Первое упоминание относится к п. 5 разд. 1 (основные понятия): «перспективные методы искусственного интеллекта - методы, направленные на создание принципиально новой научно-технической продукции, в том числе в целях разработки универсального (сильного) искусственного интеллекта (автономное решение различных задач, автоматический дизайн физических объектов, автоматическое машинное обучение, алгоритмы решения задач на основе данных с частичной разметкой и (или) незначительных объемов данных, обработка информации на основе новых типов вычислительных систем, интерпретируемая обработка данных и другие методы)». Здесь при расшифровке сильного ИИ акцент сделан на автономности, автоматичности, самообучаемости и интерпретируемости, что характерно для глубокого машинного обучения на современном этапе [31; 33] и является необходимым, однако не достаточным для второго этапа [12; 35]. Таким образом, первое упоминание сильного ИИ в Стратегии сделано в рамках концепции слабого интеллекта и помещено в контекст основных понятий первого этапа. Этот вывод относится и к «перспективным методам» (п. 31,45).
Во втором разделе Стратегии («Развитие искусственного интеллекта в России и мире») описывается развитие представлений об ИИ в рамках первого этапа. В этом контексте в п. 9 отмечено: «Создание универсального (сильного) искусственного интеллекта, способного, подобно человеку, решать различные задачи, мыслить, взаимодействовать и адаптироваться к изменяющимся условиям, является сложной научно-технической проблемой, решение которой находится на пересечении различных сфер научного знания - естественно-научной, технической и социально-гуманитарной». Все правильно, однако такая формулировка лишний раз указывает на то, что сильный ИИ вынесен за рамки Стратегии как «сложная проблема». Последнего упоминания находится в п. 30 разд. 5: «Фундаментальные научные исследования должны быть направлены на создание принципиально новых научных результатов, в том числе на создание универсального (сильного) искусственного интеллекта». Несмотря на то, что контекст данного раздела относится к проблематике первого этапа, ориентация фундаментальных исследований на разработку сильного ИИ оставляет некоторые шансы на переход ко второму этапу после окончания действия Стратегии в 2030 г.
Приведенные результаты анализа Стратегии однозначно указывают на ориентацию государственной политики Российской Федерации на развитие слабого ИИ. При этом основные конкуренты нашей страны на мировой арене ориентируются на создание технологии сильного ИИ, а передний край научных разработок конкурентов находится в области искусственного суперинтеллекта. Отсюда можно вывести общее экспертное заключение: российская политика развития ИИ отстает от соответствующей политики стран-лидеров на одно поколение (этап) по технологиям и на два - по научным концепциям. Для исправления сложившейся ситуации необходимо асимметричное решение. По мнению автора, таким решением может стать разработка нового официального документа - «Национальной стратегии развития искусственного суперинтеллекта на период до 2050 года». Это позволит на уровне национальных стратегий опередить остальные страны и действительно занять «лидирующие позиции в мире».
Заключение
Анализ декларируемых и латентных стратегических целей государственной политики развития ИИ в Российской Федерации, зафиксированных в Стратегии, показал, что такое развитие до 2030 г. планируется осуществлять в рамках концепции слабого ИИ. В то же время ряд стран нацелены на создание новых технологий в соответствии с концепцией сильного ИИ и проведение научных исследований по искусственному суперинтеллекту. Для выхода России в мировые лидеры в области ИИ предложено сосредоточить усилия на разработке технологий третьего этапа (супер ИИ) и сформировать новую национальную стратегию с горизонтом планирования до середины XXI в. Практическая значимость полученных результатов связана с выполнением п. 57 проанализированного документа: «В целях аналитической поддержки реализации настоящей Стратегии проводятся научные исследования, направленные на прогнозирование развития технологий искусственного интеллекта... Результаты этих исследований должны учитываться при принятии управленческих решений».
Список литературы
1. Алексеев Р А. Искусственный интеллект на службе государства: аргументы «за» и «против» // Журнал политических исследований. 2020. Т. 4, № 2. С. 58-69.
2. Комиссина И. Н. Современное состояние и перспективы развития технологий искусственного интеллекта в Китае // Проблемы национальной стратегии. 2019. № 1. С. 137-160.
3. Любимов А. П., Пономарева Д. В., Барабашев А. Г. О национальной стратеги развития искусственного интеллекта // Представительная власть - XXI век: законодательство, комментарии, проблемы. 2019. № 5-6. С. 1-7.
4. Скворцов Е. А., Кротов М. И., Скворцова Е. Г., Безносов Г. А. Перспективы исследований в условиях реализации национальной стратегии развития искусственного интеллекта: отраслевой аспект // Московский экономический журнал. 2019. № 9. С. 211-218.
5. Artificial Intelligence Index: 2019 annual report (Human-Centered AI Institute, Stanford University). URL: https://hai.stanford.edU/sites/g/files/sbiybj10986/f/ai_index_2019_report.pdf(дата обращения: 20.08.2020). Текст: электронный.
6. Baum S. D., Barrett A. M., Yampolskiy R. V. Modeling and interpreting expert disagreement about artificial superintelligence // Informatica - Journal of Computing and Informatics. 2017. Vol. 41, No. 4. P 419-427.
7. Bostrom N. Superintelligence: paths, dangers, strategies. Oxford: Oxford University Press, 2014. 328 p.
8. Bradley P. Risk management standards and the active management of malicious intent in artificial superintelligence // AI & Society. 2020. Vol. 35, No. 2. P 319-328.
9. Cath C., Wachter S., Mittelstadt B., Taddeo M., Floridi L. Artificial intelligence and the “good society”: The US, EU, and UK approach // Science and Engineering Ethics. 2018. Vol. 24, No. 2. P 505-528.
10. Chen W. Now I know my ABCs: U.S. - China policy on AI, big data, and cloud computing // Asia Pacific Issues. 2019. No. 140. P 1-9.
11. Cristianini N. On the current paradigm in artificial intelligence // AI Communications. 2014. Vol. 27, No. 1. P. 37-43.
12. Dambrot S. M. Theoretical and hypothetical pathways to real-time neuromorphic AGI/post-AGI ecosystems // Procedia Computer Science. 2020. Vol. 169. P 110-122.
13. Drisko J. M., Maschi T. Content analysis. Oxford: Oxford University Press, 2016. 191 p.
14. Fan J., Fang L., Wu J., Guo Y, Dai Q. From brain science to artificial intelligence // Engineering. 2020. Vol. 6, No. 3. P 248-252.
15. French R. M. Dusting of the Turing test // Science. 2012. Vol. 336, No. 6078. P. 164-165.
16. Fujii H., Managi S. Trends and priority shifts in artificial intelligence technology invention: A global patent analysis // Economic Analysis and Policy. 2018. Vol. 58, No. 1. P. 60-69.
17. Grace K., Salvatier J., Dafoe A., Zhang B., Evans O. When will AI exceed human performance? Evidence from AI experts // Journal of Artificial Intelligence Research. 2018. Vol. 62. P 729-754.
18. Li X., Fan M., Liang Z. Identifying technological competition situations for artificial intelligence technology - a patent landscape analysis // International Journal of Technology Management. 2020. Vol. 82, No. 3-4. P. 322-348.
19. Li Y, Tian M., Liu G., Peng C., Mao L. Quantum optimization and quantum learning: A survey // IEEE Access. 2020. Vol. 8. P. 23568-23593.
20. Liu F., Shi Y Investigating laws of intelligence based on AI IQ research // Annals of Data Science. 2020. Vol. 7, No. 3. P 399-416.
21. Lopez-Robles J. R., Otegi-Olaso J. R., Gomez I. P, Cobo M. J. 30 years of intelligence models in management and business: A bibliometric review // International Journal of Information Management. 2019. Vol. 48, No. 1. P. 22-38.
22. Lu Y Artificial intelligence: A survey on evolution, models, applications and future trends // Journal of Management Analytics. 2019. Vol. 6, No. 1. P 1 -29.
23. Mayring P Qualitative content analysis: theoretical foundation, basic procedures and software solution. Klagenfurt: SSOAR, 2014. 143 p.
24. Miller T. Explanation in artificial intelligence: Insights from the social sciences // Artificial Intelligence.
2019. Vol. 267. P 1-38.
25. Naude W., Dimitri N. The race for an artificial general intelligence: implications for public policy (IZA discussion papers, No. 11737). Bonn: Institute of Labor Economics (IZA), 2018. 23 p.
26. Paez A. The pragmatic turn in explainable artificial intelligence // Minds and Machines. 2019. Vol. 29. P. 441-459.
27. Pessoa L. Intelligent architectures for robotics: The merging of cognition and evolution // Physics of Life Reviews. 2019. Vol. 31. P 157-170.
28. Samoli S., Righi R., Cardona M., Lopez-Cobo M., Vazquez-Prada Baillet M., De Prato G. AI Watch TES analysis of AI worldwide ecosystem in 2009-2018. JRC Working Papers 120106. Luxemburg: Publications Office of the European Union, 2020. 68 p.
29. Shapshak P Artificial intelligence and brain // Bioinformation. 2018. Vol. 14, No. 1. P 38-41.
30. Shukla A. K., Janmaijaya M., Abraham A., Muhuri P K. Engineering applications of artificial intelligence: A bibliometric analysis of 30 years (1988-2018) // Engineering Applications of Artificial Intelligence. 2019. Vol. 85. P 517-532.
31. Skansi S. Guide to deep learning: logical, historical and philosophical perspectives. Cham: Springer,
2020. 140 p.
32. Sukhobokov A. A. Business analytics and AGI in corporate management systems // Procedia Computer Science. 2018. Vol. 145. P 533-544.
33. Tsihrintzis G. A., Jain L. C. Machine learning paradigms: advances in deep learning-based technological applications. Cham: Springer, 2020. 430 p.
34. Turchin A. Assessing the future plausibility of catastrophically dangerous AI // Futures. 2019. Vol. 107. P. 45-58.
35. Wang P, Goertzel B. Theoretical foundation of artificial general intelligence. Amsterdam: Atlantis Press, 2012. 334 p.
References
1. Alekseev R. A. Zhurnalpoliticheskih issledovaniy (Journal of political research), 2020, vol. 4, no. 2, pp. 58-69.
2. Komissina I. N. Problemy nacionalnoy strategii (Problems of national strategy), 2019, no. 1, pp. 137-160.
3. Lyubimov A. P, Ponomareva D. V., Barabashev A. G. Predstavitelnaya vlast - XXI vek: zakonodatelstvo, kommentarii, problemy (Representative power - XXI century: legislation, comments, problems), 2019, no. 5-6, pp. 1-7.
4. Skvortsov E. A., Krotov M. I., Skvortsova E. G., Beznosov G. A. Moskovskij ekonomicheskij zhurnal (Moscow economic journal), 2019, no. 9, pp. 211-218.
5. Artificial Intelligence Index: 2019 Annual Report (Artificial Intelligence Index: 2019 Annual Report). URL: https://hai.stanford.edu/sites/g/files/sbiybj10986/f/ai_index_2019_report.pdf (Date of access: 20.08.2020). Text: electronic.
6. Baum S. D., Barrett A. M., Yampolskiy R. V. Informatica - Journal of Computing and Informatics (Informatica - Journal of Computing and Informatics), 2017, vol. 41, no. 4, pp. 419-427.
7. Bostrom N. Superintelligence: paths, dangers, strategies (Superintelligence: paths, dangers, strategies). Oxford: Oxford University Press, 2014. 328 p.
8. Bradley P AI & Society (AI & Society), 2020, vol. 35, no. 2, pp. 319-328.
9. Cath C., Wachter S., Mittelstadt B., Taddeo M., Floridi L. Science and Engineering Ethics (Science and Engineering Ethics), 2018, vol. 24, no. 2, pp. 505-528.
10. Chen W. Asia Pacific Issues (Asia Pacific Issues), 2019, no. 140, pp. 1-9.
11. Cristianini N. AI Communications (AI Communications), 2014, vol. 27, no. 1, pp. 37-43.
12. Dambrot S. M. Procedia Computer Science (Procedia Computer Science), 2020, vol. 169, pp. 110-122.
13. Drisko J. M., Maschi T. Content analysis (Content analysis). Oxford: Oxford University Press, 2016. 191 p.
14. Fan J., Fang L., Wu J., Guo Y, Dai Q. Engineering (Engineering), 2020, vol. 6, no. 3, pp. 248-252.
15. French R. M. Science (Science), 2012, vol. 336, no. 6078, pp. 164-165.
16. Fujii H., Managi S. Economic Analysis and Policy (Economic Analysis and Policy), 2018, vol. 58, no. 1, pp. 60-69.
17. Grace K., Salvatier J., Dafoe A., Zhang B., Evans O. Journal of Artificial Intelligence Research (Journal of Artificial Intelligence Research), 2018, vol. 62, pp. 729-754.
18. Li X., Fan M., Liang Z. International Journal of Technology Management (International Journal of Technology Management), 2020, vol. 82, no. 3-4, pp. 322-348.
19. Li Y, Tian M., Liu G., Peng C., Mao L. IEEE Access (IEEE Access), 2020, vol. 8, pp. 23568-23593.
20. Liu F, Shi Y Annals of Data Science (Annals of Data Science), 2020, vol. 7, no. 3, pp. 399-416.
21. Lфpez-Robles J. R., Otegi-Olaso J. R., Gфmez I. P, Cobo M. J. International Journal of Information Management (International Journal of Information Management), 2019, vol. 48, no. 1, pp. 22-38.
22. Lu Y Journal of Management Analytics (Journal of Management Analytics), 2019, vol. 6, no. 1, pp. 1-29.
23. Mayring P Qualitative content analysis: theoretical foundation, basic procedures and software solution (Qualitative content analysis: theoretical foundation, basic procedures and software solution). Klagenfurt: SSOAR, 2014. 143 p.
24. Miller T. Artificial Intelligence (Artificial Intelligence), 2019, vol. 267, pp. 1-38.
25. Naude W., Dimitri N. The race for an artificial general intelligence: implications for public policy (The race for an artificial general intelligence: implications for public policy). Bonn: Institute of Labor Economics, 2018. 23 p.
26. Paez A. Minds and Machines (Minds and Machines), 2019, vol. 29, pp. 441-459.
27. Pessoa L. Physics of Life Reviews (Physics of Life Reviews), 2019, vol. 31, pp. 157-170.
28. Samoli S., Righi R., Cardona M., Lфpez-Cobo M., Vazquez-Prada Baillet M., De Prato G. AI watch TES analysis of AI worldwide ecosystem in 2009-2018 (AI watch TES analysis of AI worldwide ecosystem in 20092018). Luxemburg: Publications Office of the European Union, 2020. 68 p.
29. Shapshak P Bioinformation (Bioinformation), 2018, vol. 14, no. 1, pp. 38-41.
30. Shukla A. K., Janmaijaya M., Abraham A., Muhuri P K. Engineering Applications of Artificial Intelligence (Engineering Applications of Artificial Intelligence), 2019, vol. 85, pp. 517-532.
31. Skansi S. Guide to deep learning: logical, historical and philosophical perspectives (Guide to deep learning: logical, historical and philosophical perspectives). Cham: Springer, 2020. 140 p.
32. Sukhobokov A. A. Procedia Computer Science (Procedia Computer Science), 2018, vol. 145, pp. 533-544.
33. Tsihrintzis G. A., Jain L. C. Machine learning paradigms: advances in deep learning-based technological applications (Machine learning paradigms: advances in deep learning-based technological applications). Cham: Springer, 2020. 430 p.
34. Turchin A. Futures (Futures), 2019, vol. 107, pp. 45-58.
35. Wang P, Goertzel B. Theoretical foundation of artificial general intelligence (Theoretical foundation of artificial general intelligence). Amsterdam: Atlantis Press, 2012. 334 p.