Коллектив авторов - На что похоже будущее? Даже ученые не могут предсказать… или могут?

Ждать осталось совсем недолго. На самом деле большинство этих предсказаний уже становится реальностью. В ближайшие несколько десятилетий наша жизнь будет зависеть от бесчисленного количества таких устройств. В развитых странах люди не смогут без них обходиться. И развивающиеся страны эта тенденция также вряд ли обойдет стороной: в условиях, когда расстояние до ближайшей больницы или агронома исчисляется многими километрами, ИИ даст людям консультацию по медицинскому или сельскохозяйственному вопросу.

В основе всех этих возможностей лежит не так давно разработанная технология машинного обучения с использованием больших данных — огромных массивов информации, анализ которых позволяет выявлять закономерности и тенденции в поведении людей. Теоретическая база этой технологии ИИ, получившей название «глубокое обучение», существует уже более четверти столетия, но реализовать ее на практике не удавалось из-за недостатка вычислительных ресурсов. Однако за последние несколько лет быстродействие компьютеров и емкость их накопителей выросли настолько, что современные компьютеры, способные выполнять миллион миллиардов математических операций в секунду, стали учиться на данных из гигантских датацентров, хранящих информацию о миллиардах предметов.

Методы машинного обучения этого рода позволяют обнаружить закономерности и тенденции на самом разном уровне детализации в огромных наборах. Это могут быть, например, данные о местонахождении и скорости в текущий момент времени всех легковых и грузовых автомобилей города и состояние всех светофоров на его улицах. Или это могут быть медицинские данные из любой региональной или федеральной больницы, содержащие информацию обо всех его пациентах, их болезнях, дозах принимаемых препаратов и результатах лечения.

Эти интеллектуальные системы не программируются в обычном смысле слова, то есть в них не загружается программа, которая указывает им, что они должны сделать сначала, а что — потом. Вместо этого у них многослойные нейронные сети, и выходные данные одного слоя используются в качестве входных другим слоем. В каждом слое содержатся многие тысячи узлов, и информация от каждого узла одного слоя передается каждому узлу другого так, чтобы эта сеть в результате пришла в состояние, отражающее некую устойчивую закономерность, которая присутствует в данных. Часто эти закономерности новы и неожиданны — даже для тех людей, которые пользуются такими системами.

В 2016 г. приложение на основе этой технологии (разработанное компанией Google DeepMind) научилось играть в го и достигло такого уровня мастерства, что смогло одержать победу над чемпионом мира — а это задача намного более трудная, чем победа над чемпионом мира по шахматам (одержанная в 1997 г. суперкомпьютером Deep Blue компании IBM). Но, какой бы впечатляющей ни была демонстрация возможностей новой технологии, это была всего лишь игра, не имеющая никакого практического применения. Впрочем, глубокое обучение уже используется государственными органами и крупными компаниями, располагающими большим количеством ресурсов. По мере удешевления технология будет становиться все более доступной, что в конечном итоге приведет к ее проникновению во все сферы общества.

Наверное, вы подумали: «Сегодня го, завтра — все, что только пожелаешь!» В действительности это не совсем так. Современные системы обучения обладают колоссальными возможностями, но мы не до конца понимаем, как ими воспользоваться. Говоря языком специалистов, мы имеем дело с «черными ящиками», то есть системами, входные и выходные данные которых мы способны оценить, но вот внутренние механизмы их работы нам пока неизвестны. Их архитекторы и разработчики не знают, как они на самом деле работают, а значит, не могут точно спрогнозировать, что будет с ними в ближайшем будущем. Разумеется, разработчики прекрасно осознают эту проблему и прикладывают колоссальные усилия, требующие огромных бюджетов, для ее решения. Но никто не знает, когда эти «черные ящики» наконец-то станут — и станут ли вообще — «серыми» (под этим термином я понимаю состояние отрасли, при котором мы будем точно понимать, как такие системы делают то, что они делают). Возможно, этой мечте не суждено сбыться.

Так что нам следует быть осторожными в наших футурологических прогнозах. Некоторые технологии намного сложнее, чем кажется большинству из нас. Один из примеров — универсальный искусственный интеллект (УИИ). Именно его хотели создать основоположники теории ИИ в 1950-е гг., а до них — Алан Тьюринг. Они надеялись разработать системы ИИ, которые по своей универсальности и гибкости будут сопоставимы с человеческим сознанием. Решением самых разных проблем должна была заниматься одна — разумеется, исключительно сложная — программа. В ее арсенале должны были быть такие инструменты, как язык, зрение, слух, способность к обучению и творческие способности, которые она бы разумно комбинировала и сочетала друг с другом. К ним должна была добавиться еще и способность контролировать двигательную активность — на случай использования в качестве средства управления роботом. Получается, что эта заветная программа очень сильно отличалась бы от хорошо знакомых нам сейчас однобоких, узкоспециализированных прикладных решений.