Кількісна оцінка технологічної сингулярності
Розглянуто актуальне питання кількісного оцінювання технологічної сингулярності. Авторами зроблено аналіз інструментарію штучного інтелекту та підходів, які впливають на розвиток суперінтелекту, що дозволило вперше розробити загальну багатофакторну модель технологічної сингулярності та представити ї...
Збережено в:
| Опубліковано в: : | Проблемы управления и информатики |
|---|---|
| Дата: | 2022 |
| Автори: | , |
| Формат: | Стаття |
| Мова: | Українська |
| Опубліковано: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2022
|
| Теми: | |
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/210868 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Кількісна оцінка технологічної сингулярності / О.В. Заріцький, О.В. Пономаренко // Проблеми керування та інформатики. — 2022. — № 1. — С. 93-111. — Бібліогр.: 28 назв. — укр. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1860216345314983936 |
|---|---|
| author | Заріцький, О.В. Пономаренко, О.В. |
| author_facet | Заріцький, О.В. Пономаренко, О.В. |
| citation_txt | Кількісна оцінка технологічної сингулярності / О.В. Заріцький, О.В. Пономаренко // Проблеми керування та інформатики. — 2022. — № 1. — С. 93-111. — Бібліогр.: 28 назв. — укр. |
| collection | DSpace DC |
| container_title | Проблемы управления и информатики |
| description | Розглянуто актуальне питання кількісного оцінювання технологічної сингулярності. Авторами зроблено аналіз інструментарію штучного інтелекту та підходів, які впливають на розвиток суперінтелекту, що дозволило вперше розробити загальну багатофакторну модель технологічної сингулярності та представити її графічно в просторі прямих та непрямих індикаторів розвитку.
The relevant issue of quantitatively assessing technological singularity is considered. The authors analyze the artificial intelligence tools and approaches influencing the development of superintelligence, which allowed for the first time the development of a general multifactorial model of technological singularity and its graphical representation in the space of direct and indirect development indicators.
|
| first_indexed | 2026-03-20T21:02:31Z |
| format | Article |
| fulltext |
© О.В. ЗАРІЦЬКИЙ, О.В. ПОНОМАРЕНКО, 2022
Міжнародний науково-технічний журнал
«Проблеми керування та інформатики», 2022, № 1 93
УДК.001.19:001.53:004.8(045)
О.В. Заріцький, О.В. Пономаренко
КІЛЬКІСНА ОЦІНКА
ТЕХНОЛОГІЧНОЇ СИНГУЛЯРНОСТІ
Ключові слова: технологічна сингулярність, інтелектуальний вибух, штуч-
ний інтелект, великі дані, машинне навчання, квантовий комп’ютер, нейро-
синаптичні системи.
Keywords: technological singularity, intelligent explosion, artificial intelligence, big
data, machine learning, quantum computer, neurosynaptic systems
Вступ
Поняття штучного інтелекту (ШІ) було сформульовано в середині ХХ століття і
розглядалося найбільш часто як здатність комп’ютерів думати, як людина [1]. Очеви-
дно, таке визначення ШІ підкріплювалося знаменитим тестом Тьюрінга [2], завдан-
ням якого було визначення здатності інформаційної системи (ІС) створювати інтелек-
туальний відгук на повідомлення, який неможливо відрізнити від реакції людини.
Питання про те, чи може машина думати, як людина, має довгу історію і ся-
гає корінням у дуалістичну і матеріалістичну філософські теорії. Перша оперує
дуальністю світу, в якому думка не є матеріальною і тому не може бути пояснена
і, отже, змодельована виключно фізичними, механічними сутностями і поняттями.
Друга теорія говорить про фізичну сутність думки, що дозволяє судити про мож-
ливості існування і рукотворного створення розуму, тобто ШІ як на обчислюваль-
ному рівні — вузького ШІ, так і на рівні повного моделювання роботи мозку лю-
дини — загального ШІ.
Основна відмінність сильного (загального) ШІ та штучного суперінтелекту
від слабкого (вузького) полягає в їхній можливості суттєво перевищити можливо-
сті людини. Передбачається, що здійсниться перехід від слабкого до сильного ШІ
і, в певний момент, який називають інтелектуальним вибухом, як результат само-
вдосконалення сильний ШІ трансформується в суперінтелект, після чого людство
вже не зможе контролювати його розвиток [3]. Ідея інтелектуального вибуху була
описана І. Гудом у 1965 р. [4] та знайшла продовження в концепції технологічної
сингулярності, якій присвячена велика кількість робіт, що як носять чисто теоре-
тичний характер та розглядають питання можливості феномену сингулярності,
так і представляють практичні дослідження експертних думок щодо стану та пер-
спектив інтелектуального вибуху.
У роботі [5] розглянуто підходи теорії метасистемних переходів і технологі-
чна сингулярність визначається як момент, у який закономірності, що спостеріга-
лися раніше, а саме: зменшення часу між метасистемними переходами та часу по-
двоєння потужності кібернетичних систем у межах одного рівня, перестають ви-
конуватися. Автор робить дуже глибинний аналіз феномену технологічної
сингулярності з технологічних та філософських точок зору, та розглядає існуючі
омани в різноманітних трактуваннях сингулярності, в тому числі ідею її настання
як слідства створення сильного ШІ, описуючи технологічну сингулярність у тер-
мінах метасистемних переходів як об’єктивного феномену.
У роботі [6] автор прогнозує настання інтелектуального вибуху саме з погля-
ду розроблення суперінтелекту, але за різними сценаріями (шляхами), включаючи
інтелектуальні мережі. Великий акцент робиться на розвитку потужного апа-
ратного забезпечення, за рахунок якого можливий прорив у ШІ. Однак слід за-
значити, що апаратне забезпечення — це лише один із факторів впливу на
процеси інтелектуалізації технологій.
94 ISSN 1028-0979
Робота [7] цікава з точки зору розгляду суперінтелекту не тільки як програм-
но-апаратного забезпечення, а й як філософсько-психологічного феномену, думки,
яку автори даної статті цілком поділяють і розвивають у своїх дослідженнях.
Автори роботи [7] ставлять під сумнів настання технологічної сингулярності з
поглядів розвитку ШІ до рівня суперінтелекту в зв’язку із складністю реалізації
таких феноменів людської психіки, як: цікавість, уява, інтуїція, емоції, прист-
расть, бажання, задоволення, естетика, радість, мета, цілі, цінності, мораль, дос-
від, мудрість, судження і навіть гумор.
У роботі [8] автор розглядає складну системну теорію еволюції людини —
теорію метасистемного переходу людини, — засновану на появі вищої органі-
зації управління через стабілізацію зворотного зв’язку між виникаючими ін-
формаційно-енергетичними системами. Якщо ця теорія точно відображає тео-
рію еволюції людини, поява та створення нових інформаційних та енергетич-
них систем повинні дати сигнал людству, що поточні структури контролю
будуть потенційно замінені в цьому столітті. В якості таких інформаційних
систем можливо розглядати системи ШІ, або суперінтелекту, але , на думку ав-
торів даної статті, наступний метасистемний перехід, очевидно, буде поєднан-
ням еволюції людини та комп’ютерного суперінтелекту.
У роботі [9] автори роблять детальний аналіз за матеріалами конференцій та
досліджень у галузі ШІ про досяжність описаних експертами цілей щодо розроб-
лення суперінтелекту. Феномен суперінтелекту розглядається також з погляду
екстраполяції даних та думок.
Робота [10] цікава з погляду надання прогнозів щодо розвитку певних галу-
зей. Так, за думкою авторів, ШІ перевершать людей у таких галузях, як: машин-
ний переклад (до 2024 р.), написання рефератів для середньої школи (до 2026 р.),
водіння вантажівки (до 2027 р.), робота в роздрібній торгівлі (до 2031 р.), напи-
сання книги-бестселера (до 2049 р.) і робота хірургом (до 2053 р.). Дослідники
вважають, що існує 50 % ймовірність того, що ШІ перевершить людей у всіх за-
вданнях за 45 років і автоматизує всі роботи людини за 120 років.
Таким чином, виходячи з аналізу літератури за тематикою дослідження, те-
матика технологічної сингулярності, як правило, розглядається з експертних по-
зицій, які можна розділити на декілька напрямів: екстраполяція кривих складності
або продуктивності різноманітних систем (комп’ютерних, енергетичних тощо) та
якісний опис можливих сценаріїв розвитку технологій.
У статті авторів поєднано теоретичні обґрунтування та практичні досліджен-
ня, метою яких є побудова загальної моделі кількісного оцінювання поточного
стану та подальшого прогнозування моменту інтелектуального вибуху шляхом
вирішення наступних завдань досліджень:
• аналіз відповідності структур експертних систем розробленій структурній
моделі інтелекту людини, відповідності сучасних систем ШІ вимогам загального
ШІ або суперінтелекту;
• розгляд та систематизація інструментарію ШІ;
• аналіз підходів ШІ, які можуть впливати на досягнення стану технологічної
сингулярності;
• формалізація та побудова загальної математичної моделі технологічної син-
гулярності, аналіз та оцінювання її складових.
Автори переводять якісні дискусії на тему технологічної сингулярності в кі-
лькісне русло, систематизувавши знання та підходи з різних галузей досліджень,
пов’язаних із ШІ, в єдину структурну модель факторів впливу, які представляють
собою стани розвитку різних теорій, методів, програмних та апаратних комплек-
сів, ІС з погляду реалізації ними принципів загального ШІ.
Міжнародний науково-технічний журнал
«Проблеми керування та інформатики», 2022, № 1 95
1. Структурна модель інтелекту людини
та сучасні межі реалізації ШІ в інформаційних системах
Перш за все розглянемо основні терміни та їх значення для розуміння, якими
«здібностями» має володіти ІС, щоб її можна було віднести до технології ШІ.
Інтелект (від лат. Intellectus — «сприйняття», «розуміння», «поняття», «роз-
суд»), або розум, — якість психіки, що складається із здатності усвідомлювати
нові ситуації, здатності до навчання і запам’ятовування на основі досвіду, розу-
міння і застосування абстрактних концепцій і використання своїх знань для уп-
равління навколишнім середовищем. Іншими словами, це здатність вчитися, на-
бувати, адаптувати, модифікувати і поповнювати знання з метою вирішення за-
вдань. Таким чином, інтелект людини може бути охарактеризований рядом
основних параметрів, серед яких обсяг робочої пам’яті, здатність до прогнозуван-
ня, мислення, пізнання, розуміння, свідомість і пам’ять.
Обсяг робочої пам’яті — когнітивна система обмеженої ємності, що забезпечує
тимчасове зберігання інформації, доступної для безпосереднього оброблення.
Здатність до прогнозування — здатність до побудови причинно-наслідкових
зв’язків, тобто логічного мислення. Здатність обґрунтовувати судження про мож-
ливі стани об’єкта в майбутньому і (або) про альтернативні шляхи і строки їх
здійснення, використовуючи логіку — науку про правильне мислення.
Мислення — сукупність розумових процесів, які лежать в основі пізнання
(розуміння), що включає в себе базові операції аналізу і синтезу, на основі яких
мозок реалізує інші типологічні одиниці: порівняння, класифікацію, узагальнення,
конкретизацію і абстрагування, які, в свою чергу, забезпечують реалізацію актив-
ної сторони пізнання: увага, сприйняття, асоціації, створення понять і суджень як
результат розуміння.
Розуміння — універсальна операція мислення, пов’язана з засвоєнням ново-
го змісту, на основі досвіду, існуючих знань і навичок та із включенням його в
систему усталених ідей і уявлень про навколишній світ [11].
Пізнання — сукупність процесів, процедур і методів придбання знань про
явища і закономірності об’єктивного світу.
Свідомість — стан психічного життя організму, що виражається в суб’єк-
тивному переживанні подій зовнішнього світу і тіла організму, а також у відповід-
ній реакції на ці події. Свідомість як стан психіки пов’язана також з феноменом
інтуїції і багатьох інших явищ, таких як [12]: здатність розрізняти та класифікува-
ти подразники навколишнього середовища, а також реагувати на них; інтеграція
інформації когнітивною системою; моніторинг і самоаналіз психічних станів; зда-
тність системи одержувати доступ до своїх внутрішніх станів; фокус уваги; сві-
домий контроль поведінки; різниця між неспанням і сном.
Інтуїція — здатність, властивість людини розуміти і формувати сенс подій та
об’єктів, а також проникати в нього за допомогою несвідомого виведення, засно-
ваного на уяві і попередньому досвіді.
Пам’ять — одна з властивостей нервової системи, що полягає в здатності якийсь
час зберігати інформацію про події зовнішнього світу та реакції організму на ці
події, а також багаторазово відтворювати і змінювати цю інформацію [13].
Результатом пізнання є знання, які з філософської точки зору можна логічно
або фактично обґрунтувати і емпірично або практично перевірити. У теорії ШІ
і експертних систем (ЕС) знання — це сукупність тверджень про характерис-
тики об’єктів та закономірності поведінки системи, а також правил логічного
висновку тверджень на підставі правил та інших тверджень з метою прийняття
рішень [14].
На рис. 1 представлена спрощена структурна модель інтелекту людини та її
зв’язок з найбільш поширеною структурною моделлю ЕС як одної з областей дос-
ліджень ШІ.
96 ISSN 1028-0979
Інтелект
Свідомість
Увага
Поняття
Асоціація
С
п
р
и
й
н
я
тт
я
Аналіз
Синтез
С
твер
д
ж
ен
н
я
Машина логічного
висновку
Робоча
пам’ять
Робочий
список правил
База
знань
Факти
Правила
Засоби набуття знань
Пізнання
Мислення
Порівняння
А
б
ст
р
ак
ц
ія
Конкретизація Узагальнення
К
л
аси
ф
ік
ац
ія
Рис. 1
Як видно з рис. 1, технології ЕС обмежуються реалізацією механізмів пізнан-
ня (мислення) як одного з базових елементів інтелекту. Рівнем вище знаходиться
свідомість, механізми якої виходять далеко за межі класичної логіки, де сучасні
інтелектуальні системи стикаються з труднощами і практично не реалізовані.
Сучасні ІС з великими обсягами оперативної пам’яті та обчислювальними
можливостями дозволяють реалізувати практично всі основні елементи інтелекту
людини: робочу пам’ять, довгострокову пам’ять, процеси мислення та прогнозу-
вання за винятком свідомості та інтуїції. Слід відзначити, що процес пізнання ін-
телектуальних ІС також обмежений на сучасному етапі їх розвитку лише логіч-
ним пізнанням, тобто через чітко структуровані правила і логіку. Але процес пі-
знання людини може здійснюватися за інтуїтивним принципом, тобто знанням
про якесь явище без розуміння, як це знання отримане.
Багато ІС мають засоби набуття знань шляхом виводу правил за методом ін-
дукції на основі прикладів, тобто навчання з учителем. Для розроблення правил
Міжнародний науково-технічний журнал
«Проблеми керування та інформатики», 2022, № 1 97
у машинному навчанні використовується низка методів, наприклад ID3, C4.5 та
C5.1, штучні нейронні мережі та генетичні алгоритми [15]. Особливістю розроб-
лення правил методами машинного навчання є неможливість пояснити, чому вони
були створені. На перший погляд це дуже схоже на процес інтуїтивного пізнання
людини, але це лише поверхневий погляд без урахування несвідомості виведення
у випадку людини [16].
Отже, штучний інтелект може бути визначений як здатність системи набува-
ти, адаптувати та модифікувати знання з метою вирішення практичних задач, а
відповідно експертна система — це система, яка відтворює здатність експерта
приймати рішення в певних предметних областях знань. Очевидно, що поняття
ШІ, закладене в 50-х рр. минулого століття, розглядалося в перспективі розвитку
цієї галузі науки з кінцевою метою реалізації в ІС фундаментального елементу ін-
телекту людини — його свідомості, або так званого сильного ШІ (strong AI) чи за-
гального ШІ (general artificial intelligence — GAI). Наразі мова повинна йти про
штучне мислення та логічне пізнання, що відображає реальні межі процесів су-
часних «інтелектуальних» систем, або, як прийнято в науковій літературі, — сла-
бкий ШІ (weak AI — WAI), або вузький ШІ (artificial narrow intelligence — ANI).
Визначимо цей стан речей як відправний пункт на тернистому шляху до інтелек-
туального вибуху.
2. Інструментарій штучного інтелекту
Як кожна галузь наук, ШІ має свій інструментарій, який динамічно розвива-
ється, що призводить до появи кожних 2–5 років нових понять та визначень, які
або доповнюють, або розширюють попередні. Використання терміну «штучний
інтелект» у кожному новому методі отримання знань або звичайного оброблення
інформації та її класифікації існуючими алгоритмами дещо заплутує читачів та
дослідників щодо коректного використання цих методів для вирішення задач їх
досліджень.
Тематика представлення знань (knowledge representation — KR) з самого по-
чатку досліджень ШІ є одним з основних напрямків робіт у цій галузі наук
у зв’язку з великою важливістю саме вибору представлення знань для успішної
реалізації інтелектуальної ІС. Очевидно, що саме коректність набуття та предста-
влення знань, можливість їх оновлення та модифікації відіграє суттєву роль у ро-
боті алгоритмів, які реалізують логіку роботи систем ШІ. З формальної точки зору
логіка — це наука про формування дійсних логічних виводів, висновків [17], тоб-
то правила представлення знань, які використовуються в ЕС. Формування логіч-
них висновків — це формальний термін для опису міркувань спеціального типу,
побудованих на правилах формальної (символічної) логіки, які не опираються на
семантику.
Дуже узагальнено можна сказати, що знання відрізняються від інформації та
даних систематизацією, яка дозволяє їх обґрунтувати, у випадку ЕС — у вигляді
правил. Інформація в широкому сенсі — це відомості незалежно від форми їх
представлення, в свою чергу дані — це представлення інформації в формалізова-
ному вигляді, придатному для її передавання або оброблення [18]. Тобто інфор-
мація та дані — це різні терміни по суті, але неформально ці два поняття викорис-
товують практично як синоніми. Область інформації, яка включає як неструкту-
ровані, так і структуровані дані, отримані з попередніх методами обробки,
наприклад, машинного навчання (machine learning — ML), отриманням даних (data
minding, deep minding — DM) тощо, описується терміном «великі дані» (big data —
BD), який став популярним у 2010 р.
98 ISSN 1028-0979
Поняття «великі дані» використовується для характеристики структурованих
та неструктурованих даних великих обсягів та різноманіття [19]. Основні методи
та техніки роботи з великими даними детально розглянуті в звіті [20] та система-
тизовані авторами на (рис. 2).
Наука про дані
(знання)
Data Science
(big data)
Методи
виявлення даних
(data mining — DM):
— асоціативні правила
(association rule learning);
— класифікація;
— кластерний аналіз;
— регресійний аналіз
Краудсорсинг
(crowdsourcing)
Змішування та інтеграція
даних (data fusion and data
integration)
Мережевий аналіз
(network analysis)
Оптимізація, математичне
програмування
(optimization)
Генетичні
алгоритми (genetic
algorithms)
Імітаційне
моделювання
(simulation)
Просторовий аналіз
(spatial analysis)
Статистичний
аналіз (statistics)
Машинне навчання
(machine learning —
ML)
Розпізнавання
образів (pattern
recognition)
Оброблення природних
мов (natural language
processing — NLP)
Штучні нейронні
мережі (neural
networks)
алгоритми
моделі
Рис. 2
Методи виявлення даних (data mining — DM) — сукупність методів виявлення в
даних раніше невідомих, нетривіальних знань. Метою методів виявлення даних є по-
будова алгоритмів. Машинне навчання (machine learning — ML) — розділ науки, що
займається дослідженням та розробкою алгоритмів, які дозволяють моделювати по-
ведінку на основі емпіричних даних з метою прийняття рішення або прогнозування
без явного програмування [21]. Модель — центральна концепція машинного навчан-
ня, оскільки в результаті навчання створюються, як правило, геометричні, ймовірнісні
та логічні моделі з метою вирішення поставлених завдань. Машинне навчання часто
розглядається як окремий розділ комп’ютерних наук, хоча він нерозривно пов’язаний
із методами виявлення даних data mining. До машинного навчання також відносять
розпізнавання образів (pattern recognition), оброблення природних мов (natural
language processing — NLP), та штучні нейронні мережі.
Відсутність сталої класифікації методів роботи з даними в BD пояснюється по-
стійним розвитком науки в цій галузі знань та еволюцією відповідних понять, наприк-
лад data mining — концепція, яка зародилася та була дуже популярна в 1990-х рр., бу-
ла змінена поняттям Big data, яке з’явилося приблизно в 2010 р. Наразі набуває
популярності термін «наука про знання, дані» (data science — DS).
Найбільша кількість методів DS відноситься до двох великих груп (виявлен-
ня даних та машинне навчання), які можна характеризувати з погляду наявності
або відсутності навчальних даних та дескриптивним або прогностичним характе-
ром моделі (табл. 1, класифікація методів DM та ML).
Таблиця 1
Вид навчання Прогностична модель Дескриптивна модель
Використання навчальних да-
них — навчання з учителем,
supervised learning
Класифікація (дискримі-
нантний аналіз), регресія
(канонічний аналіз)
Виявлення підгруп
Навчальні дані не використо-
вуються — навчання без учи-
теля, unsupervised learning
Прогностична кластери-
зація (кластерний аналіз)
Дескриптивна кластеризація, виявлен-
ня асоціативних правил, зменшення
розмірності (факторний аналіз)
Міжнародний науково-технічний журнал
«Проблеми керування та інформатики», 2022, № 1 99
Межа між концепціями DM та ML дуже тонка та умовно може бути розгля-
нута з погляду прогностичності отриманих моделей виходячи з того, що основ-
ним об’єктом DM є алгоритми для виявлення раніше невідомих шаблонів, а ML
вирішує завдання побудови моделей на основі алгоритмів навчання з метою про-
гнозування даних, тобто, іншими словами, DM розглядають як набір підходів для
систематизації знань та пошуку раніше невиявлених зв’язків для побудови шаб-
лонів, а ML використовує знайдені закономірності для побудови моделей та про-
гнозування рішень з новими вхідними даними. З урахуванням наведених визна-
чень інформації та даних представимо структурно-функціональну модель отри-
мання знань у системах ШІ (рис. 3).
Алгоритми
Шум
Інформація
Структуровані
дані
Знання
Метазнання
Мудрість
Н
ес
тр
ук
ту
ро
ва
н
і
да
н
і
Збір даних
Фільтрація
даних
Аналіз
даних
Прогностична
модель
Дескриптивна
модель
Нейронні
мережі
Д
ан
і для н
авчан
н
я
Прогнозування
даних
1
23
4
5
Рис. 3
Функції (блоки) 1–4 відносяться до концепції DM, яка разом з функці-
єю 5 входить у концепцію ML, кінцева мета якого — використання даних для
навчання без явного програмування систем. Блок 4 в частині штучних ней-
ронних мереж та блок 5 формують концепцію глибинного навчання (deep
lear-ning — DL). В свою чергу алгоритми, моделі, прогнозування даних та об-
ласть знань (інтелектуальний агент) можуть бути розглянуті як система
«штучного» інтелекту.
3. Підходи та концепції, які впливають на розвиток загального
штучного інтелекту. Модель технологічної сингулярності
Незважаючи на велику кількість робіт, присвячених дослідженню ШІ,
наразі відсутні чітко формалізовані вимоги до сильного ШІ. Як зазначалося
в попередньому викладені (п. 1), ідея ШІ зароджувалася саме з погляду мож-
ливості виконання творчих функцій людини із залученням свідомості, само-
свідомості, інтуїції та мудрості. Таким чином, загальний ШІ повинен охоплю-
вати всі функції вузького інтелекту та додатково бути здатним: приймати рі-
шення та діяти в умовах невизначеності; аналізувати та мати уявлення про
Алгоритми
100 ISSN 1028-0979
існуючу об’єктивну реальність; планувати діяльність, здійснювати постановку
цілей; навчатися та генерувати нові знання про навколишнє середовище; спіл-
куватися природною мовою та поєднувати всі зазначені можливості для дося-
гнення запланованих цілей.
Даний перелік не є ані вичерпним, ані мінімально необхідним для того,
щоб можна було стверджувати, що система досягла рівня загального ШІ. Мож-
ливо зробити лише висновок про те, що ІС повинна охопити зону свідомості
(див. рис. 1), а саме: узагальнювати та цілеспрямовано відображати дійсність, по-
передньо в «думках» будувати дії та прогнозувати їх результат, регулювати свою
поведінку та здійснювати самоконтроль за рахунок саморефлексії.
Більшість фахівців у галузі ШІ згідно з експертним опитуванням [22] вважає,
що суперінтелект буде розроблено до 2040–2050 рр. Результатом опитування
є рейтинг підходів, представлених авторами на рис. 4, які, на думку експертів,
найбільше впливають на терміни розроблення систем із загальним ШІ.
Інформація
Потужність ПЗ (hardware performance — HWP)
Суперкомп’ютер
(SC)
Тестові набори даних (large-
scale datasets — LSD)
Нейросинаптичний
комп’ютер (NSC)
Квантовий
комп’ютер (QC)
Когнітивна наука (cognitive science — CGS)
Наука про дані (DS)
Формальна логіка
(formal logic — FL)
Правила,
аналогії
(rules)
Концепції (сonception — CP)
Моделювання роботи мозку (whole brain emulation — WBE)
Інтегровані когнітивні архітектури (integrated cognitive
architectures — ICA)
Зображення
(computer
vision — CV)
Коннекціонізм
(connectionism — CN) Теоретична нейронаука
(theoretical neuroscience — NN,
machine learning — ML)
Поглиблене навчання (deep
learning — DL)
Колективний інтелект
(swarm intelligence —
SWI)
Імплементовані
системи (embodied
systems — EBS)
Робототехніка
(robotics — RBT)
зв’язок областей досліджень ШІ
направлення обробки даних
А
п
ар
ат
н
е
за
б
ез
п
еч
ен
н
я
(
А
З
)
Т
ео
р
ет
и
ч
н
і
д
о
сл
ід
ж
ен
н
я
П
р
и
к
л
ад
н
і
д
о
сл
ід
ж
ен
н
я,
П
З
Булеві формули
(boolean
satisfiability
problem — SAT)
Доведення теорем
(automated theorem
proving — ATP)
Мовлення
(natural
language
processing
— NLP)
Рис. 4
Оцінювання впливу зазначених підходів на розвиток загального ШІ відо-
кремлено, очевидно, не зовсім коректно, оскільки практично всі вони взаємно
пов’язані та впливають один на одного, що знайшло відповідне відображення
(див. рис. 4), після об’єднання деяких підходів у логічні групи напрямів дослі-
джень. По суті, всі підходи можуть бути зведені до восьми великих напрямів
досліджень — елементів впливу — з урахуванням їх взаємного зв’язку: когні-
тивна наука, інтегровані когнітивні системи, моделювання роботи мозку, ко-
Міжнародний науково-технічний журнал
«Проблеми керування та інформатики», 2022, № 1 101
лективний інтелект, набори великих даних, імплементовані системи, робото-
техніка та, відповідно, апаратне забезпечення з максимальною продуктивніс-
тю для реалізації методів та підходів.
Основою всіх напрямів є когнітивна наука — міждисциплінарне дослідження
мозку (розуму) та інтелекту, що охоплює філософію, психологію, ШІ, нейронау-
ку, лінгвістику та антропологію [23]. Дослідження в галузі когнітивних наук ба-
зуються на обробці великої кількості даних з використанням методів та підходів
науки про данні з метою представлення даних (знань) (рис. 5).
Методи
представлення
знань
Правила
(продукції)
Інструменти
(мови):
LISP, PROLOG,
CLIPS, OPS5,
LOGO, Dylan,
Forth, Scheme,
SmallTalk, C++,
тощо
Семантичні
(асоціативні)
мережі
Інструменти
(мови):
теорія графів,
PROLOG
Фрейми
Інструменти
(мови):
FRL, SRK, KRL,
KEE, HP-RL,
CLIPS
Сценарії
Логіка (логічне
програмування) та
теорія множин
Концептуальні
схеми
Рис. 5
Апаратне забезпечення — це прикладна галузь досліджень, основною метою
якої є досягнення обчислювальної потужності, яка відповідала б можливостям
людського мозку як з погляду продуктивності (кількості операцій в секунду), так і
енергетичної ефективності.
Темі сингулярності присвячено багато робіт видатних вчених, починаючи
з робіт Ф. Енгельса, В.І. Вернадського, Д. фон Неймана про прискорення росту
наукових знань та технологічного прогресу і закінчуючи ідеями С. Лема про
ймовірну еволюцію комп’ютерів, одним з індикаторів якої, як правило, вважають
їх обчислювальну потужність. На думку авторів, прив’язка технологічної сингу-
лярності лише до продуктивності комп’ютерів як індикатору їх еволюції не
відображає коректно стан справ і, швидше за все, є лише невеликою складо-
вою серед множини різних факторів, розглянутих у статті.
Аналіз основних показників (орієнтовних) роботи мозку людини та сучасних
і перспективних ІС, як з погляду їх потужності, так і з погляду архітектурних рі-
шень, наведений у табл. 2.
Таблиця 2
Показник
Мозок
людини
Суперкомп’ютер
(архітектура фон
Неймана)
Нейросинаптичні
системи (IBM
TrueNorth NS16e-4 )
Квантовий
комп’ютер
(Sycamore)
Кількість нейронів,
млрд
≈ 80 –100 – 0,064 64 qubit
Кількість синапсів, трлн > 200 – 0,016 –
Тактова частота, Гц ≈ 10
до
10*109(можлива)
– –
Споживча потужність,
Вт
≈ 10–30 28*106 (Fugaku) 70 25*106
Обчислювальна потуж-
ність, FLOPS, QV*
(quantum value)
≈ 1018–
1020
0,513*1018 (Fugaku) 0,7*1013 2*1017
Енергоефективність,
FLOPS/Вт
≈ 5*1016–
5*1018
14,66*109 1011 1010
102 ISSN 1028-0979
Велика різниця в енергоефективності мозку людини та комп’ютерних систем
пояснюється двома факторами: технологією та архітектурою. Мозок людини
в якості елементної бази використовує органічні нейрони (біологічна система),
а процесори (мікропроцесори) — неорганічні кремнієві транзистори, тобто техно-
логію, розвиток якої обмежений мінімальним розміром транзистору.
Очевидно, що суперкомп’ютери підходять до межі продуктивності з погляду
як технології, так і архітектури. Їхні можливості будуть остаточно вичерпані, коли
розмір кремнієвого транзистору досягне мінімального з погляду технології розмі-
ру та, відповідно, квантових ефектів впливу, а рух у напрямку паралельно розпо-
ділених операцій на тисячах процесорів буде вимагати збільшення споживчої по-
тужності та розмірів комп’ютерів.
Мозок людини працює по-іншому: паралельно обробляє сенсорні сигнали та
видає команди. Саме таким шляхом йде розроблення нейросинаптичних процесо-
рів для формування висновків на основі масово-паралельної мережі, яка склада-
ється з мільйонів нейронів та мільярдів синапсів [24].
Ще один напрям розвитку обчислювальної техніки — розвиток квантових
комп’ютерів, принцип дії яких заснований на використанні законів квантової ме-
ханіки, зокрема принципу суперпозиції та квантової заплутаності [25]. Слід відмі-
тити, що розвиток такого класу комп’ютерів йде за двома напрямами: спеціалізо-
вані системи для вирішення окремих завдань, наприклад завдань оптимізації, та
універсальні системи, які зможуть реалізовувати будь-які квантові алгоритми
(Шора, Гровера тощо).
Очевидно, що розвиток апаратного забезпечення йде декількома напрямами
з метою подолання технологічних обмежень. Враховуючи особливості реалізації
та коло задач, які вирішуються кожною технологією, що доповнюють та розширюють
можливості одна одної, можливо зробити висновок про паралельне використання
зазначених технологій у системах ШІ в майбутньому (рис. 6).
Права півкуля
Оброблення сенсорних
даних та розпізнавання
образів, образне
мислення
Ліва півкуля
Оброблення
аналітичних даних,
розрахунки, логічне
мислення
Квантовий комп’ютер
Оптимізаційні задачі,
квантові алгоритми
Нейросинаптичний
комп’ютер
Виявлення та
класифікація об’єктів
(згорткові нейронні
мережі)
Рис. 6
Слід відмітити окремо важливу роль наборів великих даних (баз, даних або
знань), які необхідні для моделювання та навчання систем зі ШІ з метою оціню-
вання рівня їх відповідності «інтелектуальності».
Міжнародний науково-технічний журнал
«Проблеми керування та інформатики», 2022, № 1 103
4. Формалізація та побудова математичної моделі технологічної
сингулярності, аналіз та оцінювання її складових
Очевидно, що момент настання інтелектуального вибуху або технологічної
сингулярності визначається низкою факторів, а саме — станом та темпами розвитку
підходів, зазначених на рис. 4, та потужністю комп’ютерних систем, яка забезпечує
реалізацію даних підходів на рівні показників роботи мозку.
Таким чином, технологічна сингулярність (technological singularity — S), а точ-
ніше — її стан в певний момент часу (𝑡𝑖), може бути описана функцією виду (1):
{ , }
i i it t tS f D I=
, (1)
1
i
i
N
t
t n n
n
D A
=
= , (2)
де
it
D — прямий (direct) комплексний показник, який описує стан факторів
(підходів, див. рис. 4) впливу на досягнення моменту сингулярності в певний
момент часу, наприклад генерація та оброблення комп’ютерних зображень,
імплементований (комп’ютерний) зір, семантична сегментація тощо;
it
I —
непрямий (indirect) комплексний показник, який описує стан індикаторів, що опосе-
редковано характеризують розвиток прямих факторів через динаміку в області дослі-
джень ШІ, наприклад кількість наукових статей, досліджень, інвестицій в галузь ШІ,
кількість вчених, задіяних в галузі, тощо; n — ваговий коефіцієнт n-го фактору it
nA ;
it — і-й момент часу оцінювання стану сингулярності; , , [ ,i i it t t
CGS ICA LSDn
𝑊𝐵𝐸𝑡𝑖 , 𝐸𝐵𝑆𝑡𝑖 , 𝑆𝑊𝐼𝑡𝑖 , 𝑅𝐵𝑇𝑡𝑖 , 𝐻𝑊𝑃𝑡𝑖] — фактори (елементи) впливу; виходячи з аналі-
зу п. 3, розглядаємо вісім показників, кількість яких може уточнюватися в результаті
досліджень; it
nA — оцінка n-го фактору впливу в момент часу it як функція прямих та
непрямих індикаторів відповідно.
Аналіз звіту [26] дозволив розбити всі показники (індикатори) на певні тема-
тичні групи. З метою уніфікації кожному показнику було присвоєно код.
Розділ «Дослідження та розробки» (research and development — R&D) розгля-
дається як основа побудови та сталого розвитку систем ШІ. Основні індикатори
даного розділу пов’язані, як правило, з теоретичними напрацюваннями у вигляді
наукових праць (статей, конференцій тощо) та інтелектуальною власністю, офор-
мленням відповідних патентів (табл. 3).
Таблиця 3
№ Показник, шт.
Цільове
значення
Розділ
(див. рис. 4)
Код
1
Кількість публікацій у виданнях, що індексуються
у міжнародних наукометричних базах (Scopus)
↑ COM RD.01.00
2
Кількість публікацій у спеціалізованих журналах,
присвячених ШІ
↑ COM RD.02.00
3 Кількість публікацій на конференціях ↑ COM RD.03.00
4 Кількість патентів в галузі ШІ ↑ COM RD.04.00
5 Кількість публікацій в онлайн-репозиторії arXiv: ↑ COM RD.05.00
6 за тематикою ШІ ↑ COM RD.05.01
7
за тематикою розрахунків та мов
(computation and language)
↑
CGS,
NLP
RD.05.02
8
за тематикою роботи з комп’ютерними
зображеннями (computer vision)
↑ CGS, CV RD.05.03
9
за тематикою машинного навчання та комп’ютерних
наук (machine learning in computer science)
↑ CGS, ML RD.05.04
10
за тематикою нейронних мереж та еволюційних ро-
зрахунків (neural and evolutionary computing)
↑ CGS RD.05.05
11 за тематикою робототехніки (robotics) ↑ RBT RD.05.06
12
за тематикою машинного навчання в статистиці
(machine learning in statistics)
↑ CGS, ML RD.05.07
13 за тематикою поглибленого навчання (deep learning) ↑ CGS, DL RD.05.08
14 Кількість учасників конференцій ↑ COM RD.06.00
15
Кількість розміщень програмного забезпечення
на платформі GitHub
↑ COM RD.07.00
COM (common) відноситься до всіх галузей досліджень.
104 ISSN 1028-0979
Розділ «технічні показники» (technical performance — TP) присвячено аналізу по-
казників, які характеризують прогрес у практичній реалізації теоретичних досліджень
у різноманітних технічних сферах впровадження ШІ (табл. 4).
Таблиця 4
№ Показник
Одиниця
виміру
Цільове
значення
Розділ
(див. рис. 4)
Код
1
Результат класифікації зображення за тестом
ImageNet: Top-1 Accuracy. Наскільки добре
система може присвоїти мітку зображенню
% 100 CGS, CV TP.01.00
2
Результат класифікації зображення за тес-
том ImageNet: Top-5 Accuracy, який оцінює,
чи правильно присвоєна мітка хоча б у
п’яти прогнозах класифікатора
% ≥ 94,9 CGS, CV TP.02.00
3
Час, необхідний для тренування системи до
стандартного (заданого) рівня розпізнавання
с ↓ CGS, WBE TP.03.00
4
Початкова відстань (fréchet inception
distance), тобто експертна оцінка відмін-
ності (наближення) між штучно згенерова-
ним зображенням та реальним, оціненим
нулем
б/р ↓(0) CGS, CV TP.04.00
5 Ймовірність визначення фейкових зображень б/р ↓(0) CGS, CV TP.05.00
6
Середня точність визначення
пози людини з тестового набору
% 100 CGS, CV TP.06.00
7
Середня точність побудови 3D-моделі
об’єкта з його 2D-зображення
з використанням тестового набору
% 100 CGS, CV TP.07.00
8
Індекс перетину об’єктів
(intersection-over-union (IoU) metric)
% 100 CGS, CV TP.08.00
9 Імплементований зір (Embodied vision — EV) – – CGS, CV,EBS TP.09.00
10
Якість розпізнавання активності в часовому
проміжку
% 100 CGS, CV TP.10.00
11
Точність (якість) виявлення об’єктів з вико-
ристанням навчального набору тестових
відеофрагментів
% 100 CGS, CV TP.11.00
12
Якість розпізнавання та виявлення облич
з використанням тестового набору
б/р ↓(0) CGS, CV TP.12.00
13
Продуктивності та якості виконання зав-
дань на розуміння англійської мови з вико-
ристанням тестових наборів завдань
% ≥ 89,8 CGS, NLP TP.13.00
14
Здатність NLP системи давати короткі
відповіді на запитання по тестовим наборам
текстів
% ≥ 91,21 CGS, NLP TP.14.00
15
Кількість комерційних систем машинного
перекладу
шт. ↑ CGS TP.15.00
16
Точність генерування різних текстів (гли-
бока мовна модель штучного інтелекту
GPT-3)
% 100 CGS, WBE TP.16.00
17
Точність надання відповідей системою на
питання у вигляді зображень або поставле-
них усно
% ≥ 80,8 CGS, WBE TP.17.00
18
Точність розмірковування системи «на ос-
нові здорового глузду» та надання відповіді
і його обґрунтування щодо наданого зобра-
ження
% ≥ 85 CGS, WBE TP.18.00
19
Якість розпізнавання мовлення
(рівень помилок)
% ↓(0) CGS, NLP TP.19.00
20
Загальний час (продуктивність), необхідний
для вирішення 400 тестових формул
– ↓ CGS, SAT TP.20.00
21 Автоматизоване доведення теорем % 100 CGS, ATP TP.21.00
Рівень показника людини.
Міжнародний науково-технічний журнал
«Проблеми керування та інформатики», 2022, № 1 105
У розділі «Економічна діяльність» (economy activity — EА) характеризується
вплив ШІ на ринок праці та інвестиції, які виділяються для розвитку систем ШІ
в індустрії (табл. 5).
Таблиця 5
№ Показник
Оди-
ниця
виміру
Цільове
значення
Розділ
(див. рис.4) Код
1 Індекс найму за даними LinkedIn рази ↑ COM EA.01.00
2 Глобальна (загальна) потреба в робочій силі % ↑ COM EA.02.00
3
Потреба в робочій силі за кластерами нави-
чок (7 кластерів), 01.02.02.(01-07):
% ↑ COM EA.03.00
машинне навчання (ML)
% ↑ CGS,
ML
EA.03.01
штучний інтелект (AI) % ↑ COM EA.03.02
нейронні мережі (NN)
% ↑ CGS,
NN
EA.03.03
штучне мовлення (NLP)
% ↑ CGS,
NLP
EA.03.04
робототехніка (RBT) % ↑ RBT EA.03.05
розпізнавання віртуальних образів (VIR) % ↑ CGS,CV EA.03.06
автоматизований рух (AD) % ↑ COM EA.03.07
4 Глобальні інвестиції в розвиток ШІ
млн
у.о.
↑ COM EA.04.00
5
Впровадження в промисловість (за галузями
та областями) (10 областей) 03.00.01.(01-10)
% ↑ COM EA.05.00
6
Впровадження робототехніки в проми-
словість
тис. од. ↑
RBT
EA.06.00
7
Кількість згадувань ШІ в корпоративних
звітах про прибутки та збитки (3 області),
03.00.03.(01-03)
тис. од ↑
EA.07.00
великі дані (BD) тис. од ↑ COM EA.07.01
машинне навчання (ML) тис. од ↑
CGS,
ML
EA.07.02
штучний інтелект (AI) тис. од ↑ COM EA.07.03
У розділі «Освіта» (education — ED) описується стан освіти в галузі ШІ (табл. 6).
Таблиця 6
№ Показник
Один.
виміру
Цільове
значення
Код
1
Кількість програм (курсів) у навчальних закладах
вищої освіти освітнього рівня «бакалавр»
шт. ↑ ED.01.00
2
Кількість студенів освітнього рівня «бакалавр», які
відвідали зазначені програми (курси)
тис. шт. ↑ ED.02.00
3
Кількість програм (курсів) у навчальних закладах
вищої освіти освітнього рівня «магістр»
шт. ↑ ED.03.00
4 Кількості факультетів, які спеціалізуються на ШІ шт. ↑ ED.04.00
5 Кількість осіб з науковим ступенем PHD шт. ↑ ED.05.00
6
Кількість осіб з науковим ступенем PHD, залучених
у промисловість
шт. ↑ ED.06.00
7
Кількість осіб з науковим ступенем PHD, залучених
в освітній процес
шт. ↑ ED.07.00
106 ISSN 1028-0979
У розділі «Етичні питання» (Ethics in AI) характеризується активність у сус-
пільстві з питань етики та нормативних актів у галузі ШІ (табл. 7).
Таблиця 7
№ Показник
Одиниця
виміру
Цільове
значення
Код
1
Кількість нормативних документів,
які регламентують етичні питання в ШІ
шт. ↑ 01.00.01.00
2
Кількість згадувань тематики ШІ у засобах
масової інформації
шт. ↑ 02.00.01.00
3
Кількість конференцій
з питань етичних проблем у ШІ
шт. ↑ 03.00.01.00
Всі розглянуті показники можна об’єднати в три великі групи.
Група 1. Розділи 1, 4, 5 — непрямі показники, які характеризують інтенсивність
досліджень у галузі ШІ, розвиток тематики ШІ в освітніх та наукових закладах та
увагу суспільства до проблематики використання ШІ. Очевидно, зростання зна-
чень таких показників говорить про збільшення активності в галузі ШІ з погляду
змісту, хоча без врахування якості такої активності.
Група 2. У розділі 2 описано прямі показники, які характеризують успіхи
суспільства в практичній реалізації теоретичних напрацювань (показники
розділів 1, 4, 5) в галузі ШІ у вигляді прикладних рішень — інформаційно-
комунікаційних систем ШІ.
Група 3. У розділ 3 включено непрямі показники, які характеризують ін-
вестиції в галузь досліджень ШІ, а також практичну реалізацію розроблених
прикладних рішень, теорій та підходів у галузі ШІ в промисловість. Іншими
словами, у групі 3 описано масштаб практичного впровадження технологій ШІ
в індустрію.
Таким чином, три групи поєднанні логікою причино-наслідкових зв’язків:
теоретичні дослідження → прикладні рішення → практична реалізація. В такому
випадку зазначені показники повинні впливати один на одного, тобто характе-
ризуватися відповідними коефіцієнтами кореляції (рис. 7).
Рис. 7
Scatterplot RD.05.03 v.s. TP.01.00 (Casewise MD
deleton) Correlation : r = 0,96583
0,0
T
P
.0
1
.0
0
0,4
0,8
1,2
RD.05.03
– 1,5 – 0,5 0,5 1,5 2,0
Scatterplot EA.03.06 v.s. TP.01.00 (Casewise MD
deleton) Correlation : r = 0,73834
0,0
T
P
.0
1
.0
0
0,4
0,8
1,2
EA.03.06
– 0,6 0,0 0,6 1,2 1,8
Scatterplot RD.05.03 v.s. EA.03.06 (Casewise MD
deleton) Correlation : r = 0,74030
– 0,6
E
A
.0
3
.0
6
0,6
1,2
1,8
RD.05.03
– 1,5 – 0,5 0,5 1,5 2,0
Scatterplot RD.05.06 v.s. EA.06.00 (Casewise MD
deleton) Correlation : r = 0,68122
– 0,6
T
P
.0
1
.0
0
0,4
0,8
1,2
RD.05.06
– 1,5 – 0,5 0,5 1,5 2,0
0,0
Міжнародний науково-технічний журнал
«Проблеми керування та інформатики», 2022, № 1 107
Продовження рис. 7
Дані статистичного аналізу (див. рис. 7) підтверджують високу кореляцію в
трійках (на прикладі): дослідження (оброблення зображень) → розроблення прик-
ладних рішень (розпізнавання віртуальних зображень) → потреба в робочій силі.
Також на високому рівні знаходиться кореляція між індикаторами в галузі робо-
тотехніки (RD.05.06–EA.03.05(EA.06.00)).
Розглянемо детально одну із складових моделі (2) «когнітивна наука» (CGS),
яка може бути представлена відповідними індикаторами у загальному вигляді в
частині роботи з зображеннями (3):
( ) ) ) )( ( (; ; ,i i i it t t tz x y
n n n nA fa a a= (3)
де
) ) )( ( (; ;i i it t tz x y
n n na a a — індикатори (показники) відповідно з трьох груп
(x — 1, 4, 5; z — 2; y — 3); розраховується як середнє значення відповідних інди-
каторів.
Використовуючи (3), елемент it
CGSA може бути представлений як
( ) ( ) ( )
.01.00
.02.00
.03.00
.05.03
.06.00
.05.04
.03.06.07.00
.05.05
.08.00
.05.07
.10.00
.11.00
.
; ;
.12 00
i i ii
z t x t y tt
CGS CGS CGS CGS
TP
TP
TP
RD
TP
RD
A a a a EATP
RD
TP
RD
TP
TP
TP
f
=
.
(4)
Результати розрахунків фактору «когнітивна наука» (CGS) (рис. 8, фактор «ког-
нітивна наука» в просторі прямих та непрямих індикаторів) дають підстави ствер-
джувати про постійне зростання показника (4) протягом 2015–2020 рр.
Таким чином, постійне зростання значення прямого індикатору в частині скла-
дової «розпізнавання віртуальних зображень» вказує на «відстань», яку суспільство
пройшло за цей час та яка залишилася, в умовних одиницях (шкала z приведена до 10)
до настання технологічної сингулярності в частині лише деяких елементів однієї об-
ласті дослідження з восьми виділених як таких, що суттєво впливають на розвиток
ШІ на його шляху до технологічної сингулярності.
Scatterplot RD.05.06 v.s. EA.03.05 (Casewise MD
deleton) Correlation : r = 0,77677
– 1,2
E
A
.0
3
.0
5
0,6
1,6
RD.05.06
– 1,5 – 0,5 0,5 1,5 2,0
0,0
– 0,6
Scatterplot EA.03.05 v.s. EA.06.00 (Casewise MD
deleton) Correlation : r = 0,90121
– 1,2
E
A
.0
6
.0
0
0,6
1,6
EA.03.05
– 1,2 – 0,6 0,0 1,2 1,6
0,0
– 0,6
0,6
108 ISSN 1028-0979
100
50
(97,7; 40; 4,476)
z
x
7
5
6
y
2015
2016
2017
2018
2019
476,4
)2015(
=
z
CGS
a
(2020)
7,527
z
a
CGS
=
(21,23; –18; 18; 7,527)
50
– 30
2020
Рис. 8
Величини кутів нахилу прямої до відповідних площин між оцінюваннями
можуть розглядатися як показник ефективності наукових досліджень, інвестицій
в ШІ тощо в досягненні сингулярності. Непрямі фактори можливо розглядати як
додаткові характеристики динаміки активності в області ШІ, які корелюють з
прямими факторами стану сингулярності. Наприклад, протягом 2016–2019 рр.
можемо відмітити уповільнення темпів публікацій результатів наукових дослі-
джень
( )ix t
na та зменшення попиту на фахівців у галузі оброблення віртуальних
зображень
( )
;iy t
na як наслідок у 2020 р. приріст прямого показника
( )
,iz t
na який
характеризує ступінь практичної реалізації питання оброблення зображень у ви-
гляді прикладних рішень та систем, досягнув мінімального за п’ять років рівня,
хоча і був позитивним.
Висновок
Здійснений аналіз та систематизація завдань, які вирішуються сучасними си-
стемами ШІ, інструментарію великих даних та сучасних концепцій, які впливають
на розвиток загального ШІ, дозволив розробити узагальнену модель оцінювання
стану технологічної сингулярності з відповідними припущеннями та спрощення-
ми та зробити наступні загальні висновки.
1. Область застосування сучасних ІС, підходів та принципів, які декларують
підтримку та реалізацію ШІ, обмежена на рівні реалізації процесів логічного пі-
знання або мислення. Тобто мова йде про реалізацію слабкого або вузького ШІ на
сучасному рівні розвитку систем такого класу. Реалізація ж процесів свідомості
залишається перспективним завданням на шляху до загального ШІ та активно ро-
звивається в межах таких областей досліджень, як інтегровані когнітивні системи,
моделювання роботи мозку, колективний інтелект, імплементовані системи тощо.
2. Інструментарій ШІ є об’єктом дослідження науки про дані (DS) або вели-
ких даних (BD). В основному методи DS, які впливають на розвиток ШІ, розподі-
ляються в межах двох великих групп — виявлення даних та машинне навчання, —
межа між якими дуже тонка та може бути визначена їх об’єктами: в разі DM це
Міжнародний науково-технічний журнал
«Проблеми керування та інформатики», 2022, № 1 109
алгоритми для виявлення раніше невідомих шаблонів, для ML — вирішення за-
вдання побудови моделей на основі алгоритмів навчання з метою прогнозування
даних. За даними експертів, вага інструментарію DS серед підходів, які вплива-
ють на розвиток ШІ до рівня інтелектуального вибуху, складає не менше 25 %,
оскільки саме методи DM та ML лежать в основі виявлення об’єктів, розпізнаван-
ня зображень, оброблення природного мовлення та аналізу і написання текстів.
3. З метою переходу від експертних (якісних) оцінок до ідеї кількісної оцінки
моменту розроблення суперінтелекту було проаналізовано експертні дані щодо
методів та підходів, які можуть впливати на темпи розвитку загального ШІ, та ви-
ділено вісім головних областей досліджень — факторів впливу, які потребують
детального вивчення та розроблення шкал для оцінок їхнього стану та динаміки
розвитку у рамках загальної моделі оцінювання.
4. Модель оцінювання технологічної сингулярності розглянута з погляду
двох великих груп факторів: прямих та непрямих. Прямі фактори описують без-
посередньо стан прикладних досліджень та досягнень у реалізації ІС на шляху до
загального ШІ. Непрямі фактори поділяються на дві підгрупи: перша описує ди-
наміку активності в галузі теоретичних, наукових досліджень ШІ та стандартиза-
ції галузі на нормативно-законодавчому рівні, друга — інвестицій в їх розвиток,
зайнятість фахівців зі ШІ в різних галузях економіки тощо, тобто практичну реа-
лізацію прикладних інформаційних систем.
У результаті статистичного аналізу була виявлена кореляція між показника-
ми всіх трьох груп на рівні 0,6–0,9, що підтверджує коректність логіки їх побудо-
ви і класифікації за принципом причино-наслідкових зв’язків: теоретичні дослі-
дження → прикладні рішення → практична реалізація.
5. В якості практичного прикладу застосування розробленої моделі техно-
логічної сингулярності було деталізовано до індикаторів та їх значень одну
з восьми ключових областей досліджень — оброблення зображень. Результати ро-
зрахунків, представлені графічно в просторі прямих та непрямих індикаторів, до-
зволяють зробити висновок про кількісний стан питання та його позитивну дина-
міку протягом останніх п’яти років (збільшення прямого показника з 4,476 до 7, 523
за 10-бальною шкалою). Запропоноване графічне представлення результатів дос-
ліджень має велике практичне значення з погляду можливості аналізувати і про-
гнозувати динаміку прямих індикаторів та їх залежність (кореляцію) від динаміки
непрямих. Так, зменшення темпів приросту непрямих показників протягом 2–3 років
призвело до уповільнення темпів росту прямого показника.
Запропонована авторами модель потребує деталізації на рівні кожного фак-
тору (області дослідження) з погляду уточнення показників (індикаторів) шляхом
залучення фахівців з відповідних галузей досліджень: когнітивна наука, інтегро-
вані когнітивні системи, моделювання роботи мозку, колективний інтелект, набо-
ри великих (тестових) даних, імплементовані системи, робототехніка та апаратне
забезпечення.
О.В. Заріцький, О.В. Пономаренко
КІЛЬКІСНА ОЦІНКА
ТЕХНОЛОГІЧНОЇ СИНГУЛЯРНОСТІ
Розглянуто актуальне питання кількісного оцінювання технологічної сингуляр-
ності. Авторами зроблено аналіз інструментарію штучного інтелекту та
підходів, які впливають на розвиток суперінтелекту, що дозволило вперше ро-
зробити загальну багатофакторну модель технологічної сингулярності та
представити її графічно в просторі прямих та непрямих індикаторів розвит-
110 ISSN 1028-0979
ку. Розроблений підхід дозволяє перейти від експертних суджень щодо питання
технологічної сингулярності у формі екстрапольованих кривих складності різ-
номанітних систем, або якісного опису можливих сценаріїв розвитку техноло-
гій, до кількісної оцінки стану технологічної сингулярності. Формалізовано
зв’язки між відповідними функціональними областями інтелекту людини та су-
часних експертних систем, розроблено структурно-функціональну модель
отримання знань. Зроблено висновок щодо реальних меж процесів сучасних
«інтелектуальних» систем на рівні штучного мислення та логічного пізнання,
що відповідає слабкому штучному інтелекту. Проаналізовано стан і шляхи роз-
витку апаратного забезпечення, що дозволило зробити висновок про комплекс-
не використання різних апаратних архітектур та принципів оброблення інфор-
мації: суперкомп’ютера, нейросинаптичного та квантового комп’ютерів для ре-
алізації концепції технологічної сингулярності. У вигляді структурної моделі
формалізовано області досліджень, які найбільше впливають на розвиток шту-
чного інтелекту, та їх зв’язок з існуючими підходами і методами оброблення
великих даних. Вперше запропоновано класифікацію індикаторів розвитку
штучного інтелекту в межах двох класів, прямих та непрямих, об’єднаних у три
групи (інтенсивність наукових досліджень і суспільна активність; рівень прик-
ладних (технологічних) рішень; практична реалізація), які найбільше вплива-
ють на розвиток загального штучного інтелекту. Виявлено кореляцію між фор-
малізованими групами індикаторів, що підтверджує коректність гіпотези про
причино-наслідковий зв’язок між групами (теоретичні дослідження → прикла-
дні рішення → практична реалізація) та їх взаємний вплив.
О.V. Zaritskyi, O.V. Ponomarenko
QUANTITATIVE ASSESSMENT
OF TECHNOLOGICAL SINGULARITY
The article deals with the topical issue of quantitative assessment of technological
singularity. The authors made an analysis of artificial intelligence tools and ap-
proaches affecting the development of superintelligence, which allowed for the first
time to develop a general multifactor model of technological singularity and present
it in the space of direct and indirect indicators of development. The developed ap-
proach makes it possible to move from expert judgments on the issue of technologi-
cal singularity in the form of extrapolated complexity curves of various systems or
qualitative description of possible scenarios of technological development to quanti-
tative assessment of the state of technological singularity. The links between the rel-
evant functional areas of human intelligence and modern expert systems are formal-
ized, a structural-functional model of knowledge acquisition is developed. A conclu-
sion is made about the real limits of the processes of modern "intelligent" systems at
the level of artificial thinking and logical cognition, which corresponds to a weak ar-
tificial intelligence. The state and ways of hardware development were analyzed,
which allowed making a conclusion about the complex use of different hardware ar-
chitectures and information processing principles: supercomputer, neurosynaptic and
quantum computers to implement the concept of technological singularity. Formal-
ized in the form of a structural model the areas of research most influential in the de-
velopment of artificial intelligence, and their relationship to existing approaches and
methods of processing big data. For the first time proposed the classification of indi-
cators of development of artificial intelligence within two classes: direct and indirect,
grouped into three groups: the intensity of research and public activity; the level of
applied (technological) solutions; practical implementation, most affecting the devel-
opment of general artificial intelligence. The correlation between the formalized
groups of indicators was revealed, which confirms the correctness of the hypothesis
about the cause-effect relationship between the groups: theoretical research → ap-
plied solutions → practical implementation and their mutual influence.
REFERENCES
1. Джарратано Дж., Райли Г. Экспертные системы: принципы разработки и программирова-
ние, 4-е издание: Пер. с англ. М. : ООО «И.Д. Вильямс», 2007. 1152 с.
2. James H. Moor. The status and future of the turing test. Minds and Machines. 2001. 11, N 1.
Р. 77–93. https://doi.org/10.1023/A:1011218925467.
3. Wikipedia: Technological singularity. URL: https://en.wikipedia.org/ wiki/Technological_
singularity. (Дата звернення: 10.01.2022.)
https://link.springer.com/article/10.1023%2FA%3A1011218925467#auth-James_H_-Moor
https://dl.acm.org/toc/mind/2001/11/1
https://doi.org/10.1023/A:1011218925467
Міжнародний науково-технічний журнал
«Проблеми керування та інформатики», 2022, № 1 111
4. Good I.J. Speculations concerning the first ultra intelligent machine. Advances in Computers.
1966. 6. P. 31–88. https://doi.org/10.1016/S0065-2458(08)60418-0.
5. Потапов А.С. Технологическая сингулярность в контексте теории метасистемных перехо-
дов. Компьютерные инструменты в образовании. 2017. № 6. С. 12–24.
6. Vinge V. The coming technological singularity: how to survive in the post-human Era. Vi-
sion–21: interdisciplinary science and engineering in the era of cyberspace. San Diego: San Die-
go State University. 1993. P. 11–22. DOI:10.5040/9781474248655.0037.
7. Braga A., Logan R.K. The emperor of strong AI has no clothes: limits to artificial intelligence.
Information. Switzerland. 2017. 8 (4). P. 156. https://doi.org/10.3390/info8040156.
8. Bostrom N. How long before superintelligence? Linguistic and Philosophical Investigations.
2006. 5, 1. P. 11–30.
9. Baum S., Goertzel B., Goertzel T. How long until human-level AI? Results from an expert as-
sessment. Technological Forecasting and Social Change. 2011, 78, N 1. P. 185–195.
10. Grace K. et al. When will AI exceed human performance? Evidence from AI Experts.
arXiv:1705.08807. 2018.
11. Воскобойников А.Э. Монолог о диалоге и понимании. Знание. Понимание. Умение. 2006.
№ 1. С. 22–27.
12. David J. Chalmers. Facing up to the problem of consciousness. Journal of Consciousness Studies.
1995. 2, N 3. Р. 200–219.
13. Craig A. Anderson. Encyclopedia of Psychology. 2012. 8. DOI:10.1037/10523-068.
14. Jeckson P. Expert systems introduction. 3 edition. Addison Wesley Publishing Company.
1998. 542 p.
15. Nils J. Nilsson. Introduction to machine learning an early draft of a proposed. Textbook. Stanford
University, Stanford. 2005. 188 p.
16. Конверский А.Е. Логика. Учебник для студентов юридических факультетов. М. : Идея-
Пресс, 2012. 324 с.
17. ISO/IEC 2382:2015 Information technology — Vocabulary. 2015. Technical Committee ISO/IEC
JTC 1. Information technology. 46 р.
18. Томас Эрл. Основы Big Data: концепции, алгоритмы и технологии. Баланс. Бизнес. Букс,
2018. 320 с.
19. Manyika James. Big Data: the next frontier for innovation, competition and рroductivity. McKin-
sey Global Institute. 2011. 156 p.
20. Jure Leskovec. Mining of massive datasets. Stanford University. 2019. 603 p.
21. Flach P. Machine learning. The art and science of algorithms that make sence of data. Cambridge
University press. 2012. 400 p.
22. Müller Vincent C., Bostrom N. Future progress in artificial intelligence: a survey of expert opinion.
Fundamental issues of artificial intelligence. 2016. Syntheses Library, Berlin : Springer. Р. 553–571.
http://orcid.org/0000-0002-4144-4957.
23. Cognitive science. The Stanford encyclopedia of philosophy. Substantive revision Sept. 2018.
URL: https://plato.stanford.edu/entries/cognitive-science/. (Дата звернення: 14.11.2021.)
24. TrueNorth: от нуля к 64 миллионам нейронов. Открытые системы. СУБД. Издательство
«Открытые системы», 2021. URL: https://www.osp.ru/ os/2019/03/13055127. (Дата звернен-
ня: 14.11.2021.)
25. Нильсон М., Чанг И. Квантовые вычисления и квантовая информация. Пер. с англ. М. :
Мир, 2006. 824 с.
26. Artificial intelligence. Index Report 2021. URL: The AI Index Report — Artificial Intelligence
Index (stanford.edu). (Дата звернення: 14.11.2021.)
Отримано 30.11.2021
Після доопрацювання 12.01.2022
https://doi.org/10.1016/S0065-2458(08)60418-0
https://doi.org/10.5040/9781474248655.0037
https://doi.org/10.3390/info8040156
http://www.zpu-journal.ru/zpu/2006_1/Voskoboinikov/3.pdf
https://ru.wikipedia.org/wiki/%D0%97%D0%BD%D0%B0%D0%BD%D0%B8%D0%B5._%D0%9F%D0%BE%D0%BD%D0%B8%D0%BC%D0%B0%D0%BD%D0%B8%D0%B5._%D0%A3%D0%BC%D0%B5%D0%BD%D0%B8%D0%B5
http://consc.net/papers/facing.pdf
http://dx.doi.org/10.1037/10523-068
https://www.iso.org/obp/ui/#iso:std:iso-iec:2382:ed-1:v1:en
https://plato.stanford.edu/entries/cognitive-science/
http://www.osp.ru/os/2019/03/13055127
https://aiindex.stanford.edu/report/
https://aiindex.stanford.edu/report/
|
| id | nasplib_isofts_kiev_ua-123456789-210868 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 0572-2691 |
| language | Ukrainian |
| last_indexed | 2026-03-20T21:02:31Z |
| publishDate | 2022 |
| publisher | Інститут кібернетики ім. В.М. Глушкова НАН України |
| record_format | dspace |
| spelling | Заріцький, О.В. Пономаренко, О.В. 2025-12-19T15:10:21Z 2022 Кількісна оцінка технологічної сингулярності / О.В. Заріцький, О.В. Пономаренко // Проблеми керування та інформатики. — 2022. — № 1. — С. 93-111. — Бібліогр.: 28 назв. — укр. 0572-2691 https://nasplib.isofts.kiev.ua/handle/123456789/210868 001.19:001.53:004.8(045) 10.34229/1028-0979-2022-1-10 Розглянуто актуальне питання кількісного оцінювання технологічної сингулярності. Авторами зроблено аналіз інструментарію штучного інтелекту та підходів, які впливають на розвиток суперінтелекту, що дозволило вперше розробити загальну багатофакторну модель технологічної сингулярності та представити її графічно в просторі прямих та непрямих індикаторів розвитку. The relevant issue of quantitatively assessing technological singularity is considered. The authors analyze the artificial intelligence tools and approaches influencing the development of superintelligence, which allowed for the first time the development of a general multifactorial model of technological singularity and its graphical representation in the space of direct and indirect development indicators. uk Інститут кібернетики ім. В.М. Глушкова НАН України Проблемы управления и информатики Космічні інформаційні технології та системи Кількісна оцінка технологічної сингулярності Quantitative assessment of technological singularity Article published earlier |
| spellingShingle | Кількісна оцінка технологічної сингулярності Заріцький, О.В. Пономаренко, О.В. Космічні інформаційні технології та системи |
| title | Кількісна оцінка технологічної сингулярності |
| title_alt | Quantitative assessment of technological singularity |
| title_full | Кількісна оцінка технологічної сингулярності |
| title_fullStr | Кількісна оцінка технологічної сингулярності |
| title_full_unstemmed | Кількісна оцінка технологічної сингулярності |
| title_short | Кількісна оцінка технологічної сингулярності |
| title_sort | кількісна оцінка технологічної сингулярності |
| topic | Космічні інформаційні технології та системи |
| topic_facet | Космічні інформаційні технології та системи |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/210868 |
| work_keys_str_mv | AT zarícʹkiiov kílʹkísnaocínkatehnologíčnoísingulârností AT ponomarenkoov kílʹkísnaocínkatehnologíčnoísingulârností AT zarícʹkiiov quantitativeassessmentoftechnologicalsingularity AT ponomarenkoov quantitativeassessmentoftechnologicalsingularity |