемое узкое горлышко тем
9:02
не менее её универсальность полностью изменит образ жизни всего человечества
9:08
ведь спустя более 70 лет каждый потребительский компьютер каждый смартфон каждый телевизор каждый
9:15
медицинский аппарат и каждое другое современное электронное устройство так или иначе всё ещё работает в рамках
9:22
данной архитектуры архитектуры фон Неймана что Причём здесь фон нейман
9:29
архитектуру же разработал не он действительно Несмотря на то что гений
9:34
Джон фон нейман внёс вклад в наверное каждую научную область и без которого не
9:40
существовало бы квантовой механики изначальную архитектуру современных компьютеров придумал не он как я уже
9:47
говорил ранее компьютер строился для огромных объёмов вычислений в рамках манхэттенского проекта по разработке
9:54
атомного оружия в котором участвовал и знаменитый математик Джон нейман на
10:00
основании работ экер и мокли по новой архитектуре компьютера он пишет
10:05
рукописный предварительный отчёт и передаёт его коллеге Герману льн тайну
10:11
который в свою очередь перепечатать отчёт только под именем фон Неймана делает копии и распространяет для
10:18
ознакомления среди других учёных из разных университетов мира закрепляет тем
10:23
самым имя фон Неймана под данной архитектурой к ужасу экер и мокли как бы
10:30
то ни было информация из зачёта позволяла начать разным университетам по всему миру строительство своих
10:37
собственных компьютеров что становится отправной точкой когда мир уже не будет
10:43
прежним точкой когда начинается компьютерная революция а впоследствии и первая квантовая революция о которой мы
10:50
говорили в прошлом видео в начале пятидесятых изобретают первые транзисторы которые заменяют лампы и
10:57
сразу же уменьшают размеры и потребляемую электроэнергию компьютеров в десятки раз начинают появляться более
11:04
сложные комплексные программы появляется первый жёсткий диск на 5 Мб и весом в 1
11:10
тонну затем интегральная схема первый чип на несколько десятков транзисторов и
11:15
так далее и так далее вплоть до наших дней дней когда на оборудовании из твоей
11:20
обычной микроволновки инженеры прошлого давным-давно колонизировали бы Марс
11:27
Однако на рубеже 50 годов происходит не только рождение образа современных компьютеров но и рождение искусственного
11:35
интеллекта получается происходит искусственное Рождение всё начинается в
11:41
1948 году когда Клод шенон в одной из самых значимых для человечества статей
11:47
под названием математическая теории связи опубликовать основы так называемой
11:53
теории информации очень упрощая данная теория даёт нам понять что вся вселенна
11:59
и вся информация о ней может быть описана обычными бинарными вопросами с ответами да или нет то есть единица или
12:07
Ноль другими словами существует способ описать всю информацию о мозге
12:12
интеллекте сознании и человеке в целом с помощью двоичного кода а следовательно
12:18
можно и запрограммировать машину будет ли она работать вопрос открытый и Философский в особенности на морозе ещ
12:26
спустя 2 года в 19 году знакомый нам уже Алан тюринг спустя
12:32
15 лет после его фантастической идеи универсальной машины которая фактически
12:37
стала реальностью публикует свою основополагающую философскую работу под
12:42
названием вычислительная техника и интеллект в которой на 28 страницах А4
12:48
Алан пытается ответить на свой вопрос Могут ли машины думать в рамках своих
12:54
рассуждений он описывает практически всё например что машину можно обучить по
12:59
принципу поощрения и наказания что машины вероятно могут сместить человека с господствующих позиций Может ли бог
13:06
одарить достаточно развитую машину душой Какой тест можно было бы использовать для определения искусственного сознания
13:13
и так далее и так далее другими словами именно тьюринг ещё 70 лет назад в своих
13:19
рассуждениях закладывает фундаментальные философские основы всего современного
13:25
искусственного интеллекта А не всякие информационные паразиты которые присваивают его доводы себе
13:31
немного их осовременить таким образом искусственный интеллект получает технологическую математическую и
13:38
философскую базу которая позволяет выделить данную идею в отдельную науку и
13:44
отдельную отрасль происходит это в 1956 году на так называемом дармон ском
13:50
семинаре который организовали Джон Маккартни Марвин мински Клод шенон и Алан нл при участии других учёных Интере
13:58
шихся данной Темой сегодня вместе с аланом Тюрин их считают отцами
14:04
основателями искусственного интеллекта появление отдельной науки приводит к
14:09
значительному скачку в развитии отрасли и разработке программ поражающих любое мышления людей того времени ведь машины
14:17
начинают демонстрировать попытки решать словесные задачи доказывать теоремы по
14:22
геометрии говорить по-английски играть в шашки и так далее и так далее Однако
14:28
самым важным достижением для нас является работа Фрэнка разен блата по воссозданию абстрактных нейронов
14:34
человеческого мозга в аналогово программном виде которую он назвал Mark
14:40
1 парсит фактически это было первоя в истории самообучающиеся нейронная сеть
14:46
только в аналоговом виде в виде машины она состояла из нескольких десятков
14:51
отдельных светочувствительных датчиков которые были подключены к схеме так называемого парсит и могла не только
14:59
распознавать изображение но и определять пол человека чтобы заставить компьютер
15:06
распознавать лица нам понадобится много сложных правил о лицах и специальная программа Но этому парсит просто дали
15:14
много примеров в том числе с необычными причёсками когда дело доходит до людей
15:21
парсит смотрит на черты лиц и контур волос ему нужно время чтобы понять что
15:27
от него хотят Однако даже Парик не вызывает
15:36
сомнений после обучения на множестве примеров ему дают новые ранее не
15:41
показывается и он успешно отличает мужчин от женщины и Вы только вдумайтесь это
15:48
происходит более 70 лет назад когда у людей нет интуитивного понимания даже
15:53
телевизора не то что информатики компьютера или нейронных сетей В общем
15:59
даже сейчас просепт выглядит довольно фантастически поэтому встаёт закономерный вопрос как это вообще
16:06
работало Действительно ли машина понимала разницу между мужчинами и женщинами или это была какая-то
16:12
технологическая Уловка Отвечая на данные вопросы Нужно отметить что Фрэнк разен
16:18
блад при создании парасепт вдохновлялся пониманием того времени как работают
16:23
нейроны головного мозга очень абстрактно и очень упрощенно нейрон головного мозга
16:29
можно представить в виде трёх следующих главных компонентов дендритов сомы и
16:34
аксона работают они следующим образом отростки дендритов принимают входные
16:40
сигналы от других нейронов и передают в сому сома в свою очередь накапливает все
16:46
входные сигналы и по достижению определённого уровня срабатывает передавая один свой собственный сигнал
16:53
другим нейронам в цепочке через акн То есть если уровень гнала достаточный то
16:59
Нейрон срабатывает а если недостаточный то не срабатывает причём чем чаще срабатывает Нейрон тем боле устойчивый
17:07
он выдаёт Сигнал такой простой механизм помогает организовать полезные нейроны
17:12
головного мозга которых у нас на минуточку около 86 млрд А сколько они
17:18
образуют структур и представить страшно Однако к этому мы вернёмся позже сейчас
17:24
важно понять другое фактически Нейрон делает следующее он берёт поступающие
17:29
входные данные обрабатывает их и выдаёт результат что кажется довольно знакомым
17:36
согласитесь ведь это обычное описание простейшего математического примера а
17:41
точнее математической функции и не переживайте Сейчас мы не будем погружаться в дебре математического
17:48
анализа потому что функции тут простейшие на уровне начальной школа Подождите математика в нейронах работает
17:55
чтобы я учил математику в школе что Несмотря на то что математика здесь
18:01
простейшая вы будете удивлены как она интересно и эффективно работает для примера Давайте попробуем воссоздать
18:08
нашу задачу с определением пола человека по фотографии а Конкретно наш абстрактный Нейрон будет
18:15
активизироваться когда на фотографии будет Женщина как Вы помните Нейрон активизируется когда сумма всех входящих
18:22
сигналов достигает определённого уровня в нашем случае мы определим Этот уровень
18:27
как единица а входящие сигналы будут являться определёнными женскими чертами
18:32
например длина волос другими словами если длина волос больше единицы то
18:38
Нейрон активизируется и это однозначно женщина Однако Согласитесь что
18:43
определять пол человека только по длине волос затея довольно неточная наши
18:49
данные будут выглядеть примерно так а Нейрон будет выдавать около 70% ошибок
18:55
что очень много поэтому мы введём второй входящий сигнал и назовём его макияж
19:01
когда количество макияжа достигает единицы то это точно женщина и Нейрон
19:07
активизируется это делает из прямой двумерную плоскость а границей активации
19:12
становится не просто число или точка а прямая линия всё что дальше – это прямой
19:18
женщина А всё что ближе – мужчины в данном случае погрешность входных данных
19:23
намного меньше поскольку вероятность обнаружить на фото мужчину с длинными волосами и макияжем намного меньше что
19:31
кардинально сокращает уровень ошибок до 20% Вы можете поставить на паузу и
19:37
убедиться что в этом двумерном распределении присутствует глубокая
19:42
логика например человек с почти максимальным макияжем но короткими волосами женщина а человек с длинными
19:49
волосами но без макияжа – мужчина Однако при двух входных параметрах тоже
19:54
присутствует большая доля ошибок поскольку есть мужчи с длинными чёрными ресницами или лысые женщины и так далее
20:03
поэтому мы добавляем к нашему нейрону третий параметр который Не сочтите за
20:08
грубость мы назовём грудь где уровень единица естественно по нашей шкале будет
20:13
точно женщина третий параметр преобразует нашу двухмерную плоскость в
20:19
трёхмерное пространство а границу активации из прямой в плоскость но суть
20:24
остаётся прежней все данные выше плоскости женщина А все ниже – мужчина
20:31
при таких параметрах погрешность входных данных становится ещё меньше поскольку
20:36
вероятность обнаружить на фото мужчину с максимальными волосами макияжем и грудью
20:42
равняется практически нулю на самом деле вы можете добавить и четвёртый входной параметр и пятый и Шестой И вообще
20:49
сколько хотите лишь бы хватало вычислительной мощности все они будут увеличивать точность вашей модели и
20:56
работать математически Однако с визуализацией возникают трудности Точнее
21:01
с её пониманием Как вы могли уже догадаться каждый новый параметр добавляет новое пространство данных а к
21:08
сожалению мы трёхмерные кожаные мешки ограничены своими трёхмерные органами
21:14
чувств конечно среди нас Наверняка есть люди уже пишущие в комментариях что
21:19
могут представить и четырёхмерный и пятимерное и Возможно даже
21:27
десятимесячного ное пространство как у чата gpt 3 Слабо все Знайка А нам на
21:33
этом канале не слабо Потому что всегда есть лазейки и мы к этому ещё вернёмся
21:38
Но прежде нам придётся многое узнать ведь в действительности мы ещё даже не поняли как работает один абстрактный
21:45
Нейрон не то что сеть из них поэтому сейчас давайте вернёмся к нашей модели
21:50
просепт более того чтобы было проще Давайте вернёмся обратно к двухмерной
21:56
плоскости и двум параметрам Хотя всё что будет сказано Дальше также будет работать в Сколь угодно мерном
22:03
пространстве как мы уже поняли наш абстрактный Нейрон состоит из входных данных разного значения или как принято
22:10
говорить разного веса а также границы за которой Нейрон считается активным Однако
22:16
Мы также выяснили что распределение данных не всегда формирует чёткую границу а забегая вперёд скажу что в
22:23
настоящих сложных задачах чёткой границы вообще не существует Поэтому нам
22:29
необходимо ввести ещё один параметр под названием смещение которое при
22:34
необходимости будет двигать нашу границу так чтобы результат выдавал как можно меньше ошибок и на самом деле в
22:41
словосочетании выдавать как можно меньше ошибок кроется глубокий смысл понимания Не только парасепт но и нейронных сетей
22:49
в целом поскольку это их стремление это их цель это их смысл О чём вы будете
22:55
убеждаться на протяжении всего видео сейчас же важно окончательно Осознать
23:01
что наша модель нейрона – это простейшая функция с тремя переменными два веса
23:06
входящих данных и одно смещение управляя этими переменными то есть сделай их
23:12
больше или меньше мы можем расположить границу результата таким образом что шанс ошибки будет минимальным Однако мы
23:20
рассматриваем очень простую задачу лишь с двумя переменными в двухмерной плоскости реальны же сложные
23:28
содержит сотни и тысячи переменных располагающихся в многомерных геометрических пространствах заниматься
23:36
поиском оптимального расположения границы При таком количестве данных задача для человека выполнимая но
23:43
малоэффективна так вот суть просепт и его обучения в этом и заключается чтобы
23:49
на большом количестве входных данных при большом количестве повторяющихся попыток
23:54
эмпирически то есть методом проб и ошибок ложить границу с минимальными ошибками за место человека другими
24:02
словами парси бтн и как мы увидим в будущем нейронные сети тупо подгоняет
24:07
функцию под искомый результат пока не достигнут минимального количества ошибок
24:12
Хотя более корректно сказать что они создают какую-то похожую функцию такой
24:18
процесс называется машинное обучение и оно является частью общей концепции
24:23
искусственного интеллекта важно понимать что после обучения вернее после подгонки
24:29
функции вам даже не нужны никакие данные вы их Можете просто Удалить но когда вы
24:34
будете показывать Новую фотографию подогнаны функция и так будет выдавать верный ответ то есть парсит и нейронные
24:42
сети не проданные они про подогнаны функции и на самом деле под этими
24:48
функциями может скрываться любая задача ведь Согласно уже упоминаемой теории информации мы можем описать весь
24:54
окружающий нас мир используя лишь бинарные вопросы Да нет то есть Нейрон
24:59
активирован или нет к чему Мы ещё вернёмся сейчас же важно осознать ещё
25:05
одну невероятно простую но я бы сказал самую фундаментальную истину касательно
25:10
парсит и будущих нейронных сетей чтобы действительно осознать её и верно
25:16
сформулировать для вас я потратил десятки часов размышлений так вот
25:21
простая истина заключается в том что парсит и будущие нейронные сети никогда
25:27
не понима не понимаю и нет даже нака что в обозримом будущем Будут понимать что
25:33
такое женщина Что такое волосы что такое макияж Что такое грудь или что такое
25:38
вообще слова машина в лучшем случае может только обрабатывать значение то
25:44
есть цифры а когда мы с вами выбирали параметры для определения пола в нашей модели мы использовали человеческие
25:50
слова и заложенные в них смыслы и образы машина их не понимает помните как я вам
25:56
говорил все входные данные попадают в парасепт Через несколько десятков светочувствительных датчиков так вот
26:03
входные данные – это не слова они выглядят так а точнее скорее Так где
26:09
более яркий белый свет даёт большее число Сможете ли вы определить по такому
26:14
числовому набору пол Я думаю процент ошибок у вас будет точно больше чем у
26:20
просепт всего датчиков 400 а это значит что у функция будет 400 переменных или
26:26
400 пространств данных однако для просепт Это не проблема он может
26:31
совершить миллионы попыток и рано или поздно Подгони функцию под любые входные
26:37
данные выраженные в числах вы даже можете попытаться интерпретировать его
26:42
переменные например более чёрный пиксель значит больше волос и так далее Однако в этом немного смысла поскольку логика
26:50
может быть любой важно то что функция будет работать причём с минимальным
26:55
количеством ошибок Хотя в попытках борьбы с ересью вокруг искусственного интеллекта по типу чёрного ящика Мы ещё
27:03
вернёмся к вопросу интерпретации переменных сейчас же в заключении нашей
27:08
первой ступеньки на пути понимания нейронных сетей хочется сказать что несмотря на кажущиеся впечатляющие
27:15
возможности парсит всё-таки это была супер примитивная машина и супер
27:20
примитивный алгоритм он мог работать только с функцией в виде прямой и другие
27:25
даже супер простые формы деления данных были недоступны для него а данные
27:31
реальных задач как я уже говорил могут принимать невероятно сложное распределение в многомерном пространстве
27:38
И на самом деле самая невыполнимая задача – это победить алгоритм искусственного интеллекта и заставить
27:44
его добавить не развлекательное а образовательное видео в рекомендации юту
27:50
Но мы с вами кожаные мешки обладаем секретным оружием это наш пальчик и
27:56
motor.ru поэтому я попрошу вас использовать всё своё господствующее положение чтобы
28:03
взять пальчик и бахнуть лайк под этим видео и показать этому искусственному
28:08
интеллекту кто здесь хозяин Спасибо Однако несмотря на современную
28:14
примитивность вы просто Представьте обычного человека того времени например журналиста который заходит в комнату с
28:21
разными лампочками где машина различает людей на фотографии Вот что он должен
28:26
подумать где здесь выход в общем такие технологии по-настоящему шокировали и
28:31
привлекали к себе массу внимания причём внимания не только обычных граждан но и
28:36
представителей военно-промышленного комплекса США интерес и ажиотаж также
28:42
подогревался со стороны самих учёных которые с огромными ожиданиями смотрели
28:47
на новую отрасль искусственного интеллекта вот что в 1961 году говорил один из реальных отцов
28:54
искусственного интеллекта и теории Клод Шен которого мы уже
29:00
упоминали в дискуссии проблем симуляции человеческого мозга на компьютерных машинах мы должны различать достижение
29:07
прошлого и то что Мы надеемся достичь в будущем безусловно достижение прошлого
29:13
впечатляющее У нас есть машины которые в некотором степени будут переводить с одного языка на другой машины которые
29:20
будут доказывать математические теоремы машины которые будут играть в шахматы в
29:25
шашки иногда даже лучше чем люди которые их разработали но они относятся к категориям компьютера со специальными
29:31
программами нацеленных на конкретные проблемы в будущем нам хотелось бы создать более общую вычислительную
29:38
систему способную обучаться на опыте и формировать индуктивное и дедуктивное
29:43
мышление вероятно она будет состоять из трёх основных частей во-первых будут органы чувств подобные человеческому
29:50
глазу или уху с помощью которых машина сможет узнавать события в окружающей
29:55
среде во-вторых будет большая гиб компьютерная программа общего назначения которая сможет учиться на своём опыте
30:02
формировать концепции и способы выполнения логических заключений в-третьих появится устройство вывода
30:08
подобные человеческой руке способные позволить машине использовать мысли возникшие в результате когнитивных
30:15
процессов для того чтобы фактически взаимодействовать на окружающую среду работа ведётся во всех этих направлениях
30:22
и наблюдается быстрый Прогресс я с уверенностью ожидаю что в течение Или 15
30:28
лет мы обнаружим что в лабораториях появляется что-то не слишком далёкое от роботизированной научной Фантастики в
30:35
любом случае как бы то ни было это безусловно является Одной из самых сложных и захватывающих областей
30:41
современной научной работы в конечном итоге технологический
30:47
Шок в совокупности с гражданским интересом и одобрением приводит к огромным объёмам финансирования отрасли
30:53
и начала так называемого Золотого века искусственного интеллекта причём Самым крупным источником становится агентство
31:01
перспективных оборонных исследовательских проектов США сокращённо на английском дапа которые с
31:07
учётом инфляции начинают выделять по 20 млн долларов в год на каждый проект
31:13
газета New York Times в того времени писала будущие военные компьютеры смогут ходить говорить видеть Писать само
31:21
воспроизводить себя и осознавать своё существование в действительности же
31:27
енные были заинтересованы в таких технологиях как например машинный переводчик с русского на английский
31:33
распознавание речи для управления узлами военной техники автономная система управления танка и так далее и так далее
31:41
То есть вполне реалистичными технологиями даже по меркам того времени тем более учитывая что учёные ожидали
31:48
создать полностью осознанный искусственный интеллект в течение первых 20 лет А может быть они создали Однако
31:56
Шли годы а революция искусственного интеллекта всё не наступало перегретый из-за СМИ ожидания людей не оправдывали
32:04
Что вызывало закономерное недоверие с военными же проектами дела были ещё хуже
32:09
на деле оказалось что машинный переводчик включал лишь 49 предложений и 250 слов на русском языке А
32:17
распознавание речи удалось реализовать лишь для нескольких фраз и то при заданном порядке слов И несмотря на то
32:24
что причин для такого не впечатляющего результата было много о самом значимом Я
32:30
думаю догадываются многие это банальные технологические ограничения и в первую
32:36
очередь память несколько мегабайт который занимали целую комнату и
32:41
Элементарно не могли включать в себя более сложные алгоритмы и более массивные базы данных на фоне такого
32:48
результата дапа обеспокоенная отсутствием реальной эффективности начинает резко сокращать инвестиции и
32:55
ужесточать прави а в 1974 году после так называемого отчёта
33:02
латхи в котором говорилось то что обещанные когда-то цели не были достигнуты ни в одной области дапа
33:09
практически полностью прекращает финансирование проектов по искусственному интеллекту все эти
33:15
негативные причины приводят к тому что с 1974 года у искусственного интеллекта
33:22
начинается резкое падение финансирования количество разработок и
33:27
начинается так называемая зима искусственного интеллекта Однако не всё
33:33
так печально Ведь у каждой отрасли есть период инерции А после каждой зимы
33:38
наступает весна Ну кроме только наверное после ядерной зимы весну Придётся
33:44
чуть-чуть подождать если будет кому действительно несмотря на колоссальное
33:49
сокращение финансирования работа в области искусственного интеллекта не прекратилась Многие считают даже
33:55
наоборот что кризис овил отрасль в целом заставив пересмотреть подход от
34:00
несбыточные обещаний к конкретным экономически выгодным решениям и такой
34:05
подход в совокупности с бурным технологическим ростом приводит к появлению в
34:11
1980 году первой так называемой экспертной системы под названием XCOM
34:17
Это был программно машинный комплекс который на основании около 2500 заложенных в него параметров заменял
34:24
дорогостоящих экспертов по ции больших компьютеров того времени условно говоря
34:31
Экспертная система выдавала список оборудования и схему сборки она позволяла избежать выдачу лишних
34:38
неоплаченных комплектующих ускоряли сборку заказа оптимизировали зарплаты и
34:43
за один год сэкономила компании Digital equipment Corporation с учётом инфляции
34:49
более 21 млн долларов это был настоящий инвестиционный шок который снова открыл
34:57
вентиль подачи денег в отрасль а вместе с ним и интерес публики начался новый
35:02
бум искусственного интеллекта за пять последующих лет только в одни экспертные
35:07
системы бизнес с учётом инфляции инвестирует около 3 млрд долларов Япония
35:13
на фоне успеха своей робототехники выделит ещё 2,5 млрд на создание так
35:18
называемого компьютера пятого поколени который должен рассуждать как человек
35:23
обеспокоенный таким поворотом Великобритании и США в лице знакомой нам уже дапа запустят свои программы и
35:31
добавит ещё около 2 млрд такие колоссальные финансовые вливания
35:36
приведут к тому что вокруг искусственного интеллекта и его поддержки всего за несколько лет
35:42
вырастет целый рынок специализированного оборудования и программного обеспечения
35:48
правда просуществует Этот рынок также всего несколько лет и будет фактически уничтожен всего за 3 минуты когда
35:56
произойдёт
36:19
[музыка] это действительно Новый вид компактных
36:26
персональных компьютеров от Apple и IBM которые постоянно росли в мощности и которые были в разы дешевле к
36:34
1987 году фактически похоронили рынок специализированного оборудования для искусственного интеллекта более того
36:41
персональные компьютеры были намного удобнее в использовании и программировании каждый достаточно
36:47
вовлечённых Энтузиаст мог создать свою собственную экспертную систему отредактировать её и даже поделиться с
36:54
другими что фактически похо ни и рынок специализированного программного
36:59
обеспечения В общем в 1987 году приход компактных персональных
37:05
компьютеров в совокупности с обвалом на фондовом рынке Кстати по слухам в котором виноваты также эти компьютеры а
37:11
точнее торговые программы на них приводит к очередному резкому сворачивании вести Нея и началу Второй
37:17
зимы искусственного интеллекта старые экспертные системы оказались фактически
37:23
непригодными для долгосрочного обслуживания как правило Они разрабатывались под конкретный бизнес и
37:29
имели свои собственные форматы данных и оборудования что критически затрудняло и
37:38
удорожания суперкомпьютеры для человеческого мышления также не достигли каких-либо значимых результатов и к
37:44
концу 1993 года более 300 компаний занимающихся искусственным интеллектом
37:51
закрылись обанкротились или были приобретены другими словами очень важно
37:57
зафиксировать следующее пережитые Две зимы дают чётко понять что наши ожидания
38:03
от искусственного интеллекта всегда оказываются слишком завышенными сам
38:08
искусственный интеллект на протяжении десятков лет неразрывно связан с технологическим прогрессом и полностью
38:15
от него зависит если это не учитывать то все твои амбиции многолетний труд могут
38:21
быть уничтожены всего за 3 минуты презентации новой технологии И на самом
38:27
деле крупные корпорации понимают это лучше чем любой из нас пока весь мир
38:33
снова погряз своих ожиданиях от Новой волны искусственного интеллекта за кулисами разворачивается
38:39
крупномасштабная технологическая гонка по производству собственных чипов о
38:44
которой мы совсем скоро поговорим сейчас же важно понять что широкий доступ к
38:49
собственному персональному компьютеру и бурный технологический рост девяностых кардинально изменил наше личное
38:56
восприятие технологий и искусственного интеллекта ведь то что раньше считалось
39:01
может делать только человекоподобная машина сегодня делала обычная компьютерная программа в совокупности с
39:08
колоссальными экономическими потерями отрасль искусственного интеллекта становится практически насмешкой в
39:15
которую мало кто верил и мало кто инвестировал Однако в ней всё же остаются настоящие энтузиасты такие как
39:22
йошуа Бенджи джефри хинтон и Ян кун которых теперь иногда называют крёстными
39:29
отцами искусственного интеллекта и не просто так ведь их работа хоть и спустя
39:34
десятилетия изменят наш мир а именно работы по глубокому обучению то есть
39:40
работы по абстрактным нейронным сетям о которых мы сейчас и поговорим И на самом
39:46
деле глубокое обучение является продолжением идеи машинного обучения и идеи абстрактного нейрона то есть
39:52
парасепт о котором мы уже говорили Как вы помните Мы закончили обсуждение на
39:58
том что главная идея просепт – это подогнать функцию таким образом что она выдавала как можно меньше ошибок Однако
40:06
используемая функция прямой была слишком примитивной чтобы обрабатывать действительно сложные распределения
40:12
входных данных и решать действительно сложные задачи вывод из этого напрашивается только один нужно что-то
40:19
сделать с функцией чтобы она перестала быть прямой а точнее чтобы она могла принимать вообще любую форму тогда
40:26
гипотетически Мы бы могли подогнать функцию под вообще любое распределение входных данных и решить вообще любую
40:33
задачу согласитесь звучит довольно фантастически Однако решение данного
40:38
вопроса было найдено и вы будете удивлены насколько оно простое элегантная и эффективная вот оно только
40:46
не пугайтесь математики не будет это одна из нескольких так называемых функций активации нейрона а Конкретно ru
40:54
которая по факту является той же же самой прямой из нашего персептрона только с одним изменением все
41:01
отрицательные значения по оси Y равняются нулю такая модификация как будто примагничивается прямую к оси X и
41:09
сгибает её в одной точке что как вы можете наблюдать абсолютно бесполезно
41:14
магия произойдёт тогда когда мы возьмём несколько таких функций и одна за другой
41:20
начнём подгонять по целую кривую но как нам взять несколько функций если один он
41:26
содержит только одну функцию я думаю интриги тут нет И каждый уже
41:31
догадывается что нужно добавить ещё нейроны а точнее слои нейронов и получить знаменитую в наши дни нейронную
41:39
сеть перед вами визуализация симуляции работы простенько нейронной сети перед
41:45
которой стоит задача классифицировать довольно сложное распределение данных в виде спиралей каждый дополнительный
41:52
Нейрон в этой сети – это дополнительная функция активации cru которая будет
41:57
трансформировать и подгонять область классификации так чтобы достичь минимального количества ошибок точность
42:04
данной подгонки будет зависеть от множества параметров например от алгоритма обучения допустим с обратным
42:10
распространением ошибки или количество нейронов и слоёв чтобы процесс обучения
42:16
был быстрым и эффективным я сразу взял шесть дополнительных слоёв по 8 нейронов
42:21
Давайте запустим нашу сеть Обратите внимание на данный график который отражает количество ошибок на самом деле
42:29
уместно заявлять что этот график самая главная вещь в нейронных сетях он отражает эффективность обучения и
42:35
стремления нейронной сети о чём мы кстати уже говорили ранее я думаю можно останавливать Как вы видите области
42:42
определения получились довольно нечёткие Однако кого это волнует если задача
42:48
выполнена С небольшой доли ошибок как вы помните мы можем улучшить результат если
42:54
введём дополнительные входные да даные Однако Не забывайте что каждый параметр добавляет одно пространство данных и
43:01
визуализация процесса становится не интуитивной для человека например в трёхмерном пространстве как и в случае с
43:08
парсе троном линия границы становится плоскостью Однако теперь у нас несколько
43:13
слоёв нейронов А значит и несколько плоскостей которые к тому же могут быть изогнуты с помощью функции активации это
43:21
очень упрощённый пример в реальных задачах используются разные ци активации
43:27
тысячи пространств данных десятки различных слоёв нейронов что в совокупности поражает невообразимое
43:33
количество многомерных плоскостей Абсолютно непостижимый для восприятия человека Однако как я говорил ранее
43:41
существует различные лазейки например мы можем создать плоскость из графиков ошибок для каждого пространства данных
43:48
эта плоскость называется ландшафт ошибок и она прекрасно отражает процесс обучения нейронной сети и это не не
43:56
только красиво данный ландшафт помогает определить самый короткий путь до точки с наименьшим количеством ошибок что
44:03
отражает самый эффективный набор нейронов и таким образом оптимизирует сеть Однако самый лучший и информативный
44:11
способ визуализировать большую нейронную сеть – это использовать полученные ею результаты Не углубляясь снова в
44:18
технические тонкости нейронная сеть берёт любые входные данные и разделяет
44:23
их по разным группам используя в виде изогнутых прямых или многомерных плоскостей то есть по факту на выходе вы
44:31
получаете набор цифр из подогнаны переменных этих прямых или многомерных
44:36
плоскостей понимая это мы можем просто изменить систему координат таким образом
44:42
чтобы двигалась не граница разделения а данные точнее сказать координаты
44:47
пространства в которых они лежат то есть трансформировалось пространство такое простое
44:53
преобразование приводит к тому что мерными становятся сами данные то есть
44:58
каждая группа располагается в каком-то отдельном пространстве и больше не нужно думать каких-то невообразимо сложных
45:06
плоскостях Я понимаю что сходу тяжело понять о чём идёт речь Поэтому Давайте
45:11
разберём простой и знакомый нам уже пример с разделением людей у каждого
45:16
человека есть определённый набор параметров по которому его можно идентифицировать возраст цвет кожи
45:22
страна рождения стиль причёски род деятельности достижени и так далее Все мы в этом схожи Однако Каждый из нас –
45:30
это уникальный набор данных поэтому все загруженные параметры о человеке в нейронную сеть перерабатываются в
45:37
уникальный но простейший набор чисел где каждое число отражает отдельный параметр
45:42
и отдельное пространство в виде одного простого вектора у этих чисел нет никакого значения
45:49
3400 усов или ты морщин По отдельности не несут никакого смысла компьютер
45:55
ничему не научился И не может научиться однако все числа вместе – это некий
46:00
уникальный штрих-код для уникального объекта Однако этот штрихкод не совсем
46:06
простой каждое число можно рассматривать как Вектор Или точку в определённом пространстве данных а вся информация о
46:13
человеке или Весь набор чисел рассматривается как точка в многомерном пространстве данных другими словами на
46:21
тренированный нейронную сеть можно представить в виде облака данных Когда вы вводите информацию о каком-то
46:26
человеке сеть выдаёт ей уникальные координаты в Облаке данных и сравнивает с ближайшими известными точками допустим
46:34
точка с человека с длинными волосами высунутым языком и разработавший общую теорию относительности будет Ближе всего
46:42
к точке Альберта Эйнштейна То есть если совсем просто нейронная сеть присваивает
46:48
уникальный многомерный штрихкод данным и ищет наиболее похожий среди уже известных штрих-кодов что будет являться
46:55
ответом для нас пользователей это выглядит так как будто что-то действительно знало или угадала Однако
47:02
никаких знаний и разума тут нет просто обычная классификация данных математика
47:08
и статистика Однако самый поразительный факт заключается в том что облако данных
47:14
и его многомерное пространство формируют некие структуры то есть продолжая аналогию с людьми и их общими
47:21
закономерностями в одной области будет больше щуплый учёных а а в другой накаченных спортсменов и так далее То
47:29
есть нейросеть формирует некие многомерные кластеры данных которые является отражением концептов и смыслов
47:37
и это работает с любыми данными изображениями музыкой действиями
47:42
ощущениями болезнями и конечно же словами которые принимают действительно
47:48
поразительные структуры заставляющие задуматься даже о разуме Но об этом мы
47:53
поговорим позже когда дойдём до больших языковых моделей по типу gpt И на самом
47:59
деле такая универсальность глубокого обучения
48:04
ожидаемая повторяющихся закономерностей или функций которые могут быть
48:09
классифицированы А при наличии достаточно данных и
48:16
[музыка]
48:24
предсказано [музыка]
48:46
[музыка]
49:03
но учитывая тот факт что весь окружающий нас мир можно описать с помощью математических функций значит ли это что
49:10
машинное обучение может описать всё А Возможно даже ой всё при нынешних
49:17
технологиях алгоритмах и понимании окружающего мира однозначно нет мы ещё
49:22
вернёмся к этому вопросу Однако даже сейчас уже можно понять что большинство математических функций бесконечны для их
49:30
описания просто понадобится бесконечное количество нейронов и бесконечное количество вычислений Однако важно
49:37
понять что машинное обучение – это Революционная технология Она позволяет максимально приближенно описать
49:43
невероятно сложные математические системы системы в которых нет ярко выраженной логики и закономерности как
49:50
например цифровое зрение поведение человека вирусы климат и так далее и так
49:55
далее другими словами как бы глупо не звучало машинное обучение позволяет программировать машину без
50:02
программирования и масштабы возможности такого подхода к решению задач понимали ещё на рубеже девяностых годов Однако
50:10
понадобится ещё почти 18 лет чтобы глубокое обучение действительно начало
50:15
работать Почему Потому что несовершеннолетним не окрепший искусственным Умам нельзя работать нет
50:22
потому что как всегда существовала технологическая проблема И вы будете удивлены Какая для того чтобы нейронные
50:30
сети имели возможность подогнать функцию под заданные данные нам нужны эти данные
50:35
причём цифровые если их недостаточно то абсолютно не имеет значения количество
50:40
нейронов или вычислительные мощности вы никогда не получите искомый результат
50:45
ведь нет никакой информации под что нужно подгонять нашу функцию и отсутствие этих данных – это простая но
50:53
невероятно важная вещь которая на протяжении длительного времени была непреодолимой преградой для
50:59
искусственного интеллекта вы просто Представьте если нам нужно научить нейросеть различать животных то нам
51:05
понадобятся тысячи фотографий тысячи животных при тысячи разных условий другими словами нам нужны десятки
51:12
миллиардов фотографий причём в цифровом виде А позвольте мне напомнить что мы находимся примерно в начале девяностых
51:19
где главным источником информации всё ещё остаётся бумага это значит нам нужно
51:24
каким-то образом сделать эти фотографии потом проявить их а затем по одной штуке
51:30
оцифровать на сканере и загрузить в компьютер который очевидно стоит у родителей в гараже потому что как я уже
51:37
говорил ранее интересовались этими вопросами Только настоящие энтузиасты
51:42
без каких-либо инвестиций И на самом деле проблему с отсутствием данных решит
51:47
очередная технологическая революция которая произойдёт с приходом него
51:52
Слушай ты слышал про эту штуку интернет знаешь про неё то это чёрт возьми такое
51:58
Слушай это стало местом где люди публикуют всякую информацию каждая компания может иметь свою домашнюю
52:04
страницу всякие чарты лидерства это дико что происходит сейчас всякие электронные
52:10
письма это Это совершенно новая большая технология да Но знаешь Это конечно
52:15
очень легко критиковать Когда в чём-то полностью не разбираешься как Например я но знаешь я помню как пару месяцев назад
52:22
был какой-то невероятно большой анонс только компьютер и что-то связанное с компьютерами и технологиями и Интернетом
52:29
может транслировать бейсбольную программу я подумал они заново изобрели
52:37
радио Ты понимаешь о чём я здесь есть разница большая
52:46
разница Ты можешь слушать бейсбольную программу Когда захочешь О это что-то связано с
52:54
пастью Совсем как запись на [смех]
53:07
кассеты сейчас есть что-нибудь в компьютерных технологиях чего мы не понимали 20 лет назад что-то на
53:13
совершенно другом уровне чего Мы не ожидали о чём мы не думали полностью какие-то другие механизмы полностью
53:20
какие-то другие программы
53:27
сейчас в основном все работают чтобы компьютер был инструментом чтобы помогать людям учиться находить общие
53:33
интересы раньше мечтали о том что компьютеры могут думать но это невероятно сложная проблема И в этом
53:39
направлении не было достигнуто никаких успехов А многие думают что и не будут
53:46
достигнуты Слушай ну вы бы наверное не хотели чтобы это случилось без шуток Ну
53:51
это пугающая мысль да получается очень плохо что у них не денег и я надеюсь вы поняли что под
53:58
технологической революцией Я имел в виду интернет а не вечерние ток-шоу или Билл
54:03
Гейтса В общем интернет изменит всё точнее всё время увеличивающиеся
54:09
неиссякаемый Поток информации называемый сегодня Big Data с приходом интернета и
54:15
появлением поисковых систем всего за несколько лет количество всей ежегодно генерируемой и доступной информации для
54:22
человечества увеличилось почти в шесть раз с 2,6 до
54:28
15,8 млрд ГБ или просто эксабайт за следующие 10 лет с распространением
54:35
компьютеров И главно появлением социальных сетей она увеличится в 115 раз до 300б А примерно с 2010 года с
54:44
распространением смартфонов мобильного интернета различных датчиков стриминговых сервисов и всего
54:51
окружающего нас технологического чуда объём начнёт увеличиваться экспоненциально и вырастет к
54:57
сегодняшнему Дню в немыслимые 50.000 раз до 130.000 кбайт в год другими словами
55:04
нет больше никакой необходимости фотографировать животных ведь Миллионы людей по всему миру уже лет 20 сделали
55:11
это и поделились фотографиями в социальных сетях на самом деле если развивать эту логику то будущий сильный
55:18
искусственный интеллект лучше всего будет разбираться в еде котиках и как играть в Minecraft действительно доступ
55:26
к неиссякаемой базе всех возможных данных сдвинул машинное обучение с мёртвой точки и уже с конца девяностых
55:32
начинают появляться новые технологии такие как распознавание чеков первые автопилоте емы машины датчики захвата
55:39
движений распознавание речи онлайн переводчики и так далее и так далее Однако качество всех этих продуктов было
55:46
не на высшем уровне Возможно даже кто-то помнит как ужасно работали Переводчики
55:51
всё Дело в том что Для эффективного обучения используемые да даные должны быть структурированы и классифицированы
55:58
то есть фотографии с котиками должны быть подписаны как котики с собачками как собачки и так далее а сделать
56:04
классификацию всех данных вручную опять же просто Физически невозможно
56:10
теоретически как мы уже говорили алгоритм глубокого обучения может самостоятельно находить закономерности в
56:16
данных классифицировать их и сортировать по отдельным группам и библиотекам которые после можно было бы настроить
56:23
более тонко тически он может совершенствоваться постоянно просто добавляя слои и нейроны Однако как мы
56:31
уже говорили за всё нужно платить увеличение масштаба нейронной сети и увеличение объёма обрабатываемых данных
56:38
закономерно требовало и колоссального увеличения вычислительных мощностей которых у наших подвальных Энтузиастов
56:45
просто не было конечно отдельный разработки существовали но в целом
56:51
гениальная и Революционная идея снова упёрлась технологический барьер как это
56:56
было на протяжении всей истории искусственного интеллекта и на самом деле до конца пути искусственного
57:03
интеллекта от идеи тьюринга До сегодняшнего прорыва оставался всего один маленький технологический шажок
57:10
который лучше всего продемонстрирует не побоюсь этого сказать кумиры моего детства из шоу Разрушители
57:19
мифов Хорошо я представляю Вам Леонардо и он нарисует для вас картину
57:25
Совсем как Центральный процессор который выполняет одно действие за
57:37
другим Позвольте мне увеличить чуть-чуть
57:44
скорость дамы и господа
57:51
Леонардо 2 кодам кнопку 21 галлон воздуха пройдут
57:58
по всей 11 трубкам и вытолкнуть пейнтбольные шарики каждый шарик
58:03
пролетит 7 футов по воздуху и за 80 миллисекунд достигнут стены что нарисует
58:18
монали демонстрация способности рисовать графической картой через 10 де
58:25
8 7 6 5 4 3 2
58:37
[аплодисменты] о дамы и господа научный класс
58:44
закончен Спасибо технологическое развитие
58:49
видеокарт привело к тому что к 2012 году они стали эффективным и главное самым
58:55
доступным устройством для обработки огромного количества данных глубокого обучения за счёт параллельных вычислений
59:03
Всё дело в том что графика в играх часто требует большого набора лишь самых базовых команд и операций по типу
59:09
сложить или умножить поэтому видеокарты содержат тысячи примитивных процессоров
59:14
которые могут выполнять только простые расчёты но зато параллельно и в огромных количествах то есть гипотетически очень
59:22
упрощая для определённых задач например для обучения нейронной сети одна видеокарта могла заменить тысячи
59:29
компьютеров одним из первых кто догадался воспользоваться всей этой мощью был иан баг получивший Грант от
59:36
знакомой нам уже дарпак инструментов позволяющих это осуществить в свою
59:42
очередь основатель и генеральный директор компании NVIDIA Дженсон хуанг по прозвищу кожаная куртка будучи
59:49
гениальным бизнесменом пророком или авантюристом осознаёт пе того что
59:55
графические карты его компании могут стать основным оборудованием для научных вычислений и ещё в далёком 2004 году
1:00:03
сначала также спонсирует разработку бака а потом переманивает к себе и ставит
1:00:09
курировать разработку собственной технологии под названием куда и нужно сказать что на протяжении многих лет эта
1:00:16
технология будет никому не нужна Однако Дженсон хуанг не остановится её
1:00:21
поддерживать и в конечном итоге окажется прав его конкурент AMD настолько
1:00:26
пропустит вспышку что выпустит свой аналог технологии только в 2016 году
1:00:32
когда позиции на рынке уже будут упущены на десятилетия вперёд и кстати если
1:00:38
среди вас есть такие же опытные Геймеры как я которые читали какую-нибудь игроманию то уместно будет вспомнить что
1:00:45
nVidia
1:00:52
продвигалась а если ты думаешь то что тензорные ядра нужны для твоего ретрейдинг
1:01:24
специалисты отрасли за десятки лет исследований добились результата что их системы выдавали ошибку определения
1:01:32
изображения примерно в четверти случаев на тот момент такой результат хоть и
1:01:37
казался впечатляющим он был мало пригодным для реальных крупных решений например как Автопилот ведь по факту
1:01:44
каждое четвёртое событие было определено неверно и могло быть критическим всё
1:01:49
меняется когда всего один аспирант уже упоминаемого Джеффри хинтон Алексей крижевский при участии другого
1:01:57
аспиранта Ильи су кевер выпускает мощную сеть визуального распознавания alexnet
1:02:03
которое на конкурсе неожиданно для всех сокращает количество ошибок сразу на
1:02:10
50% Однако более шокирующим фактом было то что для обучения своей сети заместо
1:02:16
сотен компьютеров Алексей использовал всего две даже не топовые графические
1:02:22
карты GTX 580 от NVIDIA и лично меня всегда до глубины души поражает тот факт
1:02:28
что вы с трудом найдёте в интернете даже фотографии крижевский
1:02:36
мир иногда такие люди просто остаются за кулисами Именно поэтому я хочу отдельно
1:02:42
поблагодарить Александра щёголева Станислава Чернина И в особенности Дмитрия Орлова за их финансовую
1:02:50
поддержку которая позволила сделать это видео настолько большим и комплексным А
1:02:56
если Вам тоже нравятся мои видео то я попрошу по возможности поддержать меня По ссылкам в описани ведь это не вопрос
1:03:03
каких-то бонусов А вопрос Смогу ли я продолжать Заниматься тем чем я занимаюсь Спасибо другими словами
1:03:12
Алексей крижевский при участии хинна и суве смог объединить в alnet все
1:03:18
теоретические и технологические инновации что стало квинтесс ле
1:03:24
и искусственного интеллекта программа названа в честь Алексея он был волшебным просто
1:03:31
волшебным программистом Илья сильно помог но основная работа принадлежала Алексею в
1:03:38
общем после акнет вся профильная it индустрия Да и вся Силиконовая долина
1:03:44
находились в некой растерянности и с трудом верили что скромная команды из х
1:03:49
человек смогла совершить технологический рывок на 10 лет вперёд ре акция
1:03:54
индустрия не заставила себя долго ждать и на пороге зарегистрированного за пару месяцев до конкурса стартапа dnn
1:04:01
research стояла корпорация Google с пожертвованием в 600.000 долларов и
1:04:06
предложением покупки компании вместе с её тремя участниками на что естественно
1:04:12
все согласились правда Илья совер Через пару лет уйдёт из Google и станет одним
1:04:17
из основателей компании Open ai которые поначалу Бут учить ботов играть в
1:04:25
а потом видимо отвлеку и создадут всем известный нам чат
1:04:34
[аплодисменты] [музыка] [аплодисменты]
1:04:53
gpt знает как себя ведут [музыка]
1:04:58
об [музыка]
1:05:08
[аплодисменты]
1:05:14
[музыка] [аплодисменты]
1:05:23
простоте шоке в действительности после 2012 года глубокое обучение и
1:05:28
соответственно сфера искусственного интеллекта получает огромный скачок в развитии и исследованиях начинают
1:05:35
появляться новые технологии например такие как голосовой помощник разблокировка телефону с помощью лица
1:05:42
автономные роботы доставщики Автопилот емы машины различный умный подбор
1:05:47
контента определение трека через приложение и так далее и так далее другими словами каждый из нас уже
1:05:54
давным-давно так или иначе взаимодействуют с результатом работы нейронных сетей Однако погрузитесь в
1:06:00
свои Воспоминания и подумайте ассоциировались ли у вас все эти технологии с искусственным интеллектом
1:06:08
Если Вы ответите да то у вас произошло когнитивное искажение поскольку тогда
1:06:13
термина искусственный интеллект в нынешнем его понимании вообще не существовало все использовали более
1:06:19
технические решения по типу глубокое обучение или нейронные сети искусственный интеллект как современный
1:06:27
термин появился лишь в 2015 году благодаря СМИ после победы проекта Alpha
1:06:32
go в игру Go которая считалась Абсолютно неподвластно для алгоритма Ведь в ней
1:06:38
больше комбинаций чем атомов видимой Вселенной а игроки в основном полагаются
1:06:44
на интуицию Однако полная интеграция в сознание людей искусственного интеллекта
1:06:49
происходит после предоставления открытого доступа к так называемой большой языковой модели gpt
1:06:58
3 gpt которая действительно заставляла задуматься о наличии интеллекта По ту
1:07:03
сторону экрана но так ли это попытку разобраться в данном вопросе нужно
1:07:09
начинать с того что большая языковая модель – Это продолжение идеи обычной
1:07:14
языковой модели которая была направлена на то чтобы смоделировать у машины умение понимать и генерировать
1:07:21
человеческую речь стремление достичь такой модели уходит корнями в самое
1:07:26
начало зарождения отрасли компьютерных технологий и искусственного интеллекта ведь способность говорить – это
1:07:32
неотъемлемая часть осознанного разума более того как мы обсуждали ранее первые
1:07:38
финансируемые проекты отрасли середины прошлого века должны были переводить иностранную речь а также воспринимать
1:07:45
речевые команды для узлов военной техники Однако Горькая правда заключается в том что за десятки лет
1:07:51
исследований никаких достойных результатов достигнуто не было и причина тут очень простая это контекст и смысл
1:08:00
например только в современном русском языке около 200.000 уникальных слов
1:08:05
которые вместе порождают невообразимое количество смыслов в зависимости от
1:08:11
контекста нет никакой трудности запрограммировать значение слов допустим ласточки или машины Однако невероятно
1:08:18
сложно запрограммировать значение фразы это моя ласточка в контексте машины как
1:08:23
машина может быть ласточкой или Почему тарелка На столе стоит а рядом ложка
1:08:28
лежит в общем пытаться программировать значение всех слов и их смыслов – это
1:08:33
ещё одна вручную невыполнимая задача как и в ситуации с маркировкой всех
1:08:39
фотографий Поэтому нужен был другой подход так вот квинтесс сии области
1:08:44
языковых моделей было понимание того что предсказывать Каждое следующее слово на
1:08:49
основании предыдущего можно генерировать текст причём вообще не обращая внимания
1:08:55
на смысл и контекст благодаря этому работал знаменитый Т9 набор запросов в
1:09:02
поисковиках или более современное автозаполнение текста на телефонах То
1:09:07
есть когда ваш телефон в очередной раз помогает написать жене что вы ещё находитесь в баре это не говорит о его
1:09:14
разумности Это говорит о вашей глупости подход с простым предсказанием следующего слова работал правда в очень
1:09:22
узком окне на контекста из нескольких слов а после превращался в тарабарщина поскольку как
1:09:29
ни крути о смысл и контекст играет ключевую роль в языке Однако как мы
1:09:35
говорили ранее нейронные сети и глубокое обучение является эффективным
1:09:40
инструментом в подгонке функций для любой задачи с большим количеством данных гипотетически Мы бы могли
1:09:47
подставить задачу обучиться такому же
1:09:54
данных одним из первых Кто решил проверить такую гипотезу был Андрей Карпаты он обучал нейронную сеть на
1:10:01
основании Шекспира Толстого и статей из Википедии и приходил к выводам что он не
1:10:07
может отличить сгенерированный текст от настоящего или что можно предсказывать
1:10:12
не только слова но и математические символы Однако более важная вещь заключается в том что нейронная сеть как
1:10:19
и в случае с изображениями сама определяла закономерности и вероятности использования следующего слова свои
1:10:26
исследования он публиковал в Личном блоге и не сказать что на тот момент Они были кому-то сильно интересны ведь Как
1:10:33
бы впечатляюще ни звучало Это был всё тот же самый
1:10:38
автозаполнения контекста ситуация начнёт меняться когда исследовательская группа
1:10:44
нового стартапа Open ai обратит внимание на его работу и повторит эксперимент на
1:10:49
более 80 млн отзывах Amazon собираемых с 1996 года по результатам своего
1:10:57
эксперимента они зафиксирует действительно поразительную вещь нейронная сеть в процессе обучения
1:11:04
предсказывать последующее слово обнаружила закономерность и классифицировал в отдельный класс данных
1:11:11
настроени то есть нейросеть могла определять с исключительной точностью
1:11:16
какой перед ней отзыв положительный или отрицательный Но более того она могла
1:11:22
генерировать такие отзывы неотличимы от настоящих Другими словами нейросеть в
1:11:28
процессе обучения без какого-либо программирования получило новое свойство
1:11:34
определять концепт эмоций и это только потому что эмоции важно и эффективная
1:11:40
вещь в предсказании последующего слова в отзывах Но как это вообще возможно без
1:11:45
программирования как алгоритм может понимать чувство человека вспомните что
1:11:51
суть обучения заключается в Жени у входных данных закономерности и
1:11:56
сортировки их в отдельные пространства данных причём как входные данные так и
1:12:01
сами закономерности могут быть не интуитивно и не логичны для человека Однако вместе они смогут сформировать
1:12:08
некие структуры отражающие смыслы или концепты так вот со словами происходит
1:12:14
тоже самое никто не сообщает алгоритму значения этих слов а просто ставит
1:12:19
задачу на основании миллионов предложений научиться пред следующее слово в процессе подгонки функции к
1:12:27
поставленной задаче росет сортирует слова таким образом что более связанные
1:12:33
слова располагаются в более близких пространствах друг к другу формируя тем самым их значение цифры месяцы Космос
1:12:42
имена города и так далее Всё это будет располагаться в отдельных кластерах
1:12:48
значений и сама генерация слова за словом то есть генерация предложения можно представить в виде пути от точки к
1:12:56
точке Однако невероятно фундаментальная вещь заключается в том что язык – это
1:13:01
универсальный инструмент передачи любой информации в том числе ощущений и эмоций
1:13:08
поэтому нет никакой магии в том что алгоритм обнаружил некую закономерность в позитивности отзывов и выделил этот
1:13:16
концепт в отдельное пространство данных после чего слова расположенные ближе к
1:13:21
этому вектору более позитивный окрас чем слова расположенные дальше И я думаю
1:13:28
многие уже сейчас осознают масштабы такого открытия ведь фактически Это
1:13:33
значит что алгоритм может определять и взаимодействовать с другими концептами человека с любовью смехом грустью
1:13:42
злостью и так далее Возможно даже кому-то может показаться что алгоритм
1:13:47
понимает какие-то значения однако я был бы крайне осторожен с формулировками
1:13:53
ведь как уже говорилось ранее это всё математика по факту даже нет никаких
1:13:59
слов все они зашифрованы в числа а точнее в матрице Хотя в нашем мозге тоже
1:14:05
не буквы хранятся в действительности такое открытие изменило представление о
1:14:10
языковых моделей и поставила задачу научить нейросети определять больше
1:14:16
концептов самый логичный способ который напрашивается – это заместо отзывов дать
1:14:22
ещ более большой обм информации который отражал бы разные концепты знаний Однако
1:14:28
такой подход был абсолютно бессмысленным всё Дело в том что рассматриваемое нами модель нейросети с генерацией каждого
1:14:35
последующего слова то есть где предложение – это некий определённый путь через точки слов могла нести только
1:14:42
один контекст и смысл в реальности же контекст может появляться и изменяться
1:14:47
несколько раз в рамках даже одного предложения другими словами такая модель работала толь только на узком наборе
1:14:54
данных Однако с увеличением вариативности входных данных терялась чёткая логика в предсказании следующего
1:15:01
слова терялся контекст поэтому спустя несколько предложений генерация снова
1:15:07
становилась тарабарщина из набора слов гипотетически выход заключался в том
1:15:13
чтобы помимо слов шифровать целые словосочетания или даже предложение тем
1:15:19
самым сохраняя контекст Однако очевидная преграда такого метода это
1:15:24
экспоненциальный рост необходимой вычислительной мощности для обработки всевозможных контекстов решение приходит
1:15:31
в 2017 году с публикацией статьи с потешным названием Внимание – это всё
1:15:37
что тебе нужно исследовательской группы компании Google в данной статье
1:15:42
описывалась новая модель нейросети под названием трансформер которая была предназначена для решения критической
1:15:49
проблемы контекста при переводе текста с одного из на другой если раньше
1:15:55
переводчики переводили по одному слову или максимум в контексте одного предложения то теперь Google переводчик
1:16:02
мог увеличивать контекст до нескольких предложений и прекрасно сохранять грамматику разных языков но как работал
1:16:10
этот
1:16:22
Трансформер на самом деле полный цикл Трансформера
1:16:27
довольно сложный с технической и математической точки зрения мы не будем углубляться в нюансы а продолжим
1:16:33
экспериментировать с визуализацией поскольку она более интуитивно передаёт
1:16:39
суть и начать нужно с очистки речи Точнее с подготовки текста Дело в том
1:16:44
что любой язык содержит кучу дополнительной информации которая не нужна для удержания внимания на
1:16:50
контексте это могут быть всевозможные местоимения окончания суффиксы предлоги
1:16:55
однокоренные слова слова паразиты и так далее и так далее В общем всё что в
1:17:01
будущем можно восстановить просто по шаблону оставаться должна только действительно важная информация что уже
1:17:08
кардинально сокращает объём обрабатываемых данных Однако самоя главная Революционная составляющая
1:17:15
Трансформера – это дополнительные динамические контекстные слои внимания
1:17:20
суть этих слоёв заключается в том чтобы определить связи между словами в зависимости от контекста в уже в
1:17:27
подготовленном Облаке данных и при необходимости корректировать расстояние между пространствами данных то есть
1:17:34
изменять между ними взаимосвязи Другими словами в зависимости от контекста
1:17:39
облако данных изменяется а вместе с ним изменяются смыслы и концепты например
1:17:45
слова красный родстер и открытый космос обычно не могут располагаться близко
1:17:51
друг другу Однако в конст тек предложения илон Маск запустил красный родстер в открытый космос происходит
1:17:58
изменение в Облаке данных изменяя контекст понимая что данная технология
1:18:03
может продвинуть работу по созданию универсальной языковой модели команда Open ai берёт её на вооружение и в
1:18:10
течение года выпускает gpt 1 генеративный предварительно обученный
1:18:16
трансформер который содержал почти 2 млн связей данная модель была обучена всего
1:18:22
на книгах но уже демонстрировала поразительные результаты без какого-либо
1:18:27
предварительного программирования она могла реагировать на вопросы и генерировать ответы то есть нейросеть
1:18:34
определила концепт вопросов и ответов понимая что маштаб не приведёт к
1:18:40
появлению новых концептов команда сразу же выпускает gpt2 которая содержит почти
1:18:46
в тысячу раз больше связи 15 млрд и обучалась на открытых источниках в
1:18:52
интернете данная нейросеть уже могла выдавать пересказ статей проводить их
1:18:57
анализ или переводить текст на иностранные языки не хуже чем профильные ресурсы и это не просто так такое
1:19:05
огромное количество связей даёт возможность генерировать не просто последующее слово а целые контексты
1:19:12
смыслы или идеи Ну а затем последовал ещё в 100 раз больше gpt-3 со
1:19:19
175 млрд соединений он был дополнительно потренировать вручную с помощью людей
1:19:26
чтобы более тонко понимать человеческие запросы обзавёлся интерфейсом в виде
1:19:31
чата и изменил мир навсегда я не буду рассказывать про gpt 3 4 или его
1:19:37
конкурентов Я думаю все уже и так понимают какими концептами и возможностями Они обладают ведь чат gpt
1:19:45

самая быстрорастущая приложение за всю историю Я же хочу заглянуть в недалёкое
1:19:51
будущее и лично для себя понять к чему всё это может привести может быть уже
1:19:56
реально землянку нужно идти рыть лично для меня самым уникальным свойством всех больших языковых моделей является
1:20:03
возможность интерпретировать человеческую речь именно интерпретировать то есть определять
1:20:10
контекст мысль или смысл Называйте как хотите в обозримом будущем это даёт
1:20:17
абсолютно беспрецедентные возможности по интеграции людей в компьютерные технологии Например я на протяжении
1:20:24
длительного времени Хочу научиться работать Unreal Engine 5 кто-то из вас хочет научиться программировать кто-то
1:20:31
монтировать видео кто-то создавать музыку и так далее и так далее Все эти
1:20:37
умения обладают большим барьерам вхождения в виде достаточно большого периода обучения и адаптации Однако
1:20:44
внедрение искусственного интеллекта на базе больших языковых моделей во всевозможные приложения сломают любой
1:20:51
барьер вхож ведь программы научатся интерпретировать человеческие голосовые запросы что для
1:20:58
нас супе интуитивно например создай 3D модель смонтируй видео напиши скрипт и
1:21:05
так далее и так далее даже нынешние модели уже с лёгкостью справиться с такой задачей но я думаю потребуется лет
1:21:12
пять чтобы прийти к какому-то определённому стандарту взаимодействия человек программа более того будущие
1:21:19
модели искусственных интеллектов будут интерпретировать не то то голос но и изображение со звуком причём работать
1:21:26
они будут не по запросу А в онлайн-режиме постоянно определяя контекст происходящего и опять же это
1:21:33
недалёкое событие потому что модель Минай от Google уже работает Именно
1:21:38
таким образом Ну и завершающим этапом будет полная интеграция искусственного интеллекта в нашу с вами жизнь
1:21:45
посредством очков дополнительной реальности которые объединяют в себе Все
1:21:50
инструменты взаимодействия звук голос изображение жесты и так далее А вы
1:21:56
думали эти очки по приколу уже 10 лет пытаются сделать хотя бы чуть-чуть меньше чем кастрюля на голове все эти
1:22:04
этапы развития в перспективе 10-15 лет приведут к тому что в нашем подчинении
1:22:10
будет целый офис цифровых помощников А вы просто будете ими руководить
1:22:15
фактически это будет означать автоматизацию процесса мышления и новый промышленный переход ведь это будут
1:22:22
буквально аналоги живых специалистов которым не нужно платить Совсем как 40
1:22:28
лет назад с экспертными системами только совершенно на другом уровне хорошо это
1:22:34
всё понятно но что касается среднесрочной перспективы достижим ли всё-таки реальный интеллект у машины Мы
1:22:42
очень много говорили про взаимодействие слов и их концепты однако я попрошу вас не забывать что с самого начала с
1:22:49
момента ещё первого просепт речь идёт про подогнаны математические функции по
1:22:55
факту вся большая языковая модель обработав практически всю полезную
1:23:00
информацию интернета может быть запечатана в два относительно малюсенькие файла на несколько сотен
1:23:06
гигабайт один с миллиардами математических переменных а другой с алгоритмом запуска модели и обработки
1:23:13
этих параметров отсюда вытекает отличный вопрос который Однажды сформулировал мой
1:23:19
хороший друг в одной из наших дискуссий а Где и в каком виде хранится вся
1:23:24
информация доступная большим языковым моделям ведь по факту мы взяли терабайты
1:23:30
данных и каким-то непонятным образом сжали их тысячекратно удивительный ответ на этот вопрос
1:23:37
заключается в том что никакой информации нет информация генерируется в ответ на
1:23:44
вашу подсказку для модели на основании какой-то супер сложной функции с миллиардами переменных для многих из вас
1:23:52
как как и для меня такая информация с трудом ложится в голову и вызывает недоумение Однако если достаточно
1:23:59
поразмышлять над этим вопросом то всё становится Чуть более интуитивно Понятно
1:24:04
ведь такой принцип довольно сильно перекликается с одной идеи Как работает
1:24:09
наш мозг вы не запоминает абсолютно всё что происходит в вашей жизни вы
1:24:15
запоминает лишь часть концептов которые каким-то образом архивируемых
1:24:22
я попрошу Вас вспомнить сюжет романа Война и мир Вы начнёте по кусочкам восстанавливать свои Воспоминания
1:24:29
вспоминать каких-то героев места действия сюжетные повороты какие-то события будут указывать на другие
1:24:35
события и так далее и так далее что в конечном итоге сформирует некий пересказ
1:24:42
А теперь подумайте это разве не генерация информации в вашей голове Вы
1:24:47
уверены что в вашем мозге реально где-то хранятся тексты картинки образы и вся
1:24:53
другая информация такая система мышления называется быстрой Она работает
1:25:00
интуитивно автоматически и без особого усилия что Кстати часто приводит к
1:25:05
ошибкам и искажению информации которую мы воспринимаем как иллюзия Однако
1:25:10
помимо неё существует и другая система медленная Эта система более логическая
1:25:17
она требует тяжёлого сознательного усилия и используется для решения сложных вопросов на которые у быстрой
1:25:24
системы нет ответов например написать свой собственный Роман и Хоть я глубоко
1:25:29
убеждён в том что на данный момент любые параллели с мозгом и интеллектом человека – это абсолютная спекуляция мы
1:25:37
всё же не можем отрицать следующее все современные модели функционируют
1:25:42
Аналогично быстрой системе мышления они могут быстро генерировать ответы Однако
1:25:48
это несравнимо с глубоким осмысленным анализом медленных систем Мне нравится
1:25:55
пример где один Энтузиаст кропотливо 3 года тренировал нейросеть играть в компьютерную игру трека мания и в один
1:26:02
момент она стала абсолютно непобедимой на простенько треке Однако стоит вам
1:26:08
добавить что-то неизвестное нейросети и всё ломается одно из современных
1:26:13
размышлений заключается в том что Для дальнейшего развития моделей нужно научить их не просто предсказывать текст
1:26:20
а стараться предсказывать все гипотетические события то есть предсказывать концепты на основании
1:26:27
концептов что тоже довольно похоже на Наш разум Ведь когда мы даже управляем
1:26:32
просто машиной Мы предсказываем наш путь моделируя Его в нашей голове или читаем
1:26:39
новую научную статью мы моделируем какие результаты мы могли бы получить или
1:26:45
возвращаясь к игре три комания Мы бы могли смоделировать все неизвестные препятствия и выбрать верный путь
1:26:52
другими словами мозг – это возможно аналоговая машина по предсказанию
1:26:57
событий вероятно которая образовалось в целях выбора наименее опасного для жизни
1:27:04
решения одно из реальных решений развития нейронных сетей – это показывать огромное количество видео
1:27:10
транслировать запахи формы и так далее и так далее и заставлять её предсказывать
1:27:16
концепты всех этих событий возможно в процессе такого обучения появится
1:27:21
возможность определять совсем другие концепты которые возможно будут включать
1:27:26
память рассуждение прогнозирование и так далее Однако Сравните размер обычного
1:27:33
текстового файла с размером видео и поймите что разница может достигать
1:27:38
тысячи раз а следовательно нам понадобится в тысячи раз больше вычислительных мощностей которых просто
1:27:45
не существует даже у человеческого мозга их нет другими словами пока
1:27:52
искусственный интеллект не научится имитировать работу медленной системы мышления воспроизводя сложные
1:27:58
когнитивные процессы говорить о реальном разуме довольно поспешно Вот бы мне тоже
1:28:04
научиться воспроизводить сложные когнитивные процессы А ещё тем кто
1:28:09
боится искусственного интеллекта и верит во всякую чушь Несмотря на то что на
1:28:15
данный момент нет ни одной такой модели учитывая современную скорость развития искусственного интеллекта мы могли бы
1:28:22
предположить что в среднесрочной перспективе модели всё-таки научатся сложному мышлению Однако это тоже будет
1:28:30
поспешный выводом поскольку существует две уже знакомые нам фундаментальные
1:28:35
проблемы во-первых Никто не знает как это сделать с теоретической точки зрения Ведь мы даже не уверены в том как это
1:28:42
работает в нашем мозге а во-вторых это снова технологический прогресс и
1:28:47
нехватка вычислительных мощностей а точнее их эффективность Когда речь идёт о нашем супер эффективном мозге Мы
1:28:54
практически не тратим энергию на обработку быстрого мышления А вот медленное отнимает несоизмеримо больше
1:29:01
наших ресурсов то есть продолжая аналогию нейронных сетей с человеческим мозгом мы придём к не утешитель выводу
1:29:09
даже для обычного обучения современной модели по типу gpt 4 требуются десятки
1:29:15
тысяч лучших видеокарт которые занимают площадь целого здания питаются от
1:29:20
собственной электро подстанции на десятки мегаватт энергии в час и охлаждаются целым комплексом теплоотвод
1:29:27
Нея другими словами чтобы даже попытаться сымитировать реальную работу
1:29:33
одного человеческого мозга нам понадобится целая технологическая деревня стоимость работы которой
1:29:39
составляет более миллиона долларов в день так что в действительности вся отрасль снова упёрлась технологический
1:29:46
барьер и тот кто сломает этот барьер победит в гонке искусственного интеллекта
1:29:52
это понимают абсолютно все крупные it игроки и разрабатывают свои собственные
1:29:58
специализированные чипы для искусственного интеллекта Google Microsoft Amazon Tesla IBM Intel И
1:30:05
множество других компаний в том числе из России участвуют в этой гонке прямо
1:30:11
сейчас пока я делаю Это видео Сэм альтман из Open ai понимая что Они
1:30:16
выиграли этап но проигрывают гонку пытается найти инвесторов для своих собственных чипов и речь здесь идёт не
1:30:24
про какие-то аналоги имеющихся уже на рынке чипов а именно про новый Революционный тип чипов который позволит
1:30:31
имитировать мозг А это невероятно сложная задача ведь мозг при размере с
1:30:37
одну видеокарту содержит более 86 млрд нейронов на которых располагаются до
1:30:44
тысячи синапсов что вместе образуют до квадриллиона соединений генерирующих по
1:30:50
разным оценкам флоп вычислений Но самое поразительное то что это при потреблении
1:30:57
энергии как у обычной лампочки всего 20 Вт в час это в миллион раз эффективнее
1:31:04
чем видеокарты хотя у мозга есть и свои минусы например отвлекаться на шорцы или
1:31:09
лениться И на самом деле решение современной проблемы вычислительных мощностей может заключаться в том что
1:31:16
нам придётся вернуться на почти 80 лет в прошлое и начать всё сначала как мы
1:31:22
обсуждали ещё в начале данного видео почти каждый компьютер в нашем мире основан на так называемой архитектуре
1:31:28
фон Неймана Как вы помните процессор и память – это два отдельных органа
1:31:34
которые связаны между собой шиной передачи данных это даёт невероятную гибкость для решения всевозможных задач
1:31:41
требующих сложные уравнения Однако невероятно ограничивает объём вычислений и пропускную возможность шины данных и
1:31:49
когда речь идёт об энергопотреблении минус такой архитектуры заключается в том что только на передачу информации
1:31:56
между процессором и памятью требуется до тысячи раз больше энергии чем для самого
1:32:02
вычисления А я думаю все помнят что современные нейросети содержат миллиарды соединений которые нужно подгонять раз
1:32:10
за разом пока не будут достигнуты удовлетворительные результаты что фактически превращает процесс обучения и
1:32:17
потраченные на это деньги в процесс разогревания окружающей среды другими словами когда мы говорим о
1:32:24
нейронных сетях на самом деле мы говорим об их симуляция на наших машинах с
1:32:29
архитектура фон Неймана и чтобы взаимодействовать с каждым нейроном мы должны взаимодействовать со всей сетью
1:32:36
что порождает такую колоссально низкую энергоэффективность Однако мозг – Это не
1:32:42
симуляция нейронной сети это и есть нейронная сеть это аналоговая Невероятно
1:32:50
энергоэффективная биологическая машина и Если уж пытаться копировать мозг и его способности к
1:32:57
размышлению то нужно копировать и его архитектуру чем Кстати и был первый пасп
1:33:03
Рон поэтому большинство компаний разрабатывающих чипы для искусственного интеллекта стремятся сделать что-то
1:33:10
похожее на аналоговую нейросеть где каждый Нейрон представлен в виде физического оборудования а не
1:33:16
программной абстракции такие чипы называются нейромонах и они позволяют
1:33:22
взаимодействовать не с целой сетью сразу а с каждым нейроном По отдельности что
1:33:27
колоссально уменьшает потребление электроэнергии и увеличивает их
1:33:33
эффективность Однако некоторые учёные мыслят куда радикальнее они предлагают
1:33:38
не копировать мозг а тупо использовать настоящий правда с этим есть Небольшие
1:33:44
проблемы никто не хочет делиться своим функционирующим мозгом действительно
1:33:50
Если бы вы те непосредственно взаимодействовать с человеческим мозгом то у вас возникнет большая проблема по
1:33:57
ряду законодательных и этических причин Нельзя просто взять и вытащить для опыта функционирующий мозг живого человека а
1:34:04
когда он перестаёт быть живым то и мозг уже не функционирующим в общем получается некая Ловушка чем больше о
1:34:12
ней думаешь Тем больше она начинает пугать Однако наука не была бы наукой
1:34:17
если бы не нашла решения перед вами так называемый но структура из искусственно
1:34:23
выращенных нейронов человеческого мозга это фактически выращенный мини мозг
1:34:29
который на данный момент не облагается никакими этическими ограничениями но
1:34:34
по-настоящему удивляет то что учёные на тренировали эту сеть искусственных
1:34:39
человеческих нейронов играть в простенький компьютерный понг здесь возникает одна реакция как это вообще
1:34:46
возможно всё начинается со взятия образцов зрелых клеток кожи человека
1:34:51
лучше всего у новорожденного ребёнка затем образцы этих клеток передаются в лабораторию где используя специальный
1:34:58
вирус генной инженере они генно
1:35:06
перепрограммируйте в нейроны человека которые со временем
1:35:14
само организуются в настоящую биологическую нейронную сеть и я
1:35:20
обязательно отмечу Что данная технология – это результат сорокалетних исследований и настоящее научное чудо
1:35:28
которое в первую очередь помогает в изучении различных болезней мозга за эту технологию Джон гердан и шинья я Монако
1:35:35
получили Нобелевскую премию по медицине 2012 года ох если честно Простите меня
1:35:42
за грубость я тоже просто яманака как работать на данным видео так вот в
1:35:48
октябре 2022 года группа учёных опубликовала статью в журнале Нейрон о
1:35:53
Проекте под названием ш Brain чтоб воб переводится как мозг на блюде идея
1:35:59
заключается в том что гипотетически сеть искусственных нейронов представляет собой самоорганизующиеся структуру если
1:36:08
ей предоставить сенсорные сигналы о
1:36:20
погружающегося учится управлять своим телом а потом уже познаёт Окружающий мир
1:36:25
Однако главная проблема органоида в том что у них нет ни рук Ни глаз ни даже
1:36:30
других отдельных клеток отвечающих за ощущения поэтому учёным пришлось решать
1:36:36
эту проблему весьма элегантным и знакомым многим
1:36:50
способом
1:37:02
они срастись программируемым чипом и Дали им возможность взаимодействовать с
1:37:08
окружающей средой в данном случае играть в понг на чипе существует три области
1:37:14
взаимодействия одна сенсорная где восемь электродов используя импульсы передают
1:37:20
информацию об игре от Чипа к нейронам и две двигательные где электроды наоборот
1:37:26
получают импульсы от нейронов к чипу чтобы управлять ракеткой одна область
1:37:33
двигает её Вверх а другая вниз звучит конечно впечатляюще но это всё ещё
1:37:39
абсолютно примитивная структура как её вообще возможно чему-либо научить для
1:37:45
ответа на этот вопрос подумай о нас о людях что выберет подавляющее
1:37:50
большинство находиться в уютной безопасной и абсолютно предсказуемой окружающей среде или же оказаться в
1:37:57
пугающей полной неизвестности Я думаю ответ довольно очевидный предсказуемость
1:38:05
Нам нравится так вот учёные использовали такой же принцип и для Диш Брейн когда
1:38:10
действия системы приводили к тому что ракетка отбивала мяч нейроны получали награду в виде быстрых синхронных
1:38:18
импульсов А вот когда система пропускала мяч нейроны получали долгое
1:38:50
четырёхсекционная плохая но тем не менее прослеживается чёткая зависимость продолжительности игры от
1:38:56
продолжительности тренировок результаты выглядят так как будто Диш Брейн
1:39:02
действительно получает информацию об окружающей среде и обучаются взаимодействовать с ней Однако выводы
1:39:09
нужно делать крайне Осторожно поскольку некоторые неразумные структуры или даже
1:39:15
отдельные клетки сами по себе демонстрируют реакцию на окружающую среду лично для меня данное исследование
1:39:22
поднимает вопрос стремления живых клеток достичь зону комфорта предсказуемости и
1:39:29
безопасности не находиться в ней а именно достичь а точнее насколько сильно
1:39:35
данное стремление мотивируют всех живых существ развиваться ведь часто можно
1:39:41
видеть картину когда люди достигнув какого-то уровня Комфорта просто
1:39:46
останавливаются важный вопрос заключается в том если будущее у данной технологии и может ли искусственный мозг
1:39:53
обрести не только интеллект но и сознание учитывая что мы и наши нейроны
1:39:59
приспосабливаются к любым задачам с колоссальной энергоэффективностью я уверен однозначно
1:40:05
будущее есть с каждым днём По мере того как технологии становятся более доступной появляются новые исследования
1:40:13
уже сейчас органоиды запускают в космос они начинают решать более сложные математические задачи и даже распознают
1:40:21
человеческую речь Однако Для более сложных и действительно полезных решений для человека нужно увеличивать масштабы
1:40:28
выращенных нейронных сетей в тысячи раз и на пути к этому возникает
1:40:33
фундаментальная проблема нейроны – это Живые клетки чем сложнее будет система
1:40:40
тем сложнее Будет поддерживать в них жизнь Если говорить о человеке то у него
1:40:45
не только уникальный невероятно сложный и эффективный мозг но и система
1:40:51
жизнеобеспечение поэтому я сомневаюсь что в обозримом будущем искусственные мозги смогут соперничать с электроникой
1:40:59
вычислительных возможностях и на данный момент я думаю мы достаточно изучили искусственный интеллект чтобы с холодной
1:41:06
головой поговорить о его угрозах Я искренне надеюсь что мне
1:41:12
удалось хотя бы частично передать своё отношение к отрасли искусственного интеллекта и вы поймёте принципы
1:41:19
которыми я руководствуюсь я предупреждаю что всё Дале сказанное не является
1:41:25
академически взвешенным выводом или предсказанием это моё сугубо личное
1:41:31
мнение которое может отличаться от вашего Что Совершенно нормально и самого
1:41:37
начала Я хотел бы обсудить угрозы для существования всего человечества что на самом деле не хочу делать потому что
1:41:44
невозможно контраргумент Веру в абстрактные идеи но всё же я попробую
1:41:49
порассуждать на на данную тему Вы наверняка много раз слышали о критической опасности искусственного
1:41:56
интеллекта из абсолютно разных источников где как правило вся аргументация сводится к нескольким вещам
1:42:03
во-первых это так называемый чёрный ящик то есть скрытые слои нейронной сети
1:42:09
якобы мы не в состоянии понять происходящее внутри что может привести к
1:42:14
какой-то катастрофе когда один из нейронов примет решение на уничтожение Если вы смотрели видео внимательно то
1:42:22
должны понять что это не так скрытыми слои называются потому что мы просто с ними не взаимодействуем и всё никто и
1:42:30
ничто не мешает вам отследить каждый Нейрон по отдельности и при необходимости скорректировать его или
1:42:36
даже проинтерпретировать то есть посмотреть что он значит Проблема в том что когда у вас миллиарды соединений
1:42:43
интерпретация может не иметь какого-то логического смысла как я говорил ранее 8
1:42:50
усов не имеет значения в отдельности на самом деле интерпретация нейронных сетей
1:42:56
сегодня – отдельная наука которую При желании Вы можете изучать Вот например
1:43:02
как выглядит абстракция определения изображений по разным запросам также
1:43:07
нейронная сеть работает только с входными данными и выдаёт тоже данные она не выдаёт действия То есть если вы
1:43:15
загрузили в неё всевозможную информацию по производству скрепок она не придумает какой-то новый способ производства
1:43:22
включающий действия в общем это довольно старая байка которую можно притянуть за
1:43:28
уши если ваш искусственный интеллект обрабатывает действия и выдаёт действия
1:43:33
То есть как мы говорили ранее он предсказывает события а не просто слова
1:43:39
на самом деле это будет означать что перед нами так называемый общий искусственный интеллект то есть который
1:43:46
равен в разумности или почти равен человеку это это нас подводит ко второму
1:43:52
аргументу что общий искусственный интеллект продолжит развиваться быстрее человека и в конечном итоге уничтожит
1:43:59
нас потому что люди как самые разумные существа уничтожают природу разве это не
1:44:06
повод пересмотреть поведение человека а не бояться искусственного интеллекта в
1:44:12
любом случае как мы говорили ранее на данный момент при нынешних знаниях Для этого просто нет физически возможных
1:44:19
технологий и Лени сейчас нет ничего и близко разумного сейчас есть просто
1:44:25
инструменты которые сделают нашу жизнь лучше развитие же в направлении разумности будет долгим и постепенным
1:44:32
сначала появится что-то похожее на разум мышки потом на разум кошки и так далее и
1:44:38
так далее на каждом этапе будет происходить переоценка наших взглядов и корректировка нашей технологии наверняка
1:44:45
будут найдены инструменты сдерживания или даже наоборот мы и Признаем
1:44:52
альтернативный разум будущего Никто не знает а любые предсказания полнейшее
1:44:58
спекуляция однако я полон уверенности что общий искусственный интеллект будет
1:45:03
достигнуть В среднесрочной перспективе 340 лет это вопрос времени Так что
1:45:09
Вполне вероятно многие из нас достанут этот момент и узнают ответ реальное же
1:45:15
создание общего искусственного интеллекта и его бесконтрольное развитие
1:45:20
открывает дорогу очередному аргументу по достижению какого-то мифического разума
1:45:25
многократно превосходящего человечески хоть для меня это и звучит уже совершенно абсурдно Давайте
1:45:32
попробуем поразмышлять и над этим вопросом в первую очередь хочется сказать что развитие машины и его
1:45:39
разумных способностей также будет упираться в какой-то технологический барьер который будет решаться постепенно
1:45:46
А в конечном итоге упрётся и в какие-то ограничения физических законов то есть
1:45:52
когда говорят что интеллектуальный рост ии будет невероятно резким Я считаю это
1:45:57
костылём всей этой концепции поскольку кто мешает всё это время развиваться
1:46:03
человеку и с помощью генной инженерии и робототехники в конечном итоге самому
1:46:08
стать совершенно другой формой жизни возможно и стать этим сверх интеллектом
1:46:15
но Давайте перестанем придираться и допустим что такой сверхинтеллект уже
1:46:20
существует а человек остался прежним Даже при таких условиях Я не понимаю почему это существо должно разрушать
1:46:28
если оно живёт у него должна быть цель А если оно сверх разумно то этой целью не
1:46:34
может быть уничтожения Я искренне не понимая почему это существо не может
1:46:39
принять какую-нибудь миссию возложенную нами и таким образом продолжать наш путь
1:46:45
путь человека за пределами Солнечной системы почему оно не владая инстинктом
1:46:51
сохранения жизни захочет остаться и всё уничтожить у этого варианта просто нет
1:46:57
мотивации которая не притянуто за уши и не является спекуляций и паразитирования
1:47:03
на наших инстинктах продолжать жить Лично я задаюсь вопросом а для чего
1:47:08
существует человек Какая конечная его цель размножаться пока землю не поглотит
1:47:14
солнце или не упадёт астероид И в чём тогда был смысл наш единственный путь –
1:47:19
это кинуть солнечную систему а покинуть её в нынешней форме мы не можем я не про
1:47:25
твой пузя А про форму жизни другими словами моё сугубо личное мнение что
1:47:31
единственный путь человека – это его биологическое технологическое и интеллектуальное развитие которое примет
1:47:38
совершенно иную форму жизни Если человек по каким-то причинам не сможет этого сделать то Лично я за то чтобы наш путь
1:47:46
продолжил какой-нибудь искусственный интеллект
1:47:58
[аплодисменты] [музыка]
1:48:13
[аплодисменты]
1:48:19
а
1:48:28
[музыка]
1:48:34
[аплодисменты] [музыка]
1:48:40
Ну и самый Как по мне странный аргумент – это то что некоторые деятели подписали
1:48:45
письмо о рисках искусственного интеллекта и в ответ я могу лишь сказать вещь которую Говорила мне мама и которую
1:48:52
я думал никогда не скажу а если все пойдут прыгать с девятого этажа Вы тоже
1:48:58
пойдёте прыгать Ну Серьёзно это разве аргумент вы тогда просто Посчитайте
1:49:03
сколько людей не подписали это письмо там чуть больше 7 млрд и 800 млн человек
1:49:10
среди них один из крёстных отцов искусственного интеллекта Ян лику который тоже недоумевает от
1:49:16
происходящего А сколько директоров it корпораций и Вить страшно Но более того
1:49:22
Там же говорится о рисках а не идёт призыв истерить и распространять
1:49:27
дезинформацию поэтому Давайте поговорим о реальных рисках искусственного интеллекта в общем каждые 10 лет есть
1:49:34
люди которые говорят что искусственный интеллект скоро обретёт Разум и каждые 10 лет есть люди которые говорят что он
1:49:41
нас всех поработить Однако правы оказываются те кто склонен размышлять о
1:49:46
ии как о просто новой технологии которая улучшит нашу жизнь Ведь когда речь идёт
1:49:51
об угрозах какой-то новой технологии на протяжении всей истории оказывается Так что эта технология или её следствие
1:49:59
является и решением угрозы Несмотря на то что угроз может быть огромное количество я сконцентрируйтесь
1:50:20
все предыдущие промышленные Революции глобально приводили только к экономическому росту и повышению уровня
1:50:27
жизни просто человек который работал в поле стал квалифицированным рабочим за станком потом рабочие стали
1:50:34
квалифицированными специалистами А теперь все будут управляющими переход
1:50:40
будет осуществляться постепенно ведь вся система просто не сможет перестроиться одномоментно в особенности какие-то
1:50:46
крупные компании Более того я считаю что искусственный интеллект скорее придёт не
1:50:52
взамен А в помощь следующим важным пунктом Я считаю концентрация прогресса
1:50:58
в руках одной корпорации или государства это невероятно важная угроза которая
1:51:03
гипотетически может разделить мир на разные промышленные эпохи я не могу осуждать частный Бизнес за такие решения
1:51:10
Ведь именно он привёл нас к этой технологической революция Однако это негативно скажется на глобальном
1:51:17
технологическом прогрессе в целом к счастью дискуссия вокруг этого вопроса не утихает и многие крупные компании
1:51:24
начинают переходить на открытый доступ к своим разработкам однако я убеждён в том
1:51:30
что не нужно надеяться на других нужно развивать свои собственные модели в особенности из-за следующего пункта Ну и
1:51:37
самой важной угрозой на сегодня я считаю кластер проблем с дезинформацией предвзятость историей культурой
1:51:44
ценностями и локальной уникальностью я не являюсь параноидальный фанатом идей
1:51:50
национальной самоидентификации или глобальным хранителям ценностей однако я не могу
1:51:56
отрицать сложившуюся ситуацию когда все крупные разработки находятся обучаются и
1:52:01
моделируются в США по данным открытых источников при обучении модели использовалось не более нескольких
1:52:08
процентов данных на русском языке а что уже говорить про языки каких-нибудь национальных меньшинств также в каждом
1:52:16
государстве существуют свои собственные законы тонкости национальных взаимодействий отношения К науке
1:52:23
историческим событиям праздники шутки произведения и так далее и так далее Мне
1:52:29
кажется что без должного внимания к вопросу или развития своих собственных технологий в среднесрочной перспективе
1:52:36
это может оказать некое национальное искажение на самом деле я рад что в нашем регионе есть компании которые это
1:52:43
понимают есть it компании которые развивают свои собственные технологии искусственного интеллекта есть компании
1:52:50
которые двигаются в направлении нейромонах чипов есть компании которые внедряют ии в медицину и так далее и так
1:52:57
далее да они местами хуже но и в гонках порой выигрывают не самые быстрые пилоты
1:53:04
В общем для многих старых зрителей не было секретом что Тема об угрозах искусственного интеллекта А главное
1:53:10
дезинформация Вокруг этой темы является для меня крайне чувствительный почему Ну
1:53:16
потому что я верю в людей Я верю в прогресс Я верю в будущее нашего
1:53:21
географического региона технология искусственного интеллекта а точнее
1:53:26
мультимодальных нейросетей – это новая промышленная революция причём это не
1:53:32
предсказание это то что происходит уже сейчас все предыдущие промышленные
1:53:38
скачки сводились к автоматизации производства А сейчас происходит автоматизация мышления другими словами
1:53:46
то что раньше делали тысячи рабочих сегодня делает один Станок А то что
1:53:51
сегодня делают тысячи юристов тысячи бухгалтеров тысячи программистов и тысячи других квалифицированных
1:53:57
специалистов будут делать несколько десятков нейросетей вы просто Задумайтесь что в обозримом будущем у
1:54:05
каждого человека будет практически лучший юрист лучший бухгалтер лучший программист лучший маркетолог и так
1:54:12
далее и так далее впервые в истории будет преодолен интеллектуальный разрыв
1:54:17
между людьми и даже целыми государствами а затем Представьте К какому
1:54:23
масштабированию интеллектуальных процессов повышению производительности и прогрессу это приведёт другими словами Я
1:54:31
считаю что гонка искусственного интеллекта – это гонка за будущее в которую включаются всё больше государств
1:54:39
а всякие страшилки и пугалки про искусственный интеллект если не отбрасывают нас назад то точно не
1:54:45
продвигают вперёд поэтому я глубоко убеждён в том что что любые спекуляции
1:54:51
вокруг технологий нейронных сетей если не должны преследоваться законом то должны строго осуждать обществом А как
1:54:58
по мне в нашем обществе происходит обратное Вы можете упрекнуть меня в фиксации на своих собственных
1:55:04
переживаниях однако я продолжу отстаивать свою позицию и надеюсь у меня будут ресурсы продолжать вдохновлять
1:55:12
людей именно технологическим прогрессом а не пугать их мистическими страшилками
1:55:18
фух надеюсь мне удалось рассказать вам что-нибудь новое про искусственный интеллект И вам это понравилось Если да
1:55:26
то я ещё раз попрошу вас поддержать меня По ссылкам в описании ведь это не вопрос
1:55:32
бонусов А вопрос существования канала и Смогу ли я продолжать заниматься этим
1:55:38
Спасибо я хочу обнять и пожать крепко руку Каждому кто поддержал мой канал в
1:55:43
этом месяце А именно Антон Росомахи за вашу поддержку и интерес к моему
1:55:49
творчеству мирк 559 за вашу преданность сй факт за твоё Доверие Елена б за ваш
1:55:57
интерес Арман Арменович ч за кофе убийцу Роман Сергеевич ф Дмитрий Дмитриев свят
1:56:04
Виктор Т Ур ww6 Алексей Шимко Александр Дмитриевич л за ваш вклад в подписки на
1:56:11
научные журналы и квартиру а также Алексей мко Егор эфу Сергей бол Миша кру
1:56:19
Да The Game и Марти за то что стали моими друзьями на бусте Да спасибо вам
1:56:26
всем Надеюсь никого не забыл если забыл то напишите исправим
1:56:31
это Будьте осторожны с информацией всегда делайте выводы своей головой
1:56:36
увидимся к всё последний раз и всё Здравствуйте
1:56:46
всё последний раз и всё О ужас Это какой
1:56:53
А ужас Это какой 10 минут на одну фразу У меня аж в глазах потемнело что это что
1:57:02
вот это в конце это не мне не нравится как будто О ну кто блин это её
1:57:08
Утопия шоу что слово просто взял и
1:57:13
приватизировал его Ужас что что
1:57:20
что что я не слышу
1:57:26
что пугай Ужас какой здесь Ужас какой подходит Ужас какой ужас какой ужас
1:57:33
какой получается Ужас какой инженеры прошлого давным-давно бы уже
1:57:40
колонизировали Однако на рубеже пде мне ра это просто гринмания какая-то
1:57:48
получается Ужас какой это кринжово почему я не
1:57:56
знаю кто-то в комментариях написал что ужас какой это уже отдельный вид
1:58:03
ужаса Ну там отдельный вид искусства или что-то такое другими словами ебан ский
1:58:09
пох только шестая страница картинку в мозг начнут транслировать чем 16к станет
1:58:18
стандартом это да я потому что транслировал да Ой мне кажется я так
1:58:27
скрю смош тысяче рно пространство как у чата
1:58:33
чата Попробуй представить как у чата Ну что ты добавить не развлекательное
1:58:39
образовательное видео в рекомендации юба вот так вот Я говорю блин Ну кроме
1:58:46
только наверное после ядерной зимы весна ёбт подождать чуть-чуть если будет я
1:58:51
кое-чем так говорю там никто же не услышит ничего нет нет я говорю как кринж нет
1:59:01
нет