М. Ф.: Как вы относитесь к гонке вооружений в сфере ИИ? Например, Китай за счет авторитарной системы и численности населения располагает большим объемом данных при меньшей степени конфиденциальности. Рискуем ли мы утратить свое лидерство в разработках ИИ?
Ф. Л.: В настоящее время достигнуты большие успехи в физике, и эти успехи влияют на развитие различных технологий. Кому принадлежит современная физика? Я считаю, что стремление человека к знаниям и истине не имеет границ.
Разумеется, конкуренция между компаниями и регионами существует, но я надеюсь, что и она во благо. Здоровая конкуренция означает уважение к соперникам, пользователям, рынку и законам. Я готова сотрудничать с людьми любого происхождения.
Демис Хассабис
“Работа над играми – это тренировка. Игры не являются конечной целью; мы хотим построить общие алгоритмы, которые можно будет применять к реальным задачам".
Соучредитель и генеральный директор компании DEEPMIND
Шахматный вундеркинд Демис Хассабис начал профессионально программировать и разрабатывать видеоигры в 16 лет. После окончания Кембриджского университета 10 лет основывал успешные стартапы, ориентированные на создание видеоигр и симуляций, основал компанию по производству видеоигр Elixir Studios. После получения докторской степени по когнитивной нейробиологии в Университетском колледже Лондона работал в MIT и Гарварде. Его исследование механизмов, лежащих в основе воображения и планирования, вошло в десятку лучших научных достижений 2007 г. по версии журнала Science.
Член Королевского общества искусств и Королевской инженерной академии, награжден серебряной медалью. В 2017 г. попал в список 100 самых влиятельных людей мира. Награжден орденом Британской империи за заслуги в науке и технике, получил премию Малларда и звание почетного доктора в Имперском колледже Лондона. В 2016 г. созданная в DeepMind программа AlphaGo победила чемпиона мира по игре в го Ли Седоля.
Мартин Форд: В юности вы увлекались шахматами и видеоиграми. Это повлияло на вашу карьеру в области ИИ и на решение основать DeepMind?
Демис Хассабис: С детства я мечтал стать чемпионом мира. Постоянно стремился улучшить свою игру, поэтому много думал о том, откуда мозг берет идеи для ходов. Какие процессы там происходят после хорошего хода или промаха? Позднее заинтересовался нейробиологией.
Шахматы много значат для ИИ. Идея компьютерной версии шахмат увлекала таких пионеров ИИ, как Алан Тьюринг и Клод Шеннон. В 8 лет на деньги, полученные за победу на шахматном турнире, я купил свой первый компьютер. И написал программу, имитирующую игру реверси. Это более простая игра, чем шахматы, но я использовал для нее те же идеи, например алгоритм альфа-бета-отсечения, которые первопроходцы ИИ применяли в своих шахматных программах. Фактически это была моя первая попытка написать программу с ИИ.
Следующим этапом стало написание коммерческих видеоигр. Одна из ключевых тем многих моих игр, от Theme Park (1994) до Republic: The Revolution (2003), – это симуляция. Игрокам предоставляется изолированная среда с персонажами, созданными на базе ИИ, реагирующими на различные действия.
Я считаю, что игры тренируют ум. Например, шахматы было бы полезно ввести в школьную программу, потому что они учат решать проблемы, планировать и в принципе прививают навыки, которые могут пригодиться в других областях. Возможно, все эти вещи я понимал подсознательно, когда основал DeepMind и начал использовать игры как среду обучения для ИИ-систем.
Перед этим я прослушал курс computer science в Кембриджском университете. Тогда, в начале 2000-х гг., мне не хватало идей для начала работы над сильным ИИ. В результате я получил степень доктора нейробиологии, многое узнал о памяти и воображении – вещах, которые захотел перенести в машину.
М. Ф.: То есть вас с самого начала интересовал сильный ИИ?
Д. Х.: Именно так. Еще подростком я знал, чем хочу заниматься. Все началось с моего первого компьютера. Для меня это был волшебный инструмент: большинство машин дополняют физические возможности человека, а эта машина расширяла умственные способности.
Меня до сих пор восхищает, что для решения научной задачи можно написать программу, запустить ее и уйти спать. А утром получить готовый ответ. Естественно возникают мысли о следующем шаге: сделать машины, которые сами предлагают решения проблем.
М. Ф.: Компаний, которые специализируются именно на сильном ИИ, немного. Потому что нет бизнес-модели, позволяющей быстро получать доход. Как с этим справилась DeepMind?
Д. Х.: Мы с самого начала были компанией, нацеленной на разработку сильного ИИ, что осложнило поиск инвесторов. Наш тезис состоял в том, что технология общего назначения найдет сотни самых удивительных применений. Поэтому необходимость сначала собрать группу талантливых исследователей выглядела оправданной. В мире не так много людей, которые могли бы внести свой вклад в такую работу. В 2009–2010 гг., когда мы только начинали, можно было насчитать менее 100 человек. Вопрос был в том, сможем ли мы продемонстрировать четкий и измеримый прогресс.
В 2009 г. никакой шумихи вокруг ИИ не было. Более того, за последние 30 лет на эту тему было дано столько обещаний, которые окончились ничем, что получить первоначальное финансирование было невероятно трудно. Но у нас были сильные аргументы. Во-первых, мы опирались на новые достижения в нейробиологии и понимании мозга. Во-вторых, собирались делать обучающиеся, а не традиционные экспертные системы. В-третьих, для ускорения разработки должно было применяться эталонное тестирование и симуляции. Мы смогли объяснить, почему ИИ не улучшался в предыдущие годы. Кроме того, наши методы работы требовали больших вычислительных мощностей, которые как раз в это время стали доступными.
В конце концов, нам удалось убедить достаточно людей, но направление, которое мы собирались разрабатывать, на тот момент было немодным. Его не одобряли даже в научных кругах, занимающихся ИИ, и вообще переименовали в «машинное обучение». Удивительно, как быстро все это изменилось.
М. Ф.: В итоге вы обеспечили финансирование и независимость компании. Почему вы продали ее Google?
Д. Х.: Мы не планировали продавать компанию, отчасти потому, что без продукта она не представляла ценности ни для одного крупного корпоративного бизнеса. У нас была бизнес-модель, которую мы не успели реализовать, и система компьютерного самообучения DQN (deep Q-network). К 2013 г. завершилась наша работа в Atari. Ларри Пейдж услышал о нас от одного инвестора, и мы неожиданно получили электронное письмо от вице-президента научного подразделения компании Google Алана Юстаса.
