Пути преодоления надвигающегося кризиса развития искусственного интеллекта

Увеличение за последнее десятилетие числа настраиваемых параметров в современных «нейросетевых» вычислительных схемах на 8-10 десятичных порядков до сотен миллиардов и десятков триллионов позволило достичь выдающихся результатов при решении широкого класса «интеллектуальных» задач. Увеличение сложности управляющих устройств, согласно теореме Эшби о необходимом разнообразии систем управления, потенциально требуется для решения более трудных задач, Если бы стоимость, время обучения, объёмы исходных данных и даже количество потребляемой электроэнергии «нейросетей» росли пропорционально росту успехов «нейросетевых» вычислений, то уже давно бы были достигнуты пределы возможностей развития. Использование всё более широкого спектра математических идей, оптимизация алгоритмов, автоматизация сбора информации и совершенствование электроники снизили скорость роста затрат. По мере приближения к пределам разумных расходов на решение «интеллектуальных» задач, акцент развития всё больше переносится с аппаратных средств реализации алгоритма обратного распространения ошибки (BPE, backpropagation error) на другие математические подходы. Успех в реализация таких простых идей, как локализация памяти, декомпозиция сложных объектов и линеаризация преобразований может дать новый импульс развитию искусственного интеллекта (ИИ), сравнимый с внедрением идеи градиентного спуска при обучении «глубоких нейросетей», которая уже привела к революции в машинном обучении.