Хотя Google, возможно, удалось привлечь наибольшее число самых ярких талантов в области ИИ, это отнюдь не гарантирует ей превосходства. Как уже говорилось ранее, фундаментальных открытий бывает мало, они случаются редко и порой в неожиданных местах. Глубокое обучение обязано своим появлением на свет нескольким группам одержимых исследователей с весьма своеобразным подходом к машинному обучению, который был отвергнут ведущими специалистами области. Следующая прорывная технология может пребывать сейчас на любой стадии готовности, скрытая до поры в университетских кампусах или в лабораториях крупных корпораций. В то время как мир ждет новых великих открытий, мы занимаемся реализацией уже существующих достижений.
Энергетические сети против аккумуляторов ИИ
Но гиганты не просто соревнуются друг с другом в погоне за следующим открытием в области глубокого обучения. Они также участвуют в еще более жестком соревновании с небольшими стартапами, стремящимися использовать машинное обучение для переворота в конкретных отраслях. Это соревнование между двумя подходами к распределению «энергии» ИИ в экономике в целом. «Сетевой» подход семи гигантов противостоит «аккумуляторному» подходу стартапов. Результат гонки станет определяющим для бизнес-ландшафта в сфере ИИ: будет ли это монополия, олигополия или свободная конкуренция между сотнями компаний. Компании, придерживающиеся «сетевого» подхода, хотят поставить ИИ на коммерческую основу. Они стремятся превратить силу машинного обучения в стандартизированную услугу – платную для корпоративного использования и бесплатную для академических и личных целей. Доступ к ней можно будет получить через облачные вычислительные платформы. В этой модели платформы облачных вычислений действуют как сеть, выполняя сложные оптимизации машинного обучения на данных и задачах пользователей. Компании, стоящие за этими платформами, – Google, Alibaba и Amazon – играют роль технической инфраструктуры, управляя сетью и взимая плату за услуги. Доступ к этой сети позволит обычным компаниям, у которых имеются большие массивы данных, легко подключать услугу оптимизации средствами ИИ, доступными извне, без необходимости соответствующим образом перестраивать весь свой бизнес. TensorFlow от Google, библиотека с открытым исходным кодом и целая экосистема для создания моделей глубокого обучения, предлагает раннюю версию такого подключения, но для работы с ней пользователю все еще требуется некоторый опыт в области ИИ. Цель сетевого подхода – снизить порог необходимых экспертных знаний и увеличить функциональность облачных платформ ИИ. Использовать машинное обучение не так просто, как включить обычный электроприбор, и есть вероятность, что реализовать «сетевой» подход так и не удастся, но гиганты ИИ все же работают над ним, чтобы потом получать прибыль от генерирования «энергии» и управления «энергосетями». Стартапы в области ИИ придерживаются противоположного подхода. Вместо того чтобы ждать, пока эта сеть сформируется, стартапы строят для каждого конкретного случая очень специфические продукты, питающиеся от «аккумуляторных батарей» ИИ. Эти стартапы делают ставку на конкретные задачи, а не на широкую функциональность. Вместо того чтобы предоставлять клиенту сразу все возможности машинного обучения, они создают новые продукты и обучают алгоритмы решению определенных задач, в том числе в области медицинской диагностики, ипотечного кредитования и даже эксплуатации автономных дронов. Они делают ставку на то, что обычные компании просто не смогут загрузить подробные данные о своей ежедневной работе в универсальную сеть. Вместо того чтобы предоставлять таким компаниям доступ к ИИ, эти стартапы ставят перед собой цель уничтожить и заново построить их с нуля с помощью ИИ. Еще слишком рано судить о том, какой подход более перспективен. В то время как исполинские компании вроде Google медленно простирают свои щупальца на весь мир, стартапы в Китае и США спешат захватить нетронутые территории и защититься от вторжений этих семи гигантов. От результата их борьбы и зависит то, какой станет наша экономика. Астрономическая прибыль может сосредоточиться в руках семи гигантов – если они станут суперинфраструктурой эпохи ИИ, – но может и рассеяться, превратившись в прибыль для каждой из тысяч ярких новых компаний.
Одна из тайн Китая
Существует еще одна область конкуренции, которая не менее важна как для гигантов ИИ, так и для стартапов обеих стран, – это компьютерные микросхемы, также известные как полупроводниковые интегральные микросхемы. Высокопроизводительные микросхемы – это скромные и незаметные герои любой революции в области вычислительной техники. Они в буквальном смысле составляют основу наших настольных компьютеров, ноутбуков, смартфонов и планшетов и по этой причине остаются скрытыми от глаз конечного пользователя. Но с экономической точки зрения, впрочем, как и с точки зрения безопасности, эти детали очень важны: рынки склонны к формированию прибыльных монополий, а уязвимые в плане безопасности участки лучше всего выявляются теми, кто работает непосредственно с аппаратурой.
Каждый этап развития компьютеров требует новых типов микросхем. Когда на рынке воцарились десктопы, производители микросхем стремились поднять до максимума скорость вычислений и обработки графики на экране с высоким разрешением, не особенно беспокоясь об энергоэффективности (ведь настольные компьютеры работали постоянно подключенными к электрической сети). Intel особенно хорошо освоила их производство, заработав в результате миллиарды. Но с распространением смартфонов появился запрос на более эффективное использование энергии, и вскоре на пьедестале воцарилась компания Qualcomm, чьи микросхемы были основаны на придуманной в Великобритании архитектуре ARM.
Теперь, когда на смену традиционным вычислительным программам приходит работа алгоритмов ИИ, требования снова меняются. Для машинного обучения необходимо молниеносное выполнение сложных математических расчетов, и ни продукты Intel, ни встроенные чипы Qualcomm для этого не подходят. В пустующую нишу шагнула Nvidia, ранее известная как ведущий производитель видеокарт. Поскольку математика, лежащая в основе графической обработки, похожа на ту, что требуется для ИИ, Nvidia смогла прийти на новый для себя рынок. В период с 2016 по начало 2018 года цена акций этой компании увеличилась в десятки раз. Ее микросхемы легли в основу всех важнейших достижений ИИ – от распознавания лиц до беспилотных автомобилей, и это послужило отправным импульсом для начала работ по созданию микросхем нового поколения. Google и Microsoft – компании, долгие годы избегавшие делать собственные микросхемы, встали в один ряд с Intel, Qualcomm и некоторыми новыми «железными» стартапами из Кремниевой долины. Facebook объединился с Intel для тест-драйва ее микросхем для ИИ. И впервые в истории можно сказать, что Китай занимает значительную часть этой ниши. Китайское правительство в течение многих лет – и даже десятилетий – пыталось организовать в стране производство микросхем. Но создание высокопроизводительной микросхемы – чрезвычайно сложный и трудоемкий процесс, и несколько проектов, которые финансировало государство, потерпели неудачу. За последние три десятилетия лишь нескольким частным компаниям Кремниевой долины удалось сделать выпуск микросхем прибыльным для себя. Китайские политики и основатели множества стартапов, работающих в этой области, надеются, что однажды все изменится. Китайское Министерство науки и технологий выделяет большие средства на создание микросхемы, которая по производительности и энергоэффективности должна быть в 20 раз лучше, чем продукция Nvidia. Китайские стартапы в области производства микросхем, такие как Horizon Robotics, Bitmain и Cambricon Technologies, привлекают достаточный объем инвестиций и работают над специализированными продуктами, предназначенными для беспилотных автомобилей или других вариантов использования ИИ. Изобилие данных в стране обеспечит создателям оборудования бесценный материал, на котором можно проводить испытания их продуктов. В целом в разработке микросхем бесспорным лидером пока остается Кремниевая долина. Однако китайское правительство и венчурное сообщество страны изо всех сил стараются это изменить, потому что развитие ИИ грозит экономическим кризисом, который будет уже вопросом не только бизнеса, но и политики.
