Схемы и привычные структуры служили определяющим фактором для запоминания савантом услышанного материала. Аналогичным образом, когда таким людям с феноменальными способностями в области изобразительного искусства показывают художественные произведения и просят их воспроизвести, воссоздание зарисовок из реальной жизни удается им гораздо лучше, чем репродукция абстрактных изображений. Трефферту понадобилось не одно десятилетие, чтобы понять, как он ошибался, и прийти к заключению, что у савантов больше общего с вундеркиндами, вроде сестер Полгар, чем он предполагал. Они не просто извергают из себя переработанную информацию – их гениальность, подобно гениальности Полгар, зависит от повторяющихся структур; благодаря им сестрам удалось довести собственные умения до автоматизма. Благодаря достижениям шахматной программы AlphaZero, пожалуй, даже лучших из «кентавров» теперь можно победить в турнире «свободного стиля». В отличие от шахматных программ предыдущих поколений, которые задействовали силу автоматизма для просчета огромного количества возможных ходов и формирования рейтингов в соответствии с критериями, заложенными в них программистами, AlphaZero и в самом деле научилась играть. Для этого ей нужно было всего лишь выучить правила, после чего она могла играть сама с собой до бесконечности, самостоятельно регистрируя успешные и ошибочные приемы и тактики и таким образом совершенствуясь. Вскоре она стала одерживать победу над лучшими шахматными программами, а затем проделала то же самое с игрой го, где возможных комбинаций гораздо больше.
Однако вывод, извлеченный из опыта «кентавров», остается неизменным: чем больше фокус задачи смещается в сторону глобальной стратегии, тем больше усилий требуется от человека.
В хвалебных одах своему впечатляющему детищу разработчики AlphaZero заявили, что программе удалось самостоятельно пройти весь путь развития от уровня tabula rasa («чистый лист») до мастера. Однако начало игры вряд ли можно назвать чистым листом. Ведь программа, как бы то ни было, действует по определенным правилам, оперируя внутри четких рамок. Даже в играх, в меньшей степени подчинененных тактическим схемам, компьютеры должны решать куда более серьезные задачи.
Одним из последних примеров стала компьютерная игра StarCraft – франшиза стратегий реального времени, где вымышленные расы сражаются за первенство где-то на краю Млечного Пути. Решения, которые принимаются в этой игре, гораздо сложнее шахматных задач. Здесь нужно вести сражения, планировать инфраструктуру поселений, исследовать местность, накапливать ресурсы – и все эти виды деятельности находятся в тесной взаимосвязи. Компьютерам нелегко одержать победу в StarCraft, рассказал мне в 2017 году Джулиан Тогелиус – профессор Нью-Йоркского университета, изучающий искусственный интеллект в играх. Даже когда компьютеру удавалось победить человека, те в конечном счете выходили вперед за счет «долгосрочной адаптивной стратегии».
«Существует огромное множество слоев мышления, – говорит он. – Люди одинаково плохо понимают каждый из них в отдельности, но в то же время мы имеем приблизительное представление обо всех этих слоях, можем сочетать их, и таким образом адаптироваться к различным ситуациям. А ведь именно в этом и заложен ключ к разгадке».
В 2019 году искусственный интеллект впервые одержал победу над профессиональным геймером в ограниченной версии StarCraft (правда, игрок адаптировался и в конце концов победил). Однако из стратегической сложности игры можно извлечь один очень важный вывод: чем глобальнее общая картина, тем более уникальным является потенциальный вклад человека. Наша величайшая сила состоит в прямой противоположности узкой специализации. Это способность широкой интеграции. По словам Гэри Маркуса, профессора психологии и нейробиологии, продавшего свою компанию по обучению компьютеров фирме Uber, «в узких сферах у человека осталось совсем немного времени для того, чтобы внести некий важный вклад. Однако в более открытых играх, полагаю, такая возможность еще существует. И не только в играх – на мой взгляд, в более широких сферах реального мира человек все еще опережает машину».
В узком и упорядоченном мире шахмат, с его моментальной отдачей и безграничной базой данных, искусственный интеллект совершил рывок вперед в геометрической прогрессии. В сфере вождения, которая имеет множество правил, но при этом гораздо более беспорядочна, ИИ также достиг серьезных успехов, хотя нерешенные задачи еще остались. Однако в реальном, открытом мире, свободном от строгих правил и идеальных исторических данных, искусственный интеллект пока терпит самое настоящее фиаско. Так, после победы суперкомпьютера IBM Watson в игре Jeopardy!
[9]его стали позиционировать как революционный инструмент в лечении рака. И в этом качестве он провалился с таким оглушительным треском, что целый ряд экспертов в области ИИ признались мне: в тот момент они не на шутку испугались, что эта история наложит отпечаток на все научные разработки по применению ИИ в здравоохранении. По словам одного онколога, «победа в викторине и лечение рака отличаются одним: в первом случае мы знаем ответы на вопросы». Что же касается рака, в этой области четкие вопросы только формулируются.
В 2009 году уважаемое издание Nature объявило о том, что сервис Google Flu Trends может задействовать результаты поиска для составления прогноза заболеваний гриппом на ближайшую зиму быстрее и почти так же точно, как Центр по контролю и профилактике заболеваний. Однако вскоре эффективность сервиса снизилась, и в 2013 году число спрогнозированных им случаев заболевания на территории США вдвое превысило реальное количество. Сегодня на сайте Google Flu Trends больше не публикуются оценочные данные – на соответствующей странице красуется единственная фраза: «Пока слишком рано для подобных прогнозов». Маркус провел вполне ожидаемую аналогию: «Все системы искусственного интеллекта в какой-то степени саванты». Им нужны стабильные структуры и четкие рамки. Зная правила и ответы, обладая уверенностью в том, что со временем они не изменятся, – как в шахматах, гольфе, классической музыке, – мы можем найти аргументы в пользу гиперспециализированной тренировки с раннего детства. Однако все это лишь узкие, ограниченные модели, не подходящие к большинству областей человеческого знания.
Когда узкая специализация сочетается со «злой» средой, привычка человека полагаться на знакомые схемы может сослужить ему дурную службу – так опытные пожарные принимают неверные решения, оказавшись в непривычной обстановке.
Крис Арджирис, один из учредителей Йельской школы менеджмента, отметил опасность, которую представляет собой привычка относиться к недружелюбной среде так, как если бы она была дружелюбной. В течение пятнадцати лет он наблюдал за поведением успешных консультантов топовых бизнес-школ и заметил, что они отлично справлялись с решением четко поставленных задач, которые можно было быстро оценить. Но в своей работе они задействовали то, что Арджирис назвал «единичной петлей обучения». Когда решение приводило к нежелательному результату, консультант занимал оборонительную позицию. Крис находит их «хрупкую натуру» весьма удивительной, учитывая, что суть их работы заключается в том, чтобы «учить других людей правильно делать свою работу».
