Современная робототехника добилась большого прогресса в области аппаратного обеспечения. Придуманы алгоритмы управления, позволяющие роботам ходить. Например, вы слышали о компании Boston Dynamics, основанной Марком Райбертом?
М. Ф.: Да, я смотрел видеоролики, на которых их роботы ходят, открывают двери и т. д.
Дж. Т.: И все это сделано по образу и подобию биологических объектов. Марк Райберт всегда хотел понять принцип движения ног у животных и людей и моделировал движущиеся системы. Его роботы управляются человеком с помощью джойстика. Цели им задает человеческий разум. Интеллект на уровне полуторагодовалого ребенка сделал бы таких роботов огромным технологическим прорывом.
М. Ф.: Какие разработки, направленные на создание сильного ИИ, сейчас самые передовые? Можно ли считать лидером в этой области компанию DeepMind?
Дж. Т.: Я с глубоким уважением отношусь к деятельности DeepMind. Они уже сделали множество классных проектов. Но мне кажется, что к построению ИИ человеческого уровня нужно подходить с другой стороны.
DeepMind в основном сосредоточены на обучении систем с нуля, тогда как люди и животные рождаются с некой предустановленной структурой, определяющей развитие. Для меня она важна.
М. Ф.: То есть вы убеждены в синергии между ИИ и нейробиологией. Как возник ваш интерес к этим областям?
Дж. Т.: Мой отец Джей Мартин Тененбаум был одним из первых исследователей ИИ, получивших докторскую степень в этой области. Он работал в Стэнфорде, где Джон Маккарти начал создавать первую ИИ-лабораторию, занимался компьютерным зрением и принял участие в основании AAAI. По сути, еще ребенком я столкнулся с огромным интересом к ИИ, который имел место в 1970–1980-х гг., и даже посещал тематические конференции. Для одной из таких конференций фирма Apple на один вечер выкупила Диснейленд в Южной Калифорнии – настолько важной сфера ИИ была уже в то время.
Отец некоторое время работал директором ИИ-лаборатории Schlumberger в Пало-Альто. Я часто приходил туда и познакомился со многими лидерами в сфере ИИ. А моя мама Бонни Тененбаум работала учительницей. У нее была докторская степень в области педагогики. Ее интересовали вопросы обучения и детского интеллекта. Она предлагала мне множество задач и головоломок, которые напоминают то, над чем мы сейчас работаем.
Когда пришло время поступать в колледж, я выбрал физику, параллельно посещая занятия по психологии и философии. Кроме того, я интересовался нейронными сетями, которые тогда, в 1989 г., были популярны.
В 1991 г. я прослушал курс по нейронным сетям. Отец познакомил меня с одним из величайших когнитивных психологов всех времен, своим другом и коллегой из Стэнфорда Роджером Шепардом. Сейчас он на пенсии, а в то время вел научные и математические исследования психических процессов. Я устроился к нему на летнюю работу, где программировал некоторые реализации нейронной сети, теорию которой он разрабатывал. Эта теория рассказывала, как люди и другие организмы решают задачу обобщения.
Роджер пытался математически описать, каким образом организм, получивший от некоего стимула положительные или отрицательные последствия, выясняет, какие еще вещи с большой вероятностью дают те же последствия. Как он выходит за рамки конкретного опыта и формирует общие истины? Как смотрит из прошлого в будущее? Байесовский вывод позволил Роджеру очень элегантно сформулировать свою теорию. Для более масштабируемой реализации этой теории ему требовались нейронные сети. С тех пор я по большей части продолжал работу с этими идеями и методами.
Затем я поступил в аспирантуру в MIT, где до сих пор работаю профессором. После защиты диссертации Роджер помог мне перевестись в Стэнфорд, где я пару лет был ассистентом профессора психологии, прежде чем вернулся в MIT, чтобы заниматься когнитивистикой. Как видите, я пришел в ИИ из естествознания, но рассматриваю человеческий интеллект с математической, вычислительной и инженерной точек зрения.
Свою деятельность я называю «обратным проектированием ума». Потому что пытаюсь, как инженер, воспроизвести работающий мозг и построить его модель с помощью технических средств. Я рассматриваю ум как невероятную машину, возникшую в результате таких процессов, как биологическая и культурная эволюция, обучение и развитие. Как инженер, я пытаюсь понять, для каких задач предназначен наш мозг и как он их решает.
М. Ф.: Насколько для карьеры в области ИИ важны изучение мозга и когнитивистика? Не кажется ли вам, что computer science уделяется слишком большое внимание?
Дж. Т.: Я всегда рассматривал эти вещи как две стороны одной медали. Меня восхищает сама возможность запрограммировать интеллектуальную машину. Моя специальность не биология, а скорее психология или когнитивистика. Я занимаюсь в основном программным обеспечением интеллекта, а не аппаратными средствами мозга, хотя единственный разумный научный подход предполагает взаимосвязь между ними. Отчасти именно это привело меня в MIT, где есть соответствующий факультет. В середине 1980-х гг. его называли факультетом психологии, но там всегда делался упор на биологию.
Если рассмотреть историю отрасли, окажется, что многие, если не большинство, самых лучших, интересных, новых и оригинальных идей в области ИИ сгенерированы людьми, которые пытались понять, как работает человеческий интеллект. Сюда входят и математические основы того, что мы сейчас называем глубоким обучением и обучением с подкреплением, и изобретение математической логики Джоном Булем, и работа Лапласа по теории вероятностей. Из более поздних примеров можно вспомнить интерес к математике познания и к тому, как люди рассуждают в условиях неопределенности, который привел Джуду Перла к работе над байесовскими сетями для вероятностного вывода и причинного моделирования в ИИ.
М. Ф.: Вы описали свою работу как попытку «обратного проектирования ума». Как выглядит ее методология? Насколько я знаю, вы много работаете с детьми.
Дж. Т.: Меня с самого начала крайне интересовал вопрос, каким образом наш мозг извлекает столь многое из столь малого. Даже если ребенок не сможет повторить действия, которые ему показали, он все равно поймет, что происходит.
Мы знаем, что корреляция и причинность – не одно и то же и что корреляция не всегда подразумевает причинность. Можно измерить две переменные в наборе данных и увидеть, что они коррелируют, но это не значит, что значение первой обусловливает значение второй. Этот факт часто цитируется, чтобы показать, насколько сложно из данных наблюдений вывести причинно-следственный механизм. Но все же люди, и даже дети, делают это. Посмотрите, как быстро ребенок осваивает управление смартфоном.
Еще студентом вместе с Роджером Шепардом я начал искать, какие же механизмы позволяют людям делать обобщения на базе всего одного или нескольких примеров. Сначала мы использовали принципы байесовской статистики, байесовского вывода и байесовских сетей, то есть формулировали работу ментальных моделей причинно-следственной структуры с помощью теории вероятностей. В 1990-х гг. инструменты, разработанные математиками, физиками и статистиками для статистических выводов на базе небольших наборов данных, стали применяться для машинного обучения, что произвело настоящую революцию. Фактически в сфере ИИ начался переход от ранней символической парадигмы к парадигме статистической.
