Все эти ограничения оказались в центре внимания к концу десятилетия, породив серьезные опасения, что данная область исследования снова отрывается от реальности, а хайп задирает ожидания слишком высоко. В отраслевых изданиях и социальных сетях вновь замелькало одно из самых пугающих для разработчиков искусственного интеллекта словосочетаний — «зима искусственного интеллекта». В интервью BBC в январе 2020 года Йошуа Бенджио сказал, что «возможности ИИ были несколько преувеличены… некоторыми компаниями, которым это было выгодно»[153].
В значительной мере эта обеспокоенность связана с тем направлением деятельности, где хайп достиг абсолютного максимума (см. главу 3), — беспилотными автомобилями. Стало ясно, что, вопреки оптимистическим прогнозам начала десятилетия, до настоящих беспилотных транспортных средств, способных функционировать в разнообразных условиях, еще далеко. Такие компании, как Waymo, Uber и Tesla, вывели беспилотные машины на дороги общего назначения, но за исключением нескольких экспериментов с очень серьезными ограничениями в салоне всегда находился водитель, которому, как оказалось, слишком часто приходилось брать управление на себя. Даже при наличии водителя, обязанного контролировать работу автомобиля, происходили аварии со смертельным исходом, бьющие по репутации этого направления. В 2018 году пользователи активно делились постом из блога исследователя в области машинного обучения Филипа Пикневски «Зима ИИ давно наступила». В нем отмечалось, что по данным, запрошенным штатом Калифорния, одна проходящая испытания машина «не могла проехать буквально десятка километров» без отказа системы, вынуждавшего человека принимать на себя управление автомобилем[154].
На мой взгляд, если действительно близится очередная зима ИИ, она, скорее всего, будет мягкой. Хотя обеспокоенность замедлением прогресса возникла не на пустом месте, бесспорно и то, что в последние годы ИИ был глубоко интегрирован в инфраструктуру и бизнес-модели крупнейших технологических компаний. Эти компании получили существенную отдачу от огромных вложений в вычислительные ресурсы и профессионалов в области ИИ и теперь считают искусственный интеллект обязательным условием своей конкурентоспособности на рынке. Аналогично почти каждый технологический стартап сегодня в той или иной степени вкладывает деньги в ИИ, и компании из других отраслей, как крупные, так и мелкие, начинают пользоваться этой технологией. Успешная интеграция в коммерческую сферу имеет несоизмеримо большее значение, чем любые предсказания зимы ИИ. Вследствие этого данная область пользуется поддержкой огромной армии сторонников из корпоративного мира и имеет импульс развития, который компенсирует замедление.
Кроме того, в определенном смысле крах масштабируемости как главной движущей силы прогресса может иметь и светлую сторону. Когда все вокруг уверены, что можно добиться важных достижений, просто направляя на решение задачи больше вычислительных ресурсов, интерес к вложениям в намного более сложную работу над подлинной инновацией снижается. Пожалуй, именно это произошло с законом Мура. Пока все были абсолютно уверены, что быстродействие компьютеров будет удваиваться каждые два года, производители чипов сосредоточивались на создании все более быстрых вариантов микропроцессоров прежних типов от таких компаний, как Intel и Motorola. В последние годы перспективы увеличения быстродействия компьютеров стали более туманными, размеры цепей в чипах приблизились к размеру атомов, а действие закона Мура в его традиционном понимании подошло к концу. Это заставило инженеров мыслить нешаблонно, что повлекло за собой такие инновации, как программное обеспечение для массово-параллельных вычислений и совершенно новые архитектуры процессоров, многие из которых оптимизированы для глубоких нейросетей. Думаю, мы можем ожидать подобного взрывного возникновения идей в области глубокого обучения и искусственного интеллекта в целом, поскольку простое наращивание масштаба нейронных сетей уже не гарантирует прогресса.
Погоня за универсальным машинным интеллектом
Чтобы преодолеть существующие ограничения систем глубокого обучения, необходимы инновации, которые подведут машинный интеллект несопоставимо ближе к возможностям человеческого мозга. На этом пути стоит много серьезных препятствий, зато в финале нас ждет неизменный «святой Грааль» искусственного интеллекта — машина, способная общаться, мыслить и усваивать новые идеи на уровне человека или выше его. Исследователи часто используют термин «универсальный искусственный интеллект». В реальном мире пока нет ничего близкого к универсальному ИИ, а вот в научной фантастике примеров множество, в том числе HAL из «Космической одиссеи 2001 года», главный компьютер космического корабля Enterprise, и Дейта из «Звездного пути», а также, разумеется, подлинно антиутопические технологии из фильмов «Терминатор» и «Матрица». Можно с уверенностью утверждать, что создание универсального машинного интеллекта со сверхчеловеческими возможностями станет самой важной по своим последствиям инновацией в истории человечества. Такая технология будет наивысшим интеллектуальным инструментом, радикально ускоряющим темпы развития в бесчисленных областях. Эксперты по ИИ сильно расходятся во мнениях о том, сколько времени потребуется на создание универсального ИИ. Одни с оптимизмом ожидают прорыва в ближайшие пять — десять лет. Другие, намного более осторожные, полагают, что на это может потребоваться 100 лет или больше.
Что касается обозримого будущего, то большинство исследователей интересует не столько реальное создание ИИ человеческого уровня, сколько путь к этой цели и многочисленные инновации, которые потребуются для успешного преодоления препятствий на этом пути. Разработка в полной мере мыслящей машины — это не умозрительный научный проект, а своего рода дорожная карта по созданию ИИ-систем, которые преодолеют сегодняшние ограничения и приобретут новые возможности. Движение по этому пути почти гарантированно породит множество практических приложений колоссальной коммерческой и научной ценности.
Именно сочетанием поиска практических инноваций в краткосрочной перспективе с намного более амбициозным стремлением создать машинный интеллект подлинно человеческого уровня характеризуется философия исследования разнообразных команд, работающих над ИИ в Google. Джефф Дин, директор компании по искусственному интеллекту, сказал мне, что если DeepMind, независимая компания, приобретенная Google в 2014 году, занимается поиском путей создания универсального машинного интеллекта по «структурированному плану», то другие исследовательские группы в Google придерживаются «более органического» подхода и заняты задачами, «важность которых мы осознаем, но пока не умеем их решать; когда же мы с ними справимся, то поймем, чем заняться дальше». Все группы по исследованию ИИ в Google, по его словам, «работают совместно, пытаясь создать по-настоящему гибкие ИИ-системы»[155]. Лишь время покажет, какой подход эффективнее: четкое планирование сверху вниз или пошаговое исследование неизведанного, но на обоих направлениях вероятно появление новых идей, которые можно будет использовать на практике.
У каждой команды, возглавляющей движение по этим путям, своя философия исследований и преодоления трудностей. Общим для всех них является то, что конечные цели «срисованы» со способностей, характерных для человеческого мышления.
Один из подходов состоит в использовании в качестве образца внутренней организации и работы человеческого головного мозга. Его сторонники считают, что искусственный интеллект должен напрямую обращаться к опыту нейробиологии. Лидером в этой области является DeepMind. Основатель и генеральный директор этой компании Демис Хассабис — что необычно для исследователя ИИ — получил высшее образование в области нейробиологии, а не вычислительной техники и защитил докторскую диссертацию в лондонском Юниверсити-колледже. Хассабис сказал мне, что самая большая группа исследователей в DeepMind состоит из специалистов по нейробиологии, занятых поиском способов применения новейших открытий науки о мозге в создании искусственного интеллекта[156].
Их задача не детальное копирование работы мозга, а использование базовых принципов его функционирования как отправной точки. Для объяснения этого подхода эксперты в области ИИ часто приводят аналогию с изучением механики полета и последующей разработкой конструкций современных самолетов. Хотя очевидно, что источником вдохновения для создания самолетов послужили птицы, самолеты не машут крыльями и не повторяют напрямую полет птицы. Когда инженеры разобрались в аэродинамике их полета, стало возможно строить машины на основе тех же базовых принципов, но намного более совершенные. Хассабис и команда из DeepMind верят в существование своего рода «аэродинамики интеллекта» — основополагающей теории, описывающей человеческий и, в перспективе, машинный интеллект.
Междисциплинарная команда DeepMind привела несколько убедительных свидетельств того, что подобный общий комплекс принципов действительно может существовать, опубликовав в мае 2018 года результаты своего исследования. Четырьмя годами раньше Нобелевская премия в области физиологии или медицины была вручена трем нейробиологам — Джону О’Кифу, Мэй-Бритт Мозер и Эдварду Мозеру — за открытие особого типа нейрона, обусловливающего ориентацию в пространстве у животных. Эти нервные клетки, названные нейронами решетки, возбуждаются, образуя регулярную гексагональную структуру, в процессе исследования животным пространства. Считается, что нейроны решетки составляют нечто вроде «внутреннего GPS», нейронного представления системы картирования, что позволяет животным ориентироваться в пространстве, прокладывая маршрут в сложном и непредсказуемом окружении.