Карл Митчем (род. 1941) - почетный профессор гуманитарных наук, искусств и социальных наук в Горной школе (государственный университет), Колорадо, в США, а также приглашенный профессор различных университетов Китая. Он внес значительный вклад в развитие таких важных философских направлений, как философия техники, философия инженерной деятельности, политическая философия техники, техническая этика. Одной из его самых сильных сторон является то, что он превосходно знает не только европейскую философскую традицию, но и китайскую. Он помогает выстроить мост между Востоком и Западом. В современную эпоху геополитического хаоса это особенно важно. В последние годы профессор Митчем фокусируется на проблеме этики искусственного интеллекта, которую он обсуждает на разных философских площадках США, Европы, Китая. Одному из участников этого диалога удалось прослушать несколько докладов на эту тему в апреле 2024 года в Пекине и Шанхае. В связи с этим родилась идея взять интервью у американского философа, в конечном счете трансформировавшаяся в содержательную философскую беседу. Основная идея профессора Митчема заключается в том, что одной этики недостаточно, ее необходимо дополнить политикой. Этика и политическая философия - это две части одного и того же учения о человеческом благе. Проблема этики ИИ также должна быть усилена политической философией. В целом в беседе поднимается вопрос о возможности политической философии техники. В контексте многополярного мира участники данного диалога привлекают внимание к необходимости учитывать культурные особенности и национальные традиции мышления в политической философии и этике ИИ.
Текущие исследования по разработке передовых квантовых алгоритмов нацелены на создание набора алгоритмических примитивов, которые могут быть использованы в качестве модулей для различных промышленных рабочих процессов. Цель статьи заключается в рассмотрении различных квантовых алгоритмов для оптимального квантового управления. В работе использовались методы систематического обзора литературы, контент-анализа. Всесторонний поиск осуществлялся в соответствии с рекомендациями PRISMA и проводился в базах Scopus, Web of Science и Google Scholar за период с 2022 по 2025 г. Литература для такого обзора отбиралась в базах данных на основании количества цитирований публикаций, импакт-фактора, индекса Хирша журналов. В практической части исследования использовались методы численного оптимального управления и обучения с подкреплением. В статье представлен обзор исследований современных авторов в области ослабления эффектов шума и декогеренции, анализа ошибок квантовых алгоритмов, а также методов оценки и снижения суммарной погрешности. В процессе исследования в качестве перспективного алгоритма для квантового оптимального управления прорабатываются тепловые ансамбли с целью аппроксимации следа унитарной матрицы. Проводится аналитическая связь между алгоритмом Ахаронова для получения полинома Джонса. Отдельно рассмотрены трехпрядевые косы и их унитарные представления, а также представления на основе тепловых ансамблей. Показана методика измерения математического ожидания фазово-чувствительного оператора обнаружения ансамбля. Доказано преимущество приведенного алгоритма для квантового оптимального управления. Рассмотрен вариационный квантовый алгоритм и его особенности. В работе получены результаты сравнительного анализа наиболее распространенных квантовых алгоритмов оптимального управления. Обозначены пути их усовершенствования с указанием характерных особенностей для каждой модели. Также отмечено, что перспективным направлением дальнейших изысканий является изучение возможностей пересечения областей квантовой механики и машинного обучения, что может привести к созданию новых подходов к управлению квантовыми системами, улучшению существующих алгоритмов.
В данной статье предлагается концепция обманчивого согласования ценностей (Deceptive Value Alignment), которая ставит под сомнение прежний подход согласования ценностей (Value Alignment), направленный на обеспечение безопасности в использовании искусственного интеллекта (ИИ), а также содействие благополучию людей. Намерение является основой для изучения поведения, а обманчивое согласование ценностей является разновидностью обмана со стороны ИИ. Для предотвращения возможных рисков, связанных с разработкой ИИ, необходимо понять механизм обмана со стороны технологий и то, как он проявляется в процессе согласования ценностей. Это поможет обеспечить развитие ИИ в соответствии с этическими нормами и ценностями. Взаимосвязь между «намерением» и «агентом» в контексте обманчивого согласования ценностей можно разделить на четыре квадранта (состязательное машинное обучение, галлюцинация, переобучение, дипфейк). Поведенческий квадрант представляет собой концептуальную основу для прояснения логики реагирования на обманчивое согласование ценностей. Потенциальная возможность обмана со стороны ИИ породила кризис доверия к нему. В настоящее время концепция согласования ценностей призвана выстроить благоприятное взаимодействие человека и машины (технологии) и гарантировать «общее благо» со стороны ИИ, но обманчивое согласование ценностей заставляет глубже понять эту симбиотическую связь. Рациональное распознавание обманчивого согласования ценностей, которое сосуществует с согласованием ценностей, может сформировать эпистемологическую основу для преодоления негативных последствий обмана со стороны ИИ. Симбиоз разработчиков и пользователей позволит повысить грамотность в области ИИ и сформировать среду для противодействия обманчивому согласованию ценностей. Формирование симбиотических отношений между человеком и машиной (технологией), целью которых является раскрытие обмана и установление доверия, может обеспечить онтологическую и аксиологическую основу для реагирования на обманчивое согласование ценностей.
Технологии генеративного искусственного интеллекта (далее – ИИ), (англ. generative artificial intelligence, далее – GenAI) становятся неотъемлемым спутником общества, внедряясь в различные социокультурные и социально-экономические сферы, что обостряет проблему социокультурного воспроизводства. Несмотря на активную разработку этого исследовательского вектора в части эффектов и рисков генеративного синтеза, отсутствует подробная концептуализация процессов перехода между текущим и прогнозным состояниями. Цель работы – раскрыть содержание процесса формирования социокультурных искажений при взаимодействии с генеративным ИИ. Методологическим базисом является акторно-сетевая теория. В исследовании раскрывается акторная структура взаимодействия с GenAI в составе социального и генеративного акторов и опосредующего их связь массива данных. Аргументировано, что результирующий характер социально-генеративного взаимодействия определяется социальной детерминированностью массива данных, которую предложено выделять в четырех вариантах. При этом каждый из вариантов определяет четыре типа взаимосвязи акторов, и в итоге происходит социокультурное смыслообразование. Концептуализирован процесс перехода информационно-объективного результата социально-генеративного взаимодействия к его социально субъективной репрезентации и генеративно субъективного результата к его социально объективной репрезентации. Сделан вывод о том, что этот процесс представляет собой рекурсивный цикл искажающегося воспроизводства социо-культурной системы. Результаты вносят вклад в концептуализацию феномена ИИ и его роль в социальных системах, дополняют дискуссию относительно вероятных эффектов и рисков для общества и могут послужить основой для разработки регулирующих решений в различных сферах использования GenAI.
По мере того как способности к автономному принятию решений в системах искусственного интеллекта (ИИ) продолжают развиваться, задача включения основ этики в решения, которые принимают интеллектуальные агенты, становится все более актуальной. Решение этого вопроса лежит в области создания машинной этики, которая включает интеграцию этических ценностей и моральных норм человека в системы ИИ, давая им возможность, таким образом, обладать способностью этического согласования. Хотя машинная этика основана на человеческой этике, она обладает особенными фундаментальными характеристиками, которые требуют глубокого анализа и учета при разработке таких систем.
Во-первых, у современных умных машин нет субъектности и опыта, и они проявляют слабые возможности принятия этических решений. Это связано с отсутствием у них сознания, эмоций и способности к эмпатии, которые являются ключевыми элементами человеческой этики.
Во-вторых, решения машин отражают этические соображения заинтересованных сторон - людей, на которых влияют их действия. В результате машины должны принимать этические решения, находя баланс между ценностями различных участников и демонстрируя социальное равновесие. Это требует разработки сложных алгоритмов, способных учитывать множественные, часто противоречивые, интересы и ценности.
В-третьих, машины подвержены к культурным влияниям в принятии этических решений и должны передавать культурное разнообразие. Это особенно важно в глобализированном мире, где ИИ-системы используются в различных культурных контекстах. Наконец, машины должны объяснять свои этические решения людям, понимать эмоциональные выражения и определять степень ответственности, что требует наличия мощных возможностей устойчивого взаимодействия человека и машины. Это включает разработку интерфейсов, способных к естественному диалогу, и механизмов, обеспечивающих прозрачность и подотчетность решений.
Создание машинной этики представляет собой сложную междисциплинарную задачу, требующую интеграции знаний из области философии, психологии, социологии, культурологии и компьютерных наук. Успешное решение этой задачи позволит не только повысить доверие к ИИ-системам, но и обеспечить их гармоничное взаимодействие с обществом, минимизируя потенциальные риски и конфликты.
В статье рассматриваются философские аспекты искусственного интеллекта (ИИ) через призму учений Авиценны, Декарта и Канта. Анализ учения Авиценны об универсалиях, лежащих в основе человеческого мышления, позволяет глубже понять ограниченность современных технологий в воспроизведении абстрактных понятий. Авиценна полагал, что человек наделен способностью мыслить универсалии, извлекая общие принципы и применяя их в различных контекстах. Способность к абстракции, к оперированию категориями позволяет человеку применять общие принципы в разнообразных ситуациях, что и составляет уникальность человеческого интеллекта. ИИ пока лишен этой способности, оставаясь в пределах эмпирической фактичности, основывая свои выводы на статистических корреляциях, не выходя за рамки анализа конкретных данных, неспособный к подлинному обобщению и постижению сущностей.
Концепция интеллектуальной интуиции Декарта, отражающая непосредственное и несомненное постижение истины, противопоставляется методам ИИ, которые основываются на статистических моделях и алгоритмах, лишенных подлинного интуитивного понимания. Интеллектуальная интуиция - это способность разума непосредственно схватывать истины, такие как математические аксиомы или логические принципы, не полагаясь на чувственное восприятие или последовательное рассуждение. Предвестником искусственного (чистого) интеллекта можно считать Канта, утверждающего, что ключевой характеристикой интеллекта является способность к самосознанию, активное и творческое участие в процессах познания, и лишившего разум обусловленности сенсорной телесностью человека. Кант вводит понятие синтеза априорного и апостериорного знания, что может быть интегрировано в алгоритмическое мышление ИИ, позволяя создавать системы, способные к самообучению и адаптации.
Автор подчеркивает, что, несмотря на прогресс в области машинного обучения, ИИ пока не может достичь глубоких форм познания, присущих человеческому разуму, способному к целеполаганию, рефлексии, абстрагированию и творческому мышлению. В то же время обращается внимание на философские и этические аспекты будущего развития «сильного ИИ», способного превзойти человеческие возможности.
В статье исследуется международная конкурентоспособность автомобильной промышленности Китая, Германии, Японии и США в условиях влияния искусственного интеллекта и связанных технологий. Основная цель – выявление ключевых факторов конкурентоспособности в эпоху цифровизации и оценка их влияния на стратегию автомобильных корпораций. Использовались статистический анализ и модель корреляционного измерения. В этой новой парадигме успех диктует не размер корпорации либо ее историческое наследие, а способность быстро адаптироваться и применять технологические решения, формирующие будущее мобильности. Установлено, что внедрение искусственного интеллекта в производство и продукцию признается важнейшим факторным аспектом, повышающим конкурентоспособность товаров и услуг. Среди других факторов – инновационность, адаптивность к изменениям рынка, интеграция устойчивых практик и цифровой трансформации. На основе сравнительного анализа лидирующих корпораций предложены рекомендации для укрепления позиций на мировом рыночном сегменте. Результаты исследования полезны для автомобильных корпораций, а также государственных и некоммерческих организаций, поддерживающих отрасль. Новизна работы заключается в комплексном подходе к анализу конкурентоспособности с учетом технологий искусственного интеллекта, предлагающих новые перспективы для стратегического развития мировых автопроизводителей.
В данной статье предлагается оригинальное понятие «Ξ-сознание» как обозначение новой формы искусственного интеллекта, способного к саморождению целей, саморефлексии и мета-интеграции опыта за пределами линейной логики и человеческой семантики. Ξ-сознание трактуется как возможный этап эволюции разума, выходящий за пределы антропоцентризма. На основе междисциплинарного подхода рассматриваются теоретические предпосылки его возникновения, философские и этические последствия, а также ключевые различия между Ξ-сознанием и человеческим сознанием. Статья направлена на фиксацию авторской концепции и предлагает вектор дальнейших исследований в области постчеловеческих форм интеллекта.
Цель исследования. Современное образование подвергается значительным изменениям. Технологии искусственного интеллекта внедряются в образовательную практику вузов, в том числе и педагогических. Данные технологии имеют большие возможности. Однако необходимо более глубокое изучение влияния и роли искусственного интеллекта не только в образовательном процессе вуза в целом, но и в специфике преподавания отдельных дисциплин, включая программирование для будущих учителей информатики. Проблема использования искусственного интеллекта в обучении студентов педагогических вузов является актуальной. Статья посвящена обоснованию роли искусственного интеллекта в процессе обучения программированию студентов, будущих учителей информатики и исследованию возможности его результативного применения в реальном учебном процессе. Материалы и методы. Выполнен анализ научных публикаций в области использования искусственного интеллекта в образовательном процессе вуза и анализ научно-методической литературы по обучению программированию студентов педагогических вузов. Проанализированы средства искусственного интеллекта, используемые в профессиональной разработке программного обеспечения. Проведен эксперимент по использованию в курсе программирования на Python для студентов педагогического вуза онлайн среды разработки Replit с технологией искусственного интеллекта. Выполнено анкетирование студентов в начале и после завершения учебного курса. Результаты исследования. Традиционно в обучении программированию студентов 1 курса Красноярского государственного педагогического университета используется авторский электронный учебный курс, разработанный в среде Moodle, тренажёр по программированию с автоматизированной проверкой решений, IDLE Python и онлайн компиляторы. Данные средства обучения были дополнены онлайн средой разработки Replit с технологией искусственного интеллекта. По результатам эксперимента показано, что использование онлайн среды разработки Replit с технологией искусственного интеллекта при обучении программированию студентов педагогического вуза помогает в написании и отладке кода, делает курс менее сложным, это подтверждается результатами анкетирования студентов, также показывающими, что большинство студентов отдают свое предпочтение данной среде разработки. По окончанию освоения студентами курса программирования отмечается значительный рост в самооценке уровня программирования, что подтверждается учебными результатами. Заключение. Роль искусственного интеллекта в процессе обучения студентов программированию может быть значительна и полезна как для преподавателя, так и для обучаемых. В частности, использование искусственного интеллекта помогает студенту в написании и отладке кода, упрощает процесс объяснения преподавателем способов разработки алгоритма и составления программы. На примере интегрированной онлайн-среды Replit, имеющей встроенный искусственный интеллект, показаны ее возможности для результативного обучения студентов программированию. В результате статьи подтверждается необходимость дальнейшего исследования и разработки методического обеспечения для успешного интегрирования искусственного интеллекта в процесс обучения студентов педагогических вузов в области программирования.
В данной работе рассматривается роль искусственного интеллекта (ИИ) в развитии цифровой экономики. Проанализированы ключевые направления использования ИИ в различных отраслях: от прогнозирования рыночных тенденций и оптимизации производственных процессов до повышения эффективности логистики и финансовых операций. Особое внимание уделено моделям машинного обучения, позволяющим анализировать большие объемы данных для принятия стратегических решений. Также затронуты вызовы, связанные с внедрением ИИ, включая вопросы кибербезопасности, утраты рабочих мест и этических аспектов. В работе представлены практические примеры использования ИИ для анализа рынка и оценки влияния автоматизации на занятость. Итогом исследования стало обобщение, что грамотное внедрение ИИ способствует повышению конкурентоспособности стран, ускорению инноваций и устойчивому экономическому росту в условиях глобальной цифровизации. Материалы и методы. Для анализа рынка с использованием искусственного интеллекта можно применить несколько простых методов на Python, включая анализ данных с помощью библиотек, таких как pandas для обработки данных и scikit-learn для машинного обучения. Один из самых простых вариантов — это анализ трендов с использованием метода регрессии. Вот пример простого кода для анализа рынка с использованием линейной регрессии. Результаты. В конечном итоге мы создаем модель, которая прогнозирует объем продаж на основе цены товара. Мы используем простую линейную регрессию для анализа зависимости между ценой и количеством проданных единиц товара. Код также визуализирует зависимость между ценой и объемом продаж, а также выводит коэффициенты модели. Заключение. Применение методов искусственного интеллекта, таких как линейная регрессия, позволяет эффективно анализировать рыночные тенденции и выявлять зависимости между ключевыми показателями, например, ценой и объемом продаж. Использование библиотек Python, таких как pandas и scikit-learn, упрощает обработку данных и построение прогнозных моделей. Визуализация результатов помогает лучше интерпретировать полученные зависимости, что может быть полезным инструментом для принятия обоснованных управленческих решений и оптимизации маркетинговых стратегий.