Человек может пропустить мигранта на пограничном контроле, поскольку тот похож на фотографию в паспорте. Машина же распознает, что перед ней другой человек. Киберхакер может обмануть человека благодаря навыкам социальной инженерии и проникнуть в здание; машину – не может. Это важный момент: людей можно обмануть. Нам свойственно доверять другим – это заложено в нас.
Люди – самое слабое звено, и от них нужно избавиться. Без людей мы получим неприступные банки, операции без ошибок и гарантированный успех. Меня страшно раздражает, что в случае сбоя автоматизированного процесса приходится терпеть плохое обслуживание от человека. Мы должны автоматизировать все.
Конечно, это крайность, но, стремясь довести данный тезис до логического завершения, я обсудил проблему с коллегой. Он спросил: «Вы допустили бы робота к управлению самолетом, на котором летите домой?» Я ответил, что сегодня большинство перелетов контролируется автопилотом, так что мой самолет и так ведут роботы. Он парировал, что в таком случае в кабине вообще не нужны пилоты. Я подумал и привел в пример фильм «Чудо на Гудзоне». Капитан Чесли Салленбергер по прозвищу Салли посадил самолет U. S. Airways прямо на реку Гудзон. Это реальная история – возможно, вы даже помните, как это было, – и основное действие фильма разворачивается в ходе расследования случившегося. Выясняется, что, по данным компьютерного симулятора, пилоты спокойно могли довести самолет до аэропорта Ла-Гуардия и штатно посадить его там.
Сначала я хотел на этом примере показать, что в подобной ситуации робот был бы бесполезен: фильм показывает, что на симуляторах пилоту-человеку не хватает времени, чтобы среагировать на отказ двигателя. После того как в симуляторе учли время, необходимое на реакцию, компьютерные модели показали, что воздушное судно должно было разбиться, если бы пилоты попытались дотянуть до аэропорта и посадить самолет в штатном режиме. Следовательно, решение садиться на Гудзон было верным.
Но затем я увидел брешь в своем контраргументе: если бы на месте пилота был робот, в данной ситуации он за считаные наносекунды среагировал бы на ситуацию и безопасно посадил самолет в аэропорту Ла-Гуардия, а не на реку. Да, я предпочел бы самолет, который пилотирует робот.
Создание семантического мира
Искусственный интеллект, машинное обучение и глубокое обучение – основные элементы семантической паутины. Я впервые рассказал о ней добрый десяток лет назад и, пожалуй, в те времена неверно интерпретировал исходную идею Тима Бернерса-Ли. В его трактовке семантическая паутина – это сеть данных, которые могут обрабатываться машинами
[20]:
«Я мечтаю о Сети, [где компьютеры] смогут анализировать все данные в паутине – контент, ссылки, транзакции между людьми и компьютерами. «Семантическая паутина», способная это обеспечить, пока не появилась, но когда появится, повседневные механизмы торговли, документооборота и прочие рутинные процессы будут обслуживаться машинами, которые общаются с машинами. Наконец-то появятся разумные помощники, о которых люди мечтали веками».
Я не такой специалист в технических вопросах, как сэр Тим сотоварищи, и понимаю его идею таким образом: интеллектуальный интернет, который начинает индексировать сам себя таким образом, что все его узлы могут общаться друг с другом, достигать соглашений по разным вопросам и работать лучше.
В моей трактовке семантической паутины интернет будет управлять всеми моими устройствами, а эти устройства будут предугадывать все мои желания. Телевизор без просьб с моей стороны найдет развлекательную передачу, холодильник будет знать, какие продукты заказать, прежде чем они закончатся, автомобиль станет дозаправляться без моей команды. В такой версии семантической паутины машины действуют интеллектуально не только потому, что оснащены искусственным интеллектом и специально обучены, но и потому, что делятся накопленными знаниями с другими машинами, обучая всю сеть.
Искусственный интеллект, машинное обучение и глубокое обучение – подлинные основы семантической паутины. Отмечу, что между машинным и глубоким обучением есть разница. Глубокое обучение создано в качестве этапа продвижения от машинного обучения к полноценному искусственному интеллекту. MIT Review так определяет его:
«Программы для глубокого обучения призваны имитировать деятельность нейронов в коре головного мозга, составляющей около 80 % объема мозга, отвечающего за мышление. Программа в буквальном смысле учится распознавать закономерности в цифровых представлениях звуков, изображений и других данных»
[21].
Иными словами, цель этих разработок – компьютер, не уступающий в интеллекте человеческому мозгу либо превосходящий его. Мечта о таком компьютере стала реальностью, когда в нашем распоряжении появились практически неограниченные вычислительные мощности; подобные машины становятся реальностью, ими занимаются такие интернет-гиганты, как Facebook, Amazon, Tencent, Baidu, Alibaba и Google. Их общими усилиями мы стремительно движемся к созданию искусственного интеллекта второго уровня – общего искусственного интеллекта.
Ранее в этой главе я уже упоминал о трех основных уровнях искусственного интеллекта, а именно:
• Ограниченный искусственный интеллект (ANI) специализируется на одной задаче. Таков, например, компьютер IBM Deep Blue, обыгравший Гарри Каспарова в шахматы. Он умеет делать только одно: играть в шахматы.
• Общий искусственный интеллект (AGI) – этап, на котором машина проходит тест Тьюринга и по уровню интеллекта сравнивается с человеком, умеет мыслить логически и абстрактно. Такая машина быстро учится, в том числе опытным путем.
• Сверхразумный искусственный интеллект (ASI) – машины становятся умнее всего человечества вместе взятого.
Эти разработки образуют ядро семантической паутины. Лидером в этой сфере является, судя по всему, Google. Я не утверждаю, что остальные компании отстают, но, если судить по числу публичных заявлений, сделанных Google за последние шесть лет, именно эта компания наделала больше всего шума по поводу глубокого обучения.
Google начал разработки в области искусственного интеллекта в 2011 году, запустив проект Google Brain. Первые результаты были получены в 2012 году: Google объявил, что его машины научились распознавать изображения котиков:
«Когда инженеры из секретной лаборатории Google X Lab построили нейронную сеть из 16 000 компьютерных процессоров, проложили между ними миллиард связей и позволили этой сети открыть YouTube, она занялась тем же самым, что делают многие люди: начала искать котиков.
Этой модели мозга на трое суток показали 10 млн видеороликов с YouTube, выбранных случайным образом, после чего, изучив список из 20 000 элементов, машина начала распознавать изображения котиков, пользуясь алгоритмом глубокого обучения. Она справилась, хотя в нее и не загрузили никакой информации о том, как идентифицировать котиков.
