Туристы, к примеру, знают, что, если одна из троп утоптана сильнее других, это означает, что по ней проходило множество туристов и что, по всей видимости, это лучшая тропа в данной местности. Верный путь становится лучше всякий раз, когда по нему проходят. Точно так же нейронная связь, отвечающая за определенное поведение, усиливается всякий раз, когда ею пользуются.
Это важно потому, что обучающиеся машины станут для нас ключом к освоению космоса. Роботы в космосе будут постоянно сталкиваться с новыми и вечно меняющимися опасностями. Они встретятся с ситуациями, которых ученые сегодня не могут себе даже вообразить. Робот, запрограммированный только на ограниченное число конкретных отказов и ситуаций, в космосе будет бесполезен, потому что Его Величество Случай непременно обрушит на него по-настоящему непредвиденную ситуацию. К примеру, мышь никак не может быть генетически запрограммирована на все случаи жизни, потому что общее число ситуаций, с которыми она может столкнуться, бесконечно, тогда как генов у нее конечное число.
Предположим, метеоритный дождь, обрушившийся из космоса на марсианскую базу, повредил нескольких зданий и сооружений. Роботы, использующие нейронные сети, могут обучаться, каждый раз справляясь все лучше с подобными неожиданными ситуациями. Но традиционные роботы, сконструированные в соответствии с подходом «сверху вниз», в непредвиденной сложной ситуации будут попросту парализованы.
Многие из этих идей вошли в исследование Родни Брукса, бывшего директора известной Лаборатории ИИ в Массачусетском технологическом институте. Во время нашей с ним беседы он с искренним изумлением говорил о том, что комары с их микроскопическим мозгом, насчитывающим около 100 000 нейронов, могут без труда летать в трех измерениях, а для управления простым шагающим роботом требуются весьма и весьма хитроумные программы — и все равно он может споткнуться в любой момент. Брукс заложил основы нового подхода, начал работать с «жукоботами» и «инсектоидами» — роботами, которые учатся передвигаться как насекомые, на шести ногах. Поначалу они часто падают, но с каждой попыткой двигаются все лучше и лучше и постепенно научаются координировать движения ног, как это делают настоящие насекомые.
Процесс размещения нейронных сетей в компьютере стал известен как глубокое обучение (Deep Learning). В дальнейшем эта технология, возможно, произведет революцию во множестве отраслей. Не исключено, что в будущем, если вы захотите поговорить с врачом или юристом, вам достаточно будет заговорить с умной стеной или, скажем, с наручными часами и попросить связать вас с роботом-врачом или роботом-юристом, то есть запустить программы, которые смогут прошерстить для вас интернет и выдать разумный медицинский или юридический совет. Эти программы будут обучаться при повторных вопросах и с каждым разом все лучше и лучше отзываться именно на ваши нужды — а может быть, даже предвидеть их.
Глубокое обучение приведет нас к созданию автоматов, которые понадобятся нам в космосе. В ближайшие десятилетия подходы «сверху вниз» и «снизу вверх» могут быть объединены, так что роботов изначально можно будет снабдить некоторыми знаниями, но при этом они смогут действовать и обучаться посредством нейронных сетей. Подобно людям, они смогут обучаться на собственном опыте, пока не освоят распознавание образов, которое позволит им перемещать инструменты в трех измерениях, и здравый смысл, который позволит справляться с новыми ситуациями. Они будут жизненно необходимы при строительстве и поддержании поселений на Марсе, по всей Солнечной системе и за ее пределами.
Для разных задач будут сконструированы разные роботы. Те, что научатся плавать в системах канализации в поисках течей и разрывов, будут напоминать змей. Сверхмощные роботы будут учиться всевозможным работам, связанным с подъемом тяжестей на строительных площадках. Роботы-дроны, которые, возможно, будут похожи на птиц, научатся анализировать и проводить топографическую съемку инопланетного ландшафта. Роботы, способные научиться исследовать подземные лавовые трубки, могут напоминать пауков, поскольку эти многоногие существа умеют очень стабильно двигаться по сильно пересеченной местности. Роботы, способные научиться путешествовать по ледовым шапкам Марса, могут выглядеть как разумные снегоходы. Роботы, способные научиться плавать в океанах Европы, брать и рассматривать разные предметы, могут быть похожи на осьминогов.
Для исследования космоса нам нужны роботы, способные обучаться и методом долговременного погружения в среду, и получая готовую информацию напрямую.
Однако даже этого довольно продвинутого уровня искусственного интеллекта может оказаться недостаточно, если мы хотим, чтобы роботы самостоятельно собирали целые города. Главный вызов робототехники — создание машин, способных осознать и воспроизвести себя.
Самовоспроизводящиеся роботы
Впервые я узнал о самовоспроизведении еще ребенком. В книге по биологии, которую я прочел, объяснялось, что число вирусов увеличивается потому, что они заставляют наши клетки воспроизводить собственные копии, тогда как бактерии размножаются путем деления. Если нет сдерживающих факторов, число бактерий в колонии за несколько месяцев или лет может достигнуть поистине поразительных величин, а размер колонии — сравняться с размером Земли.
Поначалу возможность неконтролируемого самовоспроизведения представлялась мне абсурдной, но постепенно стала обретать смысл. Вирус, в конце концов, это не что иное, как большая молекула, способная воспроизводить себя. Толика этих молекул, оказавшаяся у вас в носу, может за неделю обеспечить вам простуду. Одна-единственная молекула может быстро умножиться до триллионов собственных копий — и этого будет достаточно, чтобы вы начали чихать. Мало того, каждый из нас начинает жизнь как единственная оплодотворенная яйцеклетка, слишком маленькая, чтобы быть видимой невооруженным глазом. Но всего за девять коротких месяцев эта крохотная клетка становится человеческим существом. Так что даже человеческая жизнь критически зависит от экспоненциального роста числа клеток.
Вот вам сила самовоспроизведения, которое является основой самой жизни. А секрет самовоспроизведения заключается в молекуле ДНК. Две способности отделяют эту чудесную молекулу от всех прочих: во-первых, она может содержать огромное количество информации, во-вторых, воспроизводить себя. Возможно, и машины также смогут имитировать эти ее черты.
На самом деле идея о самокопирующихся машинах так же стара, как концепция эволюции. Вскоре после того, как Дарвин опубликовал свой революционный научный труд «О происхождении видов», Сэмюэл Батлер написал статью под заголовком «Дарвин среди машин», в которой рассуждал о том, что когда-нибудь машины тоже научатся воспроизводить себя и начнут эволюционировать в согласии с теорией Дарвина.
Джон фон Нейман, положивший начало нескольким новым отраслям математики, включая теорию игр, еще в 1940–1950-е гг. пытался применить математический подход к самокопирующимся машинам. Начал он с вопроса: «Что представляет собой самая маленькая самокопирующаяся машина?» — и разделил задачу на несколько последовательных шагов. К примеру, первым шагом может быть задача собрать большую коробку строительных кирпичиков (представьте себе кучу деталей Lego различных стандартных типов и размеров). Затем вам потребовалось бы создать некий аппарат-сборщик, способный взять два кирпичика и правильно соединить их. Потом вы должны написать программу, которая будет сообщать сборщику, какие детали нужно соединять и в каком порядке. Этот последний шаг станет решающим. Всякий, кому приходилось хоть раз играть с кубиками или другими строительными деталями, знает, что из очень небольшого набора деталей можно построить хитроумную и тщательно проработанную структуру при условии, что детали будут правильно соединяться между собой. Фон Нейман хотел определить минимальное число операций, которые должен провести сборщик, чтобы изготовить собственную копию.
