Читать онлайн Сверхдержавы искусственного интеллекта. Китай, Кремниевая долина и новый мировой порядок бесплатно

Юный китаец в очках в квадратной оправе не был похож на последнюю надежду человечества. В черном костюме, белой рубашке и черном галстуке, Кэ Цзе сидел, ссутулившись и потирая виски, полностью погруженный в напряженные раздумья. Обычно излучающий уверенность, граничащую с дерзостью, сейчас этот девятнадцатилетний юноша неловко ерзал в кожаном кресле. Наблюдая такую картину в другом месте, его можно было бы принять за обычного студента, мучающегося над сверхтрудным доказательством геометрической теоремы.

Но на самом деле в этот майский день 2017 года он сражался с одной из умнейших машин – AlphaGo, обладающей мощным искусственным интеллектом, за созданием которого стояла вся мощь технологических ресурсов Google. Сражение шло на доске с полем 19 на 19 линий, уставленной маленькими черными и белыми камешками. Это были принадлежности для го – игры с обманчиво несложными правилами: два игрока, поочередно передвигая свои камни, пытаются окружить камни противника. Кэ Цзе играл в го лучше, чем любой другой человек на Земле, но сегодня ему противостоял невиданно сильный соперник. Считается, что го изобрели более 2500 лет назад, но его история уходит в прошлое глубже, чем история любой другой настольной игры из тех, что дошли до наших дней. В Древнем Китае умение играть в го входило в число четырех искусств, которыми обязан был владеть любой китайский ученый. Считалось, что го наделяет игроков мудростью и изяществом мысли, свойственными философии дзен. Тогда как западные игры, например шахматы, носят примитивно тактический характер, гo требует постепенно менять позиции на доске и медленно окружать противника, что превращает го в искусство, требующее особого состояния ума.

Сложность этой игры вполне соответствует древности ее истории. Чтобы изложить ее основные правила, достаточно девяти предложений, но число возможных комбинаций на доске го больше числа атомов в известной нам Вселенной[1]. Поскольку построение стратегий в го – невероятно сложный процесс, задача победить чемпиона мира по этой игре стала для специалистов по ИИ своеобразным Эверестом – попытки покорить его долго оставались бесплодными. Поэт сказал бы, что машина не сможет победить, поскольку у нее отсутствует важное человеческое качество – некое мистическое чувство игры. Инженеры же считали, что количество вероятных позиций на доске слишком велико, чтобы компьютер мог их просчитать. Но в этот день AlphaGo не просто победил Kэ Цзе – разгром следовал за разгромом. На протяжении трех матчей-марафонов, продлившихся более трех часов каждый, Kэ боролся с компьютером всеми доступными ему средствами. Он пытался одолеть его, используя различные тактики: консервативную, агрессивную, оборонительную и непредсказуемую.

Но ни одна из них не срабатывала. AlphaGo не поддавался. Вместо этого он медленно затягивал петлю вокруг «армии» Кэ.

Взгляд из Пекина

За поединком Kэ Цзе и AlphaGo следило множество людей, но не все воспринимали его одинаково.

Для некоторых наблюдателей из США победы AlphaGo означали не столько победу машины над человеком, сколько победу западных технологических компаний над всем остальным миром. За последние два десятилетия компании Кремниевой долины смогли завоевать рынки технологий. Facebook и Google стали ключевыми платформами для общения и поиска в интернете. Они подмяли под себя местные стартапы во многих странах – от Франции до Индонезии. Эти интернет-гиганты обеспечили США превосходство в цифровом мире, соответствующее их военной и экономической мощи в реальном мире. AlphaGo – продукт, созданный британским стартапом в области ИИ под названием DeepMind, который приобрела Google в 2014 году, – должен был укрепить позиции Запада в цифровом мире в эпоху искусственного интеллекта.

Но, глядя на матч с Кэ Цзе из своего офиса, я увидел нечто совершенно иное. Штаб-квартира моего венчурного фонда находится в пекинском районе Чжунгуаньцунь, который часто называют китайской Кремниевой долиной. Именно здесь ведутся самые передовые разработки в области искусственного интеллекта. Для работающих здесь людей победа AlphaGo стала одновременно брошенным им вызовом и источником вдохновения. Так что это событие сыграло в истории почти такую же роль, как запуск спутника Советским Союзом.

В октябре 1957 года СССР отправил на космическую орбиту первый в истории спутник, сделанный человеком. Это совершило переворот в сознании людей и серьезно повлияло на государственную политику Америки. Общественность США заволновалась из-за возможного технического превосходства СССР. Американцы следили за тем, как спутник пересекает ночное небо, и настраивали свои радиостанции на прием его сигналов.

Началась работа по созданию Национального управления по аэронавтике и исследованию космического пространства (НАСА), были выделены крупные государственные субсидии на развитие математики, науки и образования – так началась космическая гонка. Эта широкомасштабная мобилизация ресурсов принесла свои плоды 12 лет спустя, когда Нил Армстронг стал первым человеком, ступившим на поверхность Луны.

AlphaGo одержал свою первую громкую победу в марте 2016 года в серии из пяти игр против легендарного корейского игрока Ли Седоля. Серия закончилась со счетом четыре к одному. Причем большинство американцев вряд ли обратили внимание, что эти пять игр собрали более 280 млн китайских зрителей[2]. В тот вечер и вспыхнула в Китае лихорадка искусственного интеллекта. Реакция общества в целом была не такой бурной, как реакция американцев на запуск советского спутника, но пламя разгорелось и с тех пор не угасает.

Когда китайские инвесторы, предприниматели и чиновники объединяют усилия для развития какой-либо отрасли, результаты действительно могут потрясти мир. В наши дни Китай вкладывает огромные средства в научные исследования и поддержку предпринимательства, связанного с ИИ. Деньги для стартапов в области ИИ поступают от венчурных инвесторов, технологических гигантов и китайского правительства.

Китайские студенты заразились лихорадкой ИИ и тоже начали принимать участие в научных программах и слушать лекции международных исследователей со своих смартфонов. Основатели стартапов всерьез взялись за реинжиниринг или просто ребрендинг своих компаний, чтобы оседлать эту новую волну.

Менее чем через два месяца после того, как Кэ Цзе проиграл свою последнюю игру AlphaGo, Государственный совет КНР выпустил смелый план по развитию и внедрению ИИ, чтобы догнать и перегнать США[3]. Он требовал большого финансирования, политической поддержки и координации на государственном уровне. Были поставлены четкие задачи, которые предстоит выполнить к 2020 и 2025 годам, и обозначена главная цель – к 2030 году сделать Китай центром глобальных инноваций в области искусственного интеллекта, играющим ведущую роль в сфере теоретических разработок, технологии и внедрения. К 2017 году китайские венчурные инвесторы уже отреагировали на призыв, вложив в стартапы рекордные суммы, составившие 48 % всего венчурного финансирования ИИ в мире[4]. В этом отношении они впервые обогнали США.

Игра по новым правилам

Эту волну государственной поддержки в Китае породила новая парадигма в отношениях между искусственным интеллектом и экономикой. На протяжении десятилетий наука об искусственном интеллекте развивалась медленно, но устойчиво, и только в последнее время начала бурно прогрессировать, позволяя быстро внедрять научные достижения. Задачи технического характера, связанные с победой машины над человеком в игре го, мне хорошо знакомы. Будучи аспирантом Университета Карнеги – Меллона, я занимался разработками в области ИИ под руководством одного из первых его исследователей – Раджа Редди. В 1986 году я написал первую программу[5], победившую чемпиона мира по игре «Отелло» (это упрощенная версия го, в которую играют на доске, разлинованной на 88 клеток). В то время я мог по праву гордиться таким результатом, но сама технология не была настолько зрелой, чтобы найти применение где-либо, кроме простых настольных игр.

То же самое можно сказать и о победе компьютера Deep Blue, созданного IBM, над чемпионом мира по шахматам Гарри Каспаровым в матче 1997 года, который называли «последним рубежом обороны человеческого мозга». После него многие забеспокоились, не пойдут ли роботы войной на человечество, но реальные последствия ограничились подорожанием акций IBM. Искусственный интеллект еще долго находил весьма ограниченное применение, и ученым понадобились десятилетия, чтобы сделать действительно фундаментальный шаг вперед.

Deep Blue действовал «грубой силой», полагаясь в основном на аппаратное обеспечение, которое позволяло быстро просчитывать и оценивать последствия каждого хода. Поэтому, чтобы дополнить его программное обеспечение направляющими эвристиками, понадобилась помощь сильнейших реальных шахматистов. Да, победа была выдающимся достижением инженерной мысли, но в ее основе лежала давно устоявшаяся технология, которая работала только при соблюдении множества условий. Заберите у Deep Blue геометрически простую квадратную шахматную доску восемь на восемь квадратов, и эта машина уже не покажется вам такой умной.

Однако теперь все изменилось. Во время игры Кэ Цзе против AlphaGo состязание шло в пределах доски для го, но было связано с серьезными изменениями в реальном мире. Победа программы породила настоящую лихорадку ИИ в Китае.

Работа AlphaGo основана на технологии глубокого обучения – новаторском методе в области искусственного интеллекта, позволяющем развивать когнитивные способности машин. Программы, основанные на глубоком обучении, теперь могут лучше, чем люди, идентифицировать лица, распознавать речь и выдавать кредиты. На протяжении десятилетий до революции искусственного интеллекта всегда оставалось каких-нибудь пять лет. Но с появлением глубокого обучения эта революция, наконец, началась. Она открыла дорогу эре небывалого повышения производительности, но также и масштабных потрясений на рынках труда, которые повлекут за собой глубокие социально-психологические последствия для людей, – ведь искусственный интеллект будет вытеснять их с рабочих мест. В матче с Кэ Цзе его соперниками стали не роботы-убийцы, управляемые ИИ, которыми нас давно пугают. Это были демоны реального мира, способные вызвать массовую безработицу и другие связанные с ней социальные бедствия. Угроза безработицы оказалась намного ближе, чем предсказывали эксперты, – при этом цвет воротничка уже не будет играть никакой роли: и высококвалифицированные, и простые сотрудники пострадают одинаково. В тот исторический день матча между AlphaGo и Кэ Цзе машина превзошла все человечество в игре в го. Вскоре она окажется рядом с вами в цеху и в вашем офисе.

Призрак в го-машине

[6]

Но во время того же матча я увидел и повод для надежды. Через 2 часа 51 минуту после начала игры Кэ Цзе оказался в тупике. Он сделал все возможное, но понимал, что этого недостаточно. Чемпион низко склонился над доской, поджал губы, и у него задергалась бровь. Не в силах сдерживать эмоции, он снял очки и тыльной стороной руки вытер слезы. Это длилось лишь мгновение, но произошло на глазах у всех. Слезы чемпиона вызвали мощную волну сочувствия и поддержки: в течение трех партий матча Kэ пережил невероятные эмоциональные взлеты и падения, испытав поочередно уверенность, тревогу, страх, надежду и отчаяние. Он показал сильнейшую волю к победе, но помимо всего я смог увидеть и проявление подлинной увлеченности: готовность сразиться с непобедимым соперником ради чистой любви к игре, ее истории, и ради людей, которые в нее играют. И все, кто наблюдал за матчем и крушением надежд Кэ, ответили ему искренним сочувствием. AlphaGo выиграл, но Кэ стал народным героем. Это заставило меня задуматься о том, что раз человеческие существа способны делиться друг с другом любовью, то они смогут найти работу и смысл жизни в век искусственного интеллекта. По-моему, умелое применение ИИ даст Китаю отличный шанс догнать – и даже превзойти США. Но что еще более важно, переворот поможет нам заново осознать, что же делает нас людьми. И чтобы понять почему, мы должны сначала познакомиться с основами этой технологии и разобраться, как именно она может изменить наш мир.

Краткая история глубокого обучения

Машинное обучение – это обобщающий термин для области, к которой относится и глубокое обучение – технология, способная повлиять на ход истории, и благополучно выдержавшая полвека энергичных исследований. С момента своего зарождения искусственный интеллект претерпел не один цикл взлетов и падений. За периодами больших надежд следовали периоды разочарования (их еще называют «зимами искусственного интеллекта»), когда отсутствие практических результатов приводило к потере интереса и сокращению финансирования. Чтобы понять, как мы пришли к глубокому обучению, необходим краткий экскурс в историю. Еще в середине 1950-х годов пионеры искусственного интеллекта поставили себе невероятно смелую, но четкую цель – воссоздать человеческий интеллект в машине. Это поразительное сочетание ясности цели и сложности задачи станет притягательным для величайших умов в области компьютерных наук, таких как Марвин Минский, Джон Маккарти и Герберт Саймон. В начале 1980-х годов, когда я изучал информатику в Колумбийском университете, оно поразило и мое воображение. Я родился на Тайване в начале 1960-х годов, но, когда мне было 11 лет, мы переехали в Теннесси, и там я окончил среднюю школу. Через четыре года я принял решение углубленно изучать ИИ в Колумбийском университете в Нью-Йорке. В 1983 году в разделе анкеты, где нужно было указать цель поступления в аспирантуру по информатике, я смело написал: «Исследование искусственного интеллекта – это анализ того, как человек усваивает знания, количественная оценка его мышления, объяснение человеческого поведения и разгадка того, что делает существование интеллекта возможным; это решающий шаг человечества к пониманию самого себя, и я надеюсь сделать что-то для этой новой, но перспективной области науки». Эти слова помогли мне попасть на ведущий факультет компьютерных наук Университета Карнеги – Меллона, очага передовых исследований ИИ. Но они же продемонстрировали мою наивность: я переоценивал нашу способность понимать себя и недооценивал возможности ИИ показывать сверхчеловеческие результаты в узких областях.

К тому времени, когда я начал писать кандидатскую диссертацию, в среде исследователей искусственного интеллекта сформировались два течения: одно объединяло сторонников выбора действий на основе правил, другое поддерживало принцип нейронных сетей. Исследователи из первого лагеря (их иногда называют сторонниками символических систем или экспертных систем) пытались научить компьютеры мыслить, кодируя последовательности логических правил: если X, то Y. Этот подход был хорошо применим для простых игр с четкой структурой («искусственные задачи»), но прекращал работать при расширении множества возможных вариантов. Чтобы сделать программное обеспечение способным решать проблемы реального мира, сторонники этого подхода опрашивали экспертов по тем или иным задачам, а затем кодировали их ответы в виде программ (отсюда второе название – «экспертные системы»).

Однако ученые из лагеря нейронных сетей использовали другой подход. Вместо того чтобы учить компьютер правилам, по которым действовал человеческий мозг, они пытались его реконструировать. Насколько нам известно, запутанные сети нейронов в мозге животных – единственная основа интеллекта, и исследователи полагали, что можно напрямую воссоздать эту основу. Они поставили перед собой задачу имитировать архитектуру мозга, выстраивая слои искусственных нейронов, способных получать и передавать информацию внутри структуры подобно нейронам живых существ. Электронным нейронным сетям не задают правил, которым надо следовать при принятии решений. В них просто вводят большое множество примеров какого-либо явления – картинок, шахматных партий, звуков – и позволяют сетям самим определять закономерности внутри массива данных. Иначе говоря, чем меньше человеческого вмешательства, тем лучше.

Различия между двумя подходами можно увидеть на примере простой задачи, в которой надо определить, есть ли на рисунке кошка. Чтобы помочь программе принять решение, основанный на правилах метод требует установить правило типа «если – то»: если сверху круга расположены два треугольника, то, возможно, кошка на рисунке есть. При использовании метода нейронных сетей программа получит миллионы образцов в виде фотографий с пометкой «кошка» или «нет кошки» и попытается самостоятельно выяснить, какие признаки в миллионах изображений наиболее тесно коррелируют с пометкой «кошка». В 1950-х и 1960-х годах ранние версии искусственных нейронных сетей дали многообещающие результаты и наделали немало шума. Но потом в 1969 году лагерь сторонников правил вырвался вперед, используя аргумент, что нейронные сети ненадежны и ограничены в применении. Метод нейронных сетей быстро вышел из моды, и в 1970-х годах наступила первая «зима искусственного интеллекта». В течение последующих десятилетий о нейронных сетях то вспоминали, то снова забывали. В 1988 году я использовал подход, похожий на метод нейронных сетей (скрытые марковские модели), чтобы создать Sphinx – первую в мире независимую от говорящего программу для распознавания непрерывной речи[7]. О моем достижении написали в New York Times[8]. Но этого оказалось недостаточно, и с началом долгого «ледникового периода» в области ИИ, растянувшегося почти на все 1990-е годы, о нейронных сетях снова забыли.

В конечном счете сегодняшнему возрождению метода способствовали технологические прорывы, касающиеся двух важных базовых элементов нейронных сетей. Я имею в виду большую вычислительную мощность и большие объемы данных. Данные «обучают» программу распознавать шаблоны, обеспечивая ее множеством образцов, а вычислительная мощность позволяет ей быстро анализировать эти образцы.

На заре ИИ, в 1950-х годах, не хватало как данных, так и вычислительной мощности. Но за прошедшие десятилетия все изменилось. Сегодня вычислительная мощность вашего смартфона в миллионы раз больше, чем мощность передовых компьютеров НАСА, отправивших Нила Армстронга на Луну в 1969 году. Появление интернета привело к накоплению самых разнообразных текстов, изображений, видео, кликов, покупок, твитов и так далее. В распоряжении исследователей оказались огромные объемы данных для обучения нейронных сетей, а также дешевые вычислительные мощности высокой производительности. Но сами сети все еще были сильно ограничены в возможностях. Для получения точных решений сложных задач требуется много слоев искусственных нейронов, но на тот момент исследователи еще не нашли способ эффективно обучать слои по мере их добавления. Прорыв в этом направлении, наконец, состоялся в середине 2000-х годов, когда ведущий исследователь Джеффри Хинтон обнаружил способ эффективного обучения добавленных слоев. Нейронные сети словно получили дозу стероидов и обрели невиданную мощь, достаточную, чтобы распознавать речь и объекты. Вскоре нейронные сети, названные новым модным термином «глубокое обучение», уже могли превзойти старые модели в решении различных задач. Однако укоренившиеся предрассудки о методе нейронных сетей заставили многих исследователей ИИ игнорировать технологию, которая тем не менее показывала выдающиеся результаты. Поворотный момент наступил в 2012 году, когда сеть, построенная командой Хинтона, одержала убедительную победу в международном конкурсе компьютерного зрения[9], [10].

После десятилетий самоотверженных исследований нейронные сети в одночасье вышли на передний план, теперь в виде глубокого обучения. Этот прорыв обещал растопить лед последней «зимы» ИИ и впервые позволить по-настоящему использовать его силу для решения ряда реальных проблем. Исследователи, футуристы и технические специалисты – все начали твердить о колоссальном потенциале нейросетей. Ожидалось, что скоро они научатся понимать человеческую речь, переводить документы, распознавать изображения, прогнозировать поведение покупателей, выявлять мошенничества и принимать решения о кредитовании, а еще подарят новые способности роботам – от зрения до умения водить машину.

За кулисами глубокого обучения

Так как же работает глубокое обучение? По существу, чтобы получить решение, оптимизированное в соответствии с желаемым результатом, эти алгоритмы используют огромные объемы данных из определенного домена. Самообучающаяся программа решает задачу, обучаясь распознавать глубоко скрытые закономерности и корреляции, связывающие множество точек данных с желаемым результатом. Такой поиск зависимостей становится проще, когда данные имеют пометки, связанные с результатом: «кошка» против «нет кошки»; «нажал» против «не нажимал»; «выиграл игру» против «проиграл игру». Тогда машина может опираться на свои обширные знания об этих корреляциях, многие из которых невидимы или не имеют смысла для человека, и принимать лучшие решения, чем сам человек. Однако для этого требуется огромное количество данных, мощный алгоритм, узкая область и конкретная цель. Если вам не хватает чего-либо из перечисленного, метод не сработает. Слишком мало данных? Алгоритму не будет хватать образцов, чтобы выявить значимые корреляции. Неточно поставлена цель? Алгоритму не хватит четких ориентиров для оптимизации. Глубокое обучение – это то, что известно как «ограниченный ИИ» – интеллект, который берет данные из одного конкретного домена и использует их для оптимизации одного конкретного результата. Это впечатляет, но все еще далеко от «ИИ общего назначения» – универсальной технологии, способной делать все, что может человек. Глубокое обучение находит самое естественное применение в таких областях, как страхование и кредитование. Соответствующих данных о заемщиках предостаточно (кредитный рейтинг, уровень дохода, недавнее использование кредитных карт), и цель оптимизации ясна (минимизировать уровень неплатежей). Сделав следующий шаг в развитии, глубокое обучение приведет в действие самоуправляемые автомобили, помогая им «видеть» мир вокруг них: распознавать объекты в пиксельном изображении с камеры (например, красные восьмиугольники), выяснять, с чем они коррелируют (дорожные знаки «Стоп»), и использовать эту информацию для принятия решений (задействовать тормоз, чтобы медленно остановить автомобиль), оптимальных для достижения желаемого результата (доставить меня безопасно домой в минимальные сроки).

Глубокое обучение так волнует человечество именно потому, что открывает перед нами огромные перспективы. Его способность распознать схему и оптимизировать ее для получения конкретного результата может применяться для решения множества повседневных проблем. Вот почему такие компании, как Google и Facebook, боролись за немногочисленных экспертов в области глубокого обучения и платили им миллионы долларов, чтобы получить доступ к самым передовым научным разработкам. В 2013 году Google приобрела стартап, основанный Джеффри Хинтоном, а в следующем году и британский стартап в области ИИ под названием DeepMind – компанию, которая и построила AlphaGo, израсходовав более 500 млн долларов[11]. Результаты этих проектов продолжают поражать воображение публики и появляться в заголовках газет. Они вызывают у нас ощущение, что мы стоим на пороге новой эры, когда машины обретут невероятные возможности, и нет гарантий, что они не начнут вытеснять людей.

Международные исследования ИИ

Но какое место занимает во всем этом Китай? Исторически глубокое обучение было почти полностью разработано в Соединенных Штатах, Канаде и Великобритании. Затем некоторые китайские предприниматели и венчурные фонды, такие как мой собственный, начали инвестировать средства в эту область. Но подавляющая часть технического сообщества Китая не обращала должного внимания на глубокое обучение вплоть до событий 2016 года, то есть прошло целое десятилетие после появления революционных теоретических работ в этой области и четыре года после того, как глубокое обучение одержало эпохальную победу на конкурсе компьютерного зрения.

Американские университеты и технологические компании на протяжении десятилетий снимали сливки с работ талантливых специалистов, которых страна привлекала со всего мира. США надеялись на безусловное лидерство и в области ИИ, которое должно было только укрепляться. Исследовательская элита страны трудилась в Кремниевой долине в обстановке щедрого финансирования, уникальной культуры и поддержки со стороны влиятельных компаний. В глазах большинства аналитиков Китаю в отношении ИИ суждено было играть ту же роль, что и в предыдущие десятилетия, – роль подражателя, вечно не поспевающего за развитием передовых технологий.

В следующих главах вы увидите, что этот прогноз оказался ошибочным. Он был основан на устаревших оценках китайской технологической среды, а также на фундаментальном непонимании того, что движет продолжающейся революцией ИИ. Хотя первые зерна связанных с ИИ идей проросли на Западе, Китай будет пожинать их плоды. И причина этого глобального сдвига заключается в двух переходах: от эпохи открытий к эпохе внедрения и от эпохи экспертных знаний к эпохе данных.

В основе ошибочной веры в то, что Соединенные Штаты являются страной передового ИИ, лежит впечатление, что мы живем в эпоху открытий и наблюдаем за тем, как элита исследователей ИИ постоянно ломает традиционные парадигмы и разгадывает старые тайны. Это впечатление подпитывается постоянным потоком захватывающих дух сообщений СМИ: искусственный интеллект диагностирует некоторые виды рака лучше, чем это делают врачи; он одержал труднейшую победу над мастерами игры в техасский холдем[12]; он самообучается без какого-либо вмешательства человека. С учетом такого повышенного внимания к каждому новому достижению случайному наблюдателю или даже эксперту-аналитику простительно полагать, что мы постоянно открываем новые горизонты исследований в области искусственного интеллекта.

Однако я считаю, что это впечатление обманчиво. Многие из якобы значительных вех представляют собой просто новые способы использовать достижения прошлого десятилетия – в первую очередь глубокого обучения и дополняющих его технологий, таких как обучение с подкреплением сигналами от среды взаимодействия и перенос обучения[13] для решения новых задач. То, что делают эти исследователи, требует большого мастерства и глубоких знаний, умения изменять сложные математические алгоритмы, манипулировать большими объемами данных, адаптировать нейронные сети под различные задачи. Для такой работы часто требуется как минимум степень кандидата наук. И тем не менее все это лишь небольшие шаги вперед – постепенное улучшение результатов последнего грандиозного прорыва в области глубокого обучения.

Эпоха внедрения

Постепенно мы начинаем применять уникальные возможности глубокого обучения для распознавания образов и схем, для прогнозирования в таких разнородных областях деятельности, как диагностика заболеваний, условия страхования, вождение автомобилей или перевод с китайского на английский. Но все эти шаги не означают, что мы стремительно приближаемся к созданию «ИИ общего назначения» или совершили какой-то прорыв. Наступила эпоха внедрения, то есть создания реальных продуктов на основе ИИ. Компаниям, которые захотят на этом заработать, понадобятся талантливые предприниматели, инженеры и менеджеры продукта.

Пионер глубокого обучения Эндрю Ын сравнил исследование ИИ с работой Томаса Эдисона над внедрением электричества: передовая технология существует сама по себе, и только поставив ее на службу человеку, можно революционизировать десятки различных отраслей промышленности. Предприниматели XIX века в короткие сроки поставили электричество на службу человеку[14]: чтобы тот мог готовить пищу, освещать помещения и приводить в действие промышленное оборудование. Точно так же современные предприниматели, опираясь на исследования ИИ, начинают ставить на службу человеку и глубокое обучение. До сего дня было проделано много сложных теоретических изысканий, теперь же пришло время предпринимателям засучить рукава и приступить к нелегкой работе по превращению алгоритмов в устойчивый бизнес. Это не уменьшит энтузиазма в области исследования ИИ – просто реализация делает академические успехи осязаемыми, что действительно меняет нашу повседневную жизнь. Наступление эры практического применения означает, что после десятилетий самоотверженных исследований мы, наконец, увидим их плоды – и именно этого я так ждал большую часть своей взрослой жизни.

Поняв разницу между открытием и внедрением, мы лучше поймем, как ИИ будет влиять на нашу жизнь и какая страна станет лидером, когда дело дойдет до реализации новых технологий на практике. В эпоху открытий прогресс шел благодаря усилиям группы выдающихся ученых, и почти все они работали в США и Канаде. Их проницательность и новаторство привели к тому, что возможности компьютеров выросли быстро и радикально. Со времени зарождения глубокого обучения ни одна другая группа исследователей или инженеров не создала инноваций такого масштаба.

Эпоха данных

Итак, человечество приближается ко второму важному переходу – от эпохи экспертных знаний к эпохе данных. В наше время для создания эффективных алгоритмов ИИ нужны три составляющих: большие объемы данных, вычислительные мощности и труд способных – но не обязательно выдающихся – разработчиков алгоритмов ИИ. Чтобы с помощью глубокого обучения решать новые задачи, необходимы все три элемента, но в эпоху внедрения основную роль играют именно данные. Так получается потому, что, как только вычислительная мощность и талант разработчика достигают некоторого порога, объем данных становится решающим и определяет общую эффективность и точность алгоритма. При глубоком обучении данных не бывает слишком много. Чем больше примеров одного явления получает сеть, тем проще ей будет находить закономерности и идентифицировать вещи в реальном мире.

При превосходящем объеме данных алгоритм, разработанный группой инженеров ИИ среднего уровня, как правило, сильнее алгоритма, созданного исследователем глубокого обучения мирового класса. Ведущие исследователи ИИ все еще могут вывести эту область науки на более высокий уровень, но такие достижения случаются один раз в несколько десятилетий. А пока мы ждем следующего прорыва, растущие объемы данных будут оставаться движущей силой глубокого обучения, и этот процесс продолжит влиять на разные отрасли промышленности по всему миру.

Великая Поднебесная

Столетие тому назад распространению электрификации способствовало наличие четырех составляющих: ископаемого топлива для производства электроэнергии; предпринимателей, которые строили работавшие на ней новые предприятия; инженеров-электриков, управлявших ею; и поддержки государства, необходимой для развития инфраструктуры. Чтобы в наше время поставить на службу человеку ИИ – «электроэнергию» XXI века, нужны четыре аналогичных фактора: изобилие данных, жаждущие зарабатывать предприниматели, специалисты в области ИИ и государственная поддержка.

Глядя на соотношение сил Китая и Соединенных Штатов в этих четырех категориях, мы можем сделать прогноз, кому быть мировым лидером в области ИИ. Оба перехода, описанные на предыдущих страницах, – от открытия к внедрению и от экспертных знаний к данным – теперь сдвигают баланс сил на игровом поле в сторону Китая. Переход от открытия к внедрению нейтрализует одну из слабостей Китая (нехватку ученых-новаторов), а также позволяет задействовать его наиболее внушительную силу – воинственно настроенных предпринимателей с их острым чутьем, необходимым для надежного бизнеса. Переход от знаний к данным, в свою очередь, снижает потребность в элитных исследователях, которых не хватает Китаю, и увеличивает ценность другого важного ресурса, который имеется в Китае в изобилии, – данных.

Предприниматели Кремниевой долины заработали репутацию самых неутомимых в Америке: это влюбленные в свое дело молодые новаторы, которые работают днями и ночами, чтобы получить продукт, а затем с одержимостью совершенствуют его, добиваясь новых великих достижений.

Предприниматели там действительно много работают. Но я провел десятилетия, будучи глубоко погруженным в технологическую среду как в Кремниевой долине, так и в Китае. Я работал в Apple, Microsoft и Google, прежде чем запустить десятки китайских стартапов и стать их инвестором. Поэтому имею право смело сказать вам, что по сравнению со своим заокеанским конкурентом Кремниевая долина кажется очень спокойным местом.

Успешные интернет-предприниматели Китая достигли своего нынешнего уровня за счет самой беспощадной конкурентной борьбы. Они живут в мире, где скорость имеет важнейшее значение, копирование является общепринятой практикой и конкуренты не остановятся ни перед чем, чтобы захватить новый рынок. Каждый день на поле битвы между китайскими стартапами – это испытание огнем, гладиаторские бои в Колизее. Здесь идут схватки не на жизнь, а на смерть, и у противников не бывает угрызений совести. Единственный способ выжить в этой битве – постоянно улучшать свой продукт и строить бизнес на основе инновационной модели, окружая его в то же время «защитной стеной». Если ваше преимущество – это одна-единственная идея, то ее непременно скопируют, ваших ключевых сотрудников переманят, и вы останетесь за бортом.

Эта агрессивная среда резко контрастирует с обстановкой в Кремниевой долине, где копирование считается позором, а многим компаниям удается подолгу существовать за счет одной оригинальной идеи или просто по счастливой случайности. Такое отсутствие конкуренции успокаивает и может лишить бдительности, привести к тому, что предприниматели перестанут работать над всеми вариантами своих первых инноваций. Грязные рынки и грязные трюки эпохи «подражательства» в Китае дали жизнь некоторым не совсем порядочным компаниям, однако благодаря им же выросло поколение самых ловких и сообразительных в мире предпринимателей – настоящих трудяг. Эти предприниматели – то самое «секретное оружие» Китая, которое сделает его первой страной, заработавшей на реализации достижений ИИ. Именно они имеют доступ к одному из основных технологических ресурсов Китая – изобилию данных. Китай уже обогнал Соединенные Штаты и вышел на первое место по объему производимых данных. И дело не только в количестве: благодаря уникальному технологическому микроклимату Китая, представляющему собой вселенную продуктов и функций, не виданных нигде, эти данные идеально подходят для построения прибыльных компаний в области ИИ.

Около пяти лет назад еще имело смысл непосредственно сравнивать прогресс китайских и американских интернет-компаний – он напоминал автомобильную гонку. Участники шли почти вровень, Соединенные Штаты немного опережали Китай. Но примерно в 2013 году Китай сделал очень важный поворот. Вместо того чтобы следовать по стопам американцев или копировать их достижения, китайские предприниматели начали разработку уникальных продуктов. Прежде, говоря о продуктах китайских компаний, аналитики использовали аналогии с продуктами Кремниевой долины: «китайский Facebook», «китайский Twitter», – но в последние несколько лет эти ярлыки в большинстве своем стали бессмысленными. Китайский интернет превратился в альтернативную вселенную. Китайцы начали платить за реальные покупки штрих-кодами на своих телефонах – результат революции мобильных платежей. Армии развозчиков еды и массажистов на электрических скутерах наводняют улицы китайских городов. Они – порождение так называемых O2O-стартапов (онлайн для офлайна), внедривших преимущества электронной коммерции в сферу реальных услуг, таких как общественное питание или маникюр. Вскоре после этого появились миллионы ярко окрашенных велосипедов, сдаваемых напрокат: их можно взять или оставить где угодно, воспользовавшись штрих-кодом на своем телефоне.

Все эти услуги, наряду с китайским суперприложением WeChat, дали в руки каждому китайцу своего рода цифровой аналог швейцарского ножа для современной жизни. С помощью WeChat можно отправлять текстовые и голосовые сообщения друзьям, оплачивать счета за продукты, записываться к врачам, сдавать налоговые декларации, брать напрокат велосипеды и покупать билеты на самолет. Приложение превратилось во всеобщую социальную сеть: в разнообразных групповых чатах пользователи ведут деловые переговоры, обсуждают подготовку к дням рождения и беседуют о современном искусстве. WeChat объединил в себе массу функций, которые в США и других странах выполняют отдельные приложения. Альтернативная цифровая вселенная Китая теперь создает и вбирает целые моря новых данных о реальном мире. Это обилие сведений о пользователях – где они находятся в любую секунду дня, как связаны между собой, какая еда им нравится, когда и где они покупают продукты и пиво – окажется бесценным в эпоху внедрения ИИ. В этой сокровищнице будут храниться миллионы ежедневных привычек пользователей, которые можно сочетать с алгоритмами глубокого обучения, чтобы предлагать индивидуальные услуги от бухгалтерского аудита до градостроительного проектирования. Это много больше того, что могут почерпнуть из ваших поисков, «лайков» или случайных покупок в интернете ведущие компании Кремниевой долины. Невиданное изобилие реальных данных даст китайским компаниям огромную фору, когда дело дойдет до появления сервисов на основе ИИ.

Регулировка весов

Благодаря недавним впечатляющим разработкам баланс сил вполне закономерно сместился в сторону Китая. Но и китайское правительство тоже делает для этого все возможное. Его всеобъемлющий план по превращению страны в сверхдержаву ИИ обеспечил широкую поддержку и финансирование исследований в этой области, но эффективнее всего он сработал как ориентир для местных государственных органов, охотно подхвативших инициативу. Китайские структуры управления устроены сложнее, чем полагает большинство американцев; Центральное правительство не просто выпускает указы, которые мгновенно реализуются во всех частях страны. Оно может выбирать определенные долгосрочные цели и привлекать колоссальные ресурсы для их достижения. Наглядный пример тому – молниеносное развитие сети высокоскоростных железных дорог в стране.

Руководители местных органов власти восприняли подъем ИИ как выстрел стартового пистолета. Они устроили настоящую гонку, стараясь привлечь в свои регионы как можно больше компаний, работающих в области ИИ. Приманкой служат льготы и щедрые субсидии.

Эта гонка только начинается, и насколько она повлияет на развитие ИИ Китая, все еще неясно. Но каков бы ни был результат, ситуация уже резко контрастирует с ситуацией в США, где государство не регулирует предпринимательство в области ИИ и активно сокращает финансирование фундаментальных исследований. Учитывая все это, Китай, вероятно, вскоре догонит или даже обгонит Соединенные Штаты в области разработки и внедрения искусственного интеллекта. На мой взгляд, внедрение ИИ приведет к росту производительности в масштабах, не виданных со времен промышленной революции. По оценкам PriceWaterhouseCoopers, к 2030 году внедрение ИИ добавит 15,7 трлн долларов к мировому ВВП[15]. Предполагается, что на Китай придется 7 трлн долларов из этой суммы, что почти вдвое больше, чем 3,7 трлн, которые придутся на долю США. По мере того как экономический баланс сил будет смещаться в сторону Китая, будет расти также его влияние в политике, культуре и идеологии.

Этот новый мировой порядок ИИ встряхнет американцев, привыкших к почти тотальному доминированию в сфере технологий. Ибо, как многие из нас помнят, именно американские технологические компании продвигали свою продукцию и свои ценности во всех уголках мира. В результате и компании, и граждане, и политики забыли, каково это – быть «принимающей стороной» в таких процессах, которые весьма похожи на технологическую колонизацию. Китай не стремится к какой бы то ни было колонизации, но вызванные ИИ сдвиги политического и экономического порядка приведут к серьезным изменениям в странах, переживающих цифровую глобализацию.

Кризисы в реальности

Значение этой игры между двумя сверхдержавами мира, как бы оно ни было велико, меркнет по сравнению с такими последствиями развития ИИ, как безработица и рост неравенства – как внутри стран, так и между ними. Океан глубокого обучения, омывая глобальную экономику, способен стереть с лица земли миллиарды рабочих мест на всех уровнях экономики: бухгалтеры, работники сборочных линий, операторы складов, учетчики складских запасов, контролеры качества, грузоперевозчики, средний юридический персонал и даже рентгенологи – это лишь несколько примеров.

Человеческая цивилизация и в прошлом переживала аналогичные технологические потрясения экономики: так сотни миллионов фермеров в XIX и XX веках превращались в фабричных рабочих. Но ни одно из этих изменений не происходило так быстро, как изменения, вызванные ИИ. Исходя из современных тенденций в области развития и внедрения технологий, я предполагаю, что в течение 15 лет искусственный интеллект, технически, сможет заменить около 40–50 % работников в США. Фактически люди начнут массово терять рабочие места, возможно, на десять лет позже, но я считаю, что дестабилизация рынков труда будет очень значительной и произойдет в ближайшее время.

В тандеме с безработицей будет астрономически расти богатство в руках новых магнатов ИИ. Uber уже является одним из самых дорогих стартапов в мире, даже притом, что около 75 % денег с каждой поездки получает водитель. Можно только представить себе, как возрастет стоимость Uber, если в течение нескольких лет компания заменит каждого водителя-человека на самоуправляемый автомобиль с элементами ИИ. А если бы банки могли заменить всех своих сотрудников, занятых в ипотечном кредитовании, алгоритмами, выдающими кредиты более разумно, по более низким ставкам и без вмешательства человека? Подобные преобразования уже вскоре произойдут и в области грузоперевозок, страхования, производства и розничной торговли.

Дальнейшая концентрация прибыли неизбежна, поскольку экономика, основанная на ИИ, будет естественным образом стремиться к модели «победитель получает все». Сочетание глубокого обучения с доступностью данных способствует формированию замкнутого круга: лучшие продукты и компании будут укреплять свои позиции. Чем больше данных – тем лучше продукты, которые, в свою очередь, привлекают больше потребителей, которые производят еще больше данных, которые позволяют еще больше улучшить продукт. Компания, обладающая данными и финансовыми средствами, также может привлекать самых талантливых специалистов по ИИ, что будет еще сильнее увеличивать разрыв между лидерами отрасли и отстающими.

В прошлом преобладание физических товаров и географические ограничения помогали контролировать доходы внутри потребительских монополий. (Антимонопольное законодательство США влияло на это гораздо меньше.) Но в будущем цифровые товары и услуги продолжат захватывать все большую долю рынков, и использование самоуправляемых грузовиков и дронов резко сократит стоимость доставки физических товаров. Вместо распределения отраслевых прибылей по разным компаниям и регионам мы начнем видеть все большую и большую концентрацию этих астрономических сумм в руках немногих, в то время как очереди безработных станут еще длиннее.

Мировой порядок ИИ

Неравенство шагнет за пределы национальных границ. Китай и Соединенные Штаты далеко обогнали все другие страны в области искусственного интеллекта, открыв дорогу для пришествия биполярного миропорядка нового типа. Еще несколько стран – Великобритания, Франция и Канада – имеют сильные научно-исследовательские лаборатории и талантливых специалистов по ИИ, но им не хватает экосистемы венчурного финансирования и больших баз пользователей, чтобы генерировать данные в объемах, достаточных для этапа реализации. По мере того как компании ИИ в Соединенных Штатах и Китае накапливают все больше данных и талантов, они приближаются к точке, после которой превзойти их станет невозможно. Китай и США в настоящее время растят гигантов ИИ, которые будут доминировать на мировых рынках и зарабатывать на потребителях по всему миру.

В то же время автоматизация производства с элементами ИИ на заводах подорвет значение одного из главных экономических преимуществ развивающихся стран – дешевой рабочей силы. Заводы, управляемые роботами, скорее всего, передвинутся ближе к заказчикам, действующим на больших рынках. И это уничтожит ту лестницу, по которой развивающиеся страны – и Китай, и другие «азиатские тигры», Южная Корея и Сингапур, – в свое время взобрались вверх, к процветающей высокотехнологичной экономике. Пропасть между имущими и неимущими будет расти, а что с этим делать, до сих пор неизвестно.

Мировой порядок ИИ объединит экономику типа «победитель получает все» и неслыханные богатства, накопленные немногочисленными компаниями в Китае и Соединенных Штатах. Это, по моему мнению, и будет основной реальной угрозой от искусственного интеллекта – грандиозные социальные потрясения и крах политических систем из-за массовой безработицы и растущего неравенства.

Дестабилизация рынков труда и беспорядки в обществе будут происходить на фоне гораздо более острого гуманитарного и личностного кризиса, связанного с потерей смысла жизни: на протяжении веков люди занимали время работой, обменивая свой труд на жилье и пропитание. На основе этого обмена возникли и глубоко укоренились определенные культурные ценности, и многие из нас были воспитаны так, что наше чувство самоуважения зависит от повседневной работы. Развитие искусственного интеллекта угрожает и этим ценностям, и самому смыслу нашей жизни.

Эти проблемы очень серьезны, но они преодолимы. В последние годы я сам столкнулся со смертельной угрозой и кризисом цели в собственной жизни. Этот опыт преобразил меня и открыл мне глаза на то, как мы можем преодолеть кризис, вызванный ИИ. Для решения этих проблем потребуется сочетание четкого анализа и глубокого философского осмысления того, что имеет значение в нашей жизни, – это задача как для наших умов, так и для наших сердец. В заключительных главах книги я излагаю свое видение мира, в котором люди не только сосуществуют с ИИ, но и процветают благодаря ему.

Но сначала нам необходимо вернуться на 15 лет назад, в те времена, когда над Китаем смеялись как над страной некачественных копий, а Кремниевая долина была единственной в своем роде и гордилась своими инновационными технологиями.

Ван Син вошел в историю китайского интернета как серийный имитатор, создатель причудливых аналогов продуктов, принадлежавших самым уважаемым компаниям Кремниевой долины[16]. В 2003, 2005, 2007, а потом в 2010 годах Ван занимался тем, что брал самый популярный американский стартап года и копировал его, адаптируя для китайских пользователей. Все началось, когда он готовился к получению докторской степени по техническим наукам в университете штата Делавэр. Там он наткнулся на первую в своем роде социальную сеть Friendster. Ван увлекся этой идеей и бросил работу над докторской диссертацией, чтобы вернуться в Китай и воссоздать Friendster. В этом первом проекте он решил не повторять структуру оригинала в точности. С парой друзей он взял за основу концепцию цифровой социальной сети и построил собственный пользовательский интерфейс для нее. Результат был, по словам Вана, «уродливым» и успеха не имел.

Два года спустя Facebook, вооруженный приятным глазу интерфейсом, покорял студенческие сообщества и штурмовал кампусы колледжей. Ван повторил его дизайн и таргетирование и запустил социальную сеть Xiaonei («В кампусе»). Сеть была предназначена только для китайских студентов, а пользовательский интерфейс был точной копией интерфейса Facebook. Ван дотошно воссоздал домашнюю страницу, профили, панели инструментов и цветовые схемы стартапа из Пало-Альто. Китайские СМИ сообщали, что в первой версии Xiaonei в нижней части каждой страницы даже был размещен слоган Facebook – «Произведено Марком Цукербергом»[17].

Xiaonei имел большой успех, но Ван был вынужден продать его слишком рано: количество пользователей так быстро росло, что он не успевал собрать достаточно денег для поддержки инфраструктуры.

Перейдя к новому владельцу, Xiaonei был обновлен и переименован в Renren – «Все в сети», и в конце концов собрал 740 млн долларов во время своего дебюта на фондовой бирже в Нью-Йорке в 2011 году.

В 2007 году Ван снова взялся за старое и запустил Fanfou – точную копию недавно созданного Twitter. Если бы не язык и URL, его легко было бы принять за оригинал. Fanfou процветал недолго, вскоре он закрылся из-за политически нежелательного контента. Затем, три года спустя, Ван взял бизнес-модель высокопопулярного сайта Groupon и превратил ее в китайский сайт купонных распродаж Meituan.

С точки зрения элиты Кремниевой долины, у Вана не было совести. В культурном кодексе ее обитателей слепое копирование системообразующих основ чужого проекта значилось среди самых бесчестных поступков. Именно такой подход к предпринимательству будет сдерживать Китай в следующие годы, препятствуя созданию по-настоящему инновационных технологических компаний, которые могли бы изменить мир.