Но все-таки «полет Леви», возможно, объяснит одну из главных загадок миграции всех времен: как предки американских индейцев колонизировали Новый Свет. Примерно 11,5 тысяч лет назад пробравшись из Сибири на Аляску по Берингову перешейку (будущему Берингову проливу, но в ту пору уровень моря в тех краях был значительно ниже), так называемый народ кловис стал расселяться в южном направлении, спустя всего тысячу лет достигнув дальней оконечности Южной Америки. Это было племя охотников и собирателей, питавшееся мамонтами и другой дичью, которую они добывали при помощи копий с желобчатыми каменными наконечниками, характерными для этой культуры. Никто пока не сумел объяснить, как и почему эти люди проделали тысячи километров за относительно короткое время.
«Наверное, именно „полет Леви“ объясняет, каким образом они могли расселяться так быстро», – говорит Браун.
А вот Розенберг даже думает, что модель «полета Леви» способна пролить свет на первые шаги первобытного человечества: «Любопытно посмотреть, поможет ли она разобраться в гигантских „прыжках“, которые предполагает гипотеза эволюции человека, где изначальным центром расселения считается Африка».
Другие загадки, носящие сходный характер, тоже, быть может, удастся распутать при помощи модели «полета Леви». К примеру, на распространение серповидноклеточной анемии (опасного наследственного заболевания) по Центральной Африке ушло всего несколько тысячелетий, хотя если бы она двигалась по-броуновски, это заняло бы десятки тысяч лет. Ее распространение связывают с распространением малярии, которое, в свою очередь, связывают с распространением земледелия. Если серповидноклеточная анемия быстро захватывала новые территории, значит, то же самое относится и к малярии, и к земледелию. «Модели „полета Леви“ помогут нам описать это перемещение генов», – говорит Генри Харпендинг, антрополог из Университета Юты в Солт-Лейк-Сити, изучающий миграцию первобытных популяций Африки.
Влияет ли «полет Леви» на наш образ жизни сегодня? «Вполне вероятно», – допускает Браун. С ним согласны и другие ученые. Адан Пенн, архитектор из Лондонского университетского колледжа, применяет этот подход при планировании новых городов. Пенн и его коллеги проанализировали расположение торговых точек во многих крупных городах и продемонстрировали, что они имеют тенденцию складываться в узор, напоминающий распределение для «полета Леви». «Магазины склонны сбиваться в группы, – утверждает Пенн. – То есть они конкурируют друг с другом, но все равно каждый из них привлекает толпы покупателей».
Отличным примером такой картины служит Лондон. На Тоттенхем-Корт-роуд группируются магазины электротоваров, Хаттон-Гарден славится ювелирными лавками, а на Корк-стрит следует отправляться за покупками ценителям искусства. В каждом из этих районов есть главная улица, своего рода артерия, несущая поток людей, но есть и боковые улочки, куда тоже могут заглядывать покупатели. В меньших масштабах такую же картину мы наблюдаем на рынке, где фруктовые и овощные прилавки располагаются в одном углу, рыба – в своем ряду, мясо – в своем.
Пенн создал компьютерную модель города, в которой разместил «агентов» – виртуальных покупателей. Он запрограммировал их так, чтобы они искали товар, каждый раз делая три шага в случайном направлении в пределах своего поля зрения. Если в одном месте соберется достаточное количество агентов с потребностью в определенном продукте, компьютер выстроит там магазин, торгующий этим продуктом. Пенн обнаружил, что с течением времени в таком городе образуются небольшие группы лавок, схожих по профилю. «Похоже, это помогает агентам эффективнее находить нужные им магазины», – поясняет ученый. А значит, структура наших городков и мегаполисов, возможно, во многом определяется схемами поиска, доставшимися нам из прошлого, когда мы жили охотой и собирательством.
Сегодня Пенн применяет свои модели, чтобы помочь специалистам по городскому планированию оживлять депрессивные районы. Так, в рамках одного из проектов он занимался реанимацией лондонского Саут-Банка – «территории искусств» на южном берегу Темзы. Пенн предполагал проложить короткие пути сообщения между ключевыми точками и собрать в группы такие места притяжения людей, как кафе, рестораны и книжные магазины. По мнению Пенна, магазины легче находить, если они распределены согласно той естественной схеме, по которой мы что-то ищем. Такие же методы он использует, помогая разрабатывать более дружелюбную для пешеходов жилую среду в Милтон-Кинсе и других районах на юго-востоке Англии.
Браун намеревается использовать свое новое понимание «полета Леви» при выявлении участков, интересных с точки зрения археологии: «Во многих местах по всему миру охотники-собиратели занимали территорию в течение очень долгих периодов времени, но найти реальные свидетельства их стоянок и передвижений трудно». В ходе поисков, осуществляемых традиционными методами, выбирается какой-то регион, а затем с равными пространственными интервалами проводятся пробные раскопки. Процесс может оказаться весьма долгим и дорогостоящим. Как считает Браун, проведение таких пробных раскопок согласно модели полета Леви способно снизить издержки и сократить время поиска. Забавно: те схемы поиска, которые мы унаследовали от давно исчезнувших предков, могут оказаться наилучшим методом для того, чтобы вновь отыскать их следы.
Я, алгоритм
Мы уже знаем, что компьютерам не очень-то удается генерировать случайность, однако выясняется, что они могут обращать случай себе на пользу. Искусственный интеллект (машины, в основе которых как раз и лежит случайность) наконец-то мужает, находя самые разные сферы применения – от наблюдения за ядерными испытаниями до контроля хрупкого здоровья недоношенного младенца. Рассказывает Анил Анантасвами.
Оказавшись перед выбором между доктором из плоти и крови и системой искусственного интеллекта (ИИ), способной диагностировать болезни, Педро Домингос без колебаний готов вручить свою жизнь ИИ. «Машине я склонен доверять больше, чем врачу», – провозглашает Домингос, специалист по информатике из Вашингтонского университета в Сиэтле. Надо признать, такие уверенные заявления в поддержку ИИ сейчас редки на фоне обильной критики ИИ: многие разочарованы и говорят, что пока ИИ, на который возлагали столь большие надежды, не оправдал их ожиданий.
Еще в 1960-е годы разнообразные системы искусственного интеллекта стали демонстрировать многообещающие перспективы: ожидалось, что они смогут воспроизвести ключевые аспекты человеческого сознания. Ученые начали с применения математической логики, чтобы машина могла получать знания о реальном мире и размышлять о нем. Но вскоре математическая логика оказалась настоящей смирительной рубашкой для ИИ. Да, в некоторых типах рассуждения, сходных с человеческими, логика может оказаться продуктивной. Но она изначально непригодна, когда вы имеете дело с неопределенностью.
Однако после затянувшейся «зимы тревоги», куда сфера ИИ сама себя заковала, эта область, так долго подвергавшаяся критике, снова расцветает. Изощренные компьютерные системы демонстрируют зачатки как раз таких способностей, мечта о которых когда-то и породила интерес к ИИ: умение рассуждать подобно человеку – даже в мире, полном хаоса и статистического шума.
Одна из основ такого возрождения ИИ – так называемое вероятностное программирование, сочетающие в себе логическую базу старого ИИ с мощью современной статистики и теории вероятностей. «Это вполне естественное объединение двух наиболее сильных теорий, которые удалось создать для того, чтобы понять мир и рассуждать о нем», – говорит Стюарт Рассел, один из пионеров современного ИИ, работающий в Калифорнийском университете в Беркли. Столь могучая комбинация наконец-то начинает рассеивать мглу долгой зимы ИИ. «В этой области явно наступает весна», – полагает когнитивист Джош Тененбаум из Массачусетского технологического института (МТИ).
Сам термин «искусственный интеллект» придумал в 1956 году Джон Маккарти из того же МТИ. В тут пору он выступал за широкое применение логики при создании компьютерных систем, способных «рассуждать». Этот подход затем усовершенствовали, обратившись к так называемой логике первого порядка, в рамках которой знание о реальном мире моделируется посредством формализованных математических знаков и символов. Метод создали для работы с объектами и взаимосвязей между ними. Его вполне можно было применять для рассуждений и даже делать полезные выводы. К примеру, если у человека X весьма заразная болезнь Y, и если X находился в тесном контакте с человеком Z, при использовании логики мы заключаем, что у Z болезнь Y.
Однако самым грандиозным триумфом для логики первого порядка стало то, что она позволила конструировать модели нарастающей сложности из самых мелких строительных блоков. Например, вышеприведенный сценарий можно было бы легко распространить на эпидемиологическую модель для смертельных инфекционных заболеваний и на ее основе делать умозаключения о движении этих недугов. Способность логики выстраивать все более масштабные идеи на основе идей вполне скромных даже вроде бы предполагает, что и в человеческом сознании могут протекать сходные процессы.
В этом состояла хорошая новость. «Печально то, что в конечном счете такой подход не оправдал ожиданий», – говорит Ноа Гудман, стэнфордский когнитивист. Дело в том, что использование логики для представления с ее помощью некого знания, а затем рассуждений о нем, требует, чтобы наши знания о реальном мире отличались фантастической точностью. Тут не должно быть никакой двусмысленности. Либо «истинно», либо «ложно», и никаких «может быть». К сожалению, реальный мир полон неопределенности, статистического шума и исключений практически из всех общих правил. Системам ИИ, построенным на основе логики первого порядка, попросту не удавалось справиться с таким безобразием. Допустим, вы хотите определить, болен ли Z недугом Y. Правило должно быть однозначным: если Z контактировал с X, то Z болен недугом Y. Логика первого порядка не в состоянии разобраться в сценарии, где Z может заразиться от Х, а может не заразиться.