| Аннотация |
Государственная политика развития искусственного интеллекта в России опирается на национальную стратегию, утвержденную в 2019 г. и действующую до 2030 г. Для понимания специфики российской политики в качестве объекта исследования выбрана национальная стратегия, а предмета исследования – декларируемые и латентные стратегические цели. Исследование нацелено на оценку степени соответствия между стратегическими целями государственной политики и современными концепциями развития искусственного интеллекта. Для автоматического анализа текстов отечественной стратегии, аналогичных зарубежных документов и мирового массива публикаций использовался контент-анализ. В восьми крупнейших библиографических базах данных выявлен ряд оригинальных научных статей по искусственному интеллекту. Контент-анализ этого массива позволил выявить шесть подходов (алгоритмический, тестовый, когнитивный, ландшафтный, объяснительный и эвристический) к построению концепции развития искусственного интеллекта. Последний подход является наиболее сквозным, позволяющим обобщить остальные подходы. Дальнейший анализ проводился на основе эвристического подхода, в рамках которого выделены концепции слабого, сильного и суперинтеллекта. Проанализирован текст национальной стратегии на предмет соответствия трем концепциям. Установлено, что цели, объявленные в национальной стратегии, относятся к концепции слабого искусственного интеллекта. Анализ частоты встречаемости терминов в стратегии позволил выявить латентные цели (доступ к большим данным и программное обеспечение), которые относятся к той же концепции. Изучение контекста нескольких случаев упоминания сильного искусственного интеллекта в стратегии лишь подтвердило общую нацеленность на развитие слабого искусственного интеллекта. Для стран-лидеров в анализируемой области характерна стратегическая нацеленность на разработку технологий сильного искусственного интеллекта и научные исследования по искусственному суперинтеллекту. Определено примерное время отставания российской стратегии от создания сильного искусственного интеллекта. Для преодоления этого отставания и занятия Россией лидирующих позиций в мире предложено разработать новую национальную стратегию по созданию технологий искусственного суперинтеллекта в период до 2050 г.
|
| 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. López-Robles J. R., Otegi-Olaso J. R., Gómez 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. Páez 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., López-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.
|
