Читаем Власть и прогресс онлайн бесплатно

В современной работе ИИ исследование не начинается с четкой причинно-следственной гипотезы. Например, исследователи не сообщают, какие характеристики цифровой версии образа важны для его распознавания. Многослойные модели, применяемые к огромным массивам данных, пытаются компенсировать это отсутствие предварительных гипотез. Каждый слой может работать со своим уровнем абстракции: один слой представляет форму и общие очертания изображения, другой сосредотачивается на отдельных деталях, например на том, имеются ли на изображении глаза или лапы. Но, несмотря на все эти изощренные приемы, без участия человека машине трудно извлечь из имеющихся данных верные выводы, и этот дефект стимулирует потребность во все больших массивах данных и все более высокой мощности вычислений для их обработки и поиска паттернов.

Типичный алгоритм машинного обучения начинается с того, что гибкую модель применяют к выборке данных, делают прогнозы, а затем проверяют их на более крупной выборке. Например, при распознавании образов алгоритм машинного обучения сперва тренируется на выборке образов с пометками, указывающими, есть ли на них кошка. На основе этого первого шага строится модель, делаются прогнозы, они прикладываются к следующему, намного более крупному массиву данных – и так шаг за шагом; на каждом уровне прогнозы становятся все точнее.

У этого нового подхода к ИИ имеются три важных следствия. Во-первых, работа ИИ неразрывно связана с использованием огромных массивов информации. Говоря словами исследователя ИИ Альберта Ромеро, который разочаровался в этой индустрии и в 2021 году ее покинул:

«Если вы работаете в ИИ-индустрии, скорее всего, вы собираете данные, чистите данные, сортируете данные, классифицируете данные, проводите обучение на данных, оцениваете данные. Данные, данные, данные. Все это – чтобы построить модель, способную сказать: „Это кошка“».

Такая зависимость от гигантских массивов данных – неизбежное следствие восходящего к Тьюрингу требования автономии ИИ.

Во-вторых, этот подход делает современный ИИ сверхуниверсальным, с легкостью применимым где угодно – в том числе, разумеется, в областях куда более важных и интересных, чем распознавание кошек. Едва проблема узнавания кошек на картинках «решена», можно перейти либо к тому же самому для более сложных образов, либо к другой задаче, на вид совершенно непохожей на эту – например, к определению значений фраз на иностранном языке. Следовательно, ИИ пригоден для использования в самых разных областях экономики и всей нашей жизни – как к добру, так и к худу.

В конечном счете целью становится создание полностью автономного интеллекта общего назначения, способного делать все, что делают люди. Говоря словами одного из основателей и директора DeepMind Демиса Хассабиса, задача – «решить проблему интеллекта, чтобы потом с его помощью решить все остальные проблемы». Но точно ли это наилучший путь развития цифровых технологий? Как правило, этот вопрос так и остается незаданным.

Наконец, третье – и более проблематичное: такой подход еще более сдвигает развитие цифровых технологий в направлении автоматизации. Автономные разумные машины естественным образом будут брать на себя все больше задач, которые сейчас выполняют люди. Компании будут разбивать имеющиеся рабочие задачи на мелкие этапы, использовать программы ИИ и огромные массивы данных, чтобы научить ИИ всему, что делают люди, – и затем заменять людей, выполняющих эти задачи, алгоритмами.