Технологии, основанные на доступе к нашим персональным данным, будут предлагать все больше преимуществ, перед которыми мы едва ли сможем устоять. Цифровые помощники, Echo от Amazon и Home от Google, улавливают каждое слово и звук в доме и передают их для анализа в облако — и однако люди покупают эти устройства миллионами. Полезность всегда берет верх над иными соображениями. Еще более инвазивные технологии, такие как микросенсоры в сантехнических системах, в продуктах питания и даже внутри наших тел, поначалу будут внедряться в странах с нестрогим законодательством в области защиты конфиденциальности, особенно в развивающемся мире. Но когда будут получены первые результаты, показывающие экономическую выгоду и пользу для здоровья, шлюзы откроются и такие технологии заполонят весь мир.
Наша жизнь постепенно преобразуется в данные. Тенденция будет ускоряться по мере появления все более продвинутых инструментов, и мы будет принимать ее либо добровольно, в обмен на комфорт и полезность, либо вынужденно — вследствие ужесточающихся требований безопасности. Это направление развития не изменить, поэтому особое значение приобретает наблюдение за наблюдателями. Объемы производимых нами данных будут только расти и использоваться в основном в наших интересах, но мы должны контролировать, куда они попадают и как используются. Конфиденциальность уходит в прошлое, но ей на смену должна прийти прозрачность{54}.
В то время как основное внимание было сосредоточено на компьютерах с массивно-параллельной обработкой, специализированным аппаратным обеспечением и заказными микропроцессорами, революция происходила и в области шахматных программ для ПК. Благодаря тому, что растущее сообщество программистов получило возможность делиться идеями через интернет, а также ввиду появления все более мощных процессоров от Intel и AMD, персональные компьютеры с операционными системами MS-DOS и Windows постепенно наращивали свою шахматную силу. К 1992 году они затмили большинство популярных моделей электронных шахмат — так называли встроенные в электронные доски специальные шахматные компьютеры, которые производились компаниями Saitek и Fidelity и носили такие звучные названия, как Mephisto и даже Kasparov Advanced Trainer.
В конце 1980-х годов к некоторым моделям прилагалось послание от моего имени, гласившее: «Хотелось бы, чтобы игра с шахматным компьютером "Каспаров" доставила вам удовольствие и помогла усовершенствовать свое мастерство, — и кто знает, может быть, однажды мы встретимся с вами за шахматной доской!» Моя спортивная карьера оказалась достаточно долгой для того, чтобы это пожелание сбылось, и на различных шахматных мероприятиях ко мне часто подходили юные шахматисты с просьбой оставить автограф на их шахматном компьютере «Каспаров».
Для молодых читателей, которые не помнят те времена, скажу, что возможности персональных компьютеров в начале 1990-х годов были весьма скромными. Даже если вы приобретали компьютер самой последней модели за колоссальную цену $5000, очень скоро вам приходилось докупать к нему оперативную память, более емкий жесткий диск и более мощный процессор. Мало какая программа потребляет больше вычислительной мощности, чем шахматный движок. Он с легкостью использует все 100 % производительности процессора и все его ядра, сколько бы их ни было — четыре, десять или 20. За 15 минут работы шахматного движка мой старый ноутбук нагревался так, что его можно было использовать как тостер. Даже сегодня сверхмощные машины превращаются в медленных черепах, когда шахматный движок задействует для поиска все доступные ресурсы процессора.
Шахматные программы для ПК работают гораздо медленнее, чем программы на специализированном аппаратном обеспечении, такие как Deep Blue, что объясняется рядом причин. Однако это компенсируется тем, что они гораздо умнее и используют оптимизированные методы программирования, позволяющие добиться намного большей глубины поиска, чем при обычном исчерпывающем поиске. Они по-прежнему основаны на стратегии типа А — на грубой силе, но за многие годы стали значительно искуснее. Использование компьютеров многоцелевого назначения расширило возможности для креативного программирования и адаптации ПО; к тому же коммерческие шахматные программы постоянно повышали точность своих оценок, зачастую с помощью гроссмейстеров. В то же время шахматные микропроцессоры Deep Thought, хотя и имели настраиваемые аппаратные контроллеры, были фактически высечены из камня, пусть даже этим камнем был кремний.
Скорость работы аппаратного обеспечения во многом зависит от простоты принципиальной схемы. Как написала команда Deep Thought/Deep Blue в 1990 году о своей машине, «принесение в жертву некоторых шахматных знаний в оценочной функции рассматривается как оправданное, если это позволяет существенно упростить схемы». Они также признали, что «на данный момент оценочные функции в лучших коммерческих шахматных программах работают гораздо более эффективно, чем в программах, применяющихся в научных целях»{55}. Звучит неутешительно, но на самом деле это давало ученым основания надеяться на значительное улучшение в случае, если они сумеют создать следующее поколение шахматных микросхем и усовершенствовать оценочную функцию Deep Thought.
В 1992 году я сыграл длинный неофициальный блицматч с одной из программ нового поколения. Создавшая ее немецкая фирма ChessBase насмешливо окрестила свое детище Fritz, и это название практически стало синонимом шахматных движков для ПК. Разработчиком был голландец Франс Морш — автор программ для настольных электронных шахмат, таких как Mephisto и пр., — привыкший втискивать максимально оптимизированный код в очень ограниченные ресурсы. Он также внедрил несколько методов усиления поиска, которые повысили силу шахматных машин, несмотря на то, что увеличение глубины обычно замедляло их работу.
Одно из этих усовершенствований заслуживает, чтобы ненадолго на нем остановиться, поскольку оно представляет собой интересный пример того, как можно сделать машину умнее с помощью методик, не имеющих ничего общего с работой человеческого разума. Речь идет о так называемой эвристике нулевого хода — методе, заставляющем программу предположить, будто одна из сторон пропускает ход. То есть программа должна прийти к выводу, что один игрок сделал два хода подряд. Если позиция этого игрока не улучшается даже после двух ходов подряд, можно допустить, что первый ход является пустышкой и может быть отсечен от дерева поиска, что сокращает его длину и делает поиск по оставшимся вариантам более эффективным. Эвристика нулевого хода была использована в некоторых самых ранних шахматных программах, в том числе в советской «Каиссе». Это элегантный и немного парадоксальный подход — повышать эффективность алгоритмов, основанных на принципе исчерпывающего поиска, за счет ограничения поиска.
Люди тоже используют при планировании разные эвристические подходы. Например, стратегическое мышление требует от нас определения долгосрочных целей и промежуточных этапов без учета того, как на наши действия может отреагировать оппонент. Я могу посмотреть на позицию на доске и подумать: «Было бы хорошо, если бы мне удалось поставить слона сюда, пешку сюда, а затем подключить к атаке ферзя». Здесь нет никаких расчетов, лишь своего рода список стратегических пожеланий. Только после этого я начинаю думать, возможно ли это на самом деле и что в ответ может предпринять соперник.
Программисты, работавшие над шахматными программами типа Б с выборочным поиском, хотели научить машины именно такому стратегическому целеполаганию. Вместо того чтобы просматривать только дерево доступных вариантов, программа типа Б также изучала и оценивала гипотетические позиции. Если эти позиции получали высокую оценку, повышалась стоимость их элементов при поиске. Во многих случаях качество оценки улучшалось, но поиск становился таким медленным, что страдали результаты, — серьезный недостаток, характерный для всех программ типа Б.
Более успешным оказался другой метод, который также позволяет машинам анализировать гипотетические позиции за пределами дерева вариантов. В случае применения метода Монте-Карло машина берет все доступные позиции и с каждой разыгрывает большое количество случайных партий, определяя количество возможных побед, ничьих и проигрышей. Таким образом для каждого следующего хода выбирается наиболее удачная позиция. Играть «миллионы партий в рамках одной» оказалось не очень эффективной тактикой в шахматах, но в го и других играх, где точная оценка невероятно трудна для машин, метод Монте-Карло дает хорошие результаты. Он не требует больших знаний или эвристических правил; машина просто отслеживает цифры и ходы — и выбирает лучшие.
Это обилие интересных идей, призванных повысить эффективность интеллектуальных машин, показывает, почему попытки понять, как работает человеческий разум, и проникнуть в тайны мышления были отброшены. Что важнее — процесс или результат? Люди всегда хотят результатов, будь то в инвестировании, сфере безопасности или шахматах. Такое отношение, сокрушались многие программисты, способствовало созданию сильных шахматных машин, но ничего не дало науке и прогрессу в области ИИ. Шахматная машина, которая думает как человек, но проигрывает чемпиону мира, не сделает сенсации. Когда же шахматная машина побеждает чемпиона мира, никого не волнует, как она думает.
И это наконец-то случилось. В мае 1994 года в Мюнхене я проиграл программе Fritz 3 в блицтурнире, организованном при поддержке корпорации Intel Europe. Intel оказала существенную помощь Профессиональной шахматной ассоциации (ПША), созданной годом ранее мной и моим коллегой, претендентом на мировую корону Найджелом Шортом. В турнире участвовали сильнейшие шахматисты мира и программа Fritz 3, работавшая на новом процессоре Pentium. Целью организаторов было помочь шахматам обрести еще бóльшую популярность и потенциальных спонсоров, о чем я мечтал с тех пор, как увидел, насколько широкую известность получил мой матч с Deep Thought в 1989 году.