Читаем Власть и прогресс онлайн бесплатно
Эту сосредоточенность на автоматизации поддерживает и подкрепляет элитистское мировоззрение создателей ИИ. Согласно их взглядам, большинство людей склонны ошибаться и не слишком хорошо выполняют свои задачи. Как утверждает один из сайтов, посвященных ИИ, «люди слишком часто совершают ошибки». С другой стороны, существуют очень талантливые (но немногочисленные) программисты, способные проектировать самые сложные алгоритмы. По выражению Марка Цукерберга, «выдающийся человек на своем месте не просто немного лучше – в сто раз лучше того, кто просто „не так уж плох“!» Или, как сказал один из основателей
Несмотря на замену людей машинами и алгоритмами, рост производительности, связанный с новыми технологиями, иногда может повысить потребность в рабочей силе и побудить нанимателей поднять ставки. Но выгода для рабочих возникает лишь тогда, когда производительность повышается значительно. В наше время в этом-то и проблема: дело в том, что автоматизация с помощью ИИ заставляет жертвовать качеством работы, так что никакого серьезного повышения производительности не происходит.
Там, где производительность значительно увеличивается, это может снизить или даже нивелировать негативные эффекты автоматизации – например, повысив спрос на рабочую силу в неавтоматизированных областях или дав толчок развитию соседних секторов, в которых тоже увеличивается занятость. Однако, если снижение стоимости и повышение производительности невелики, этих благотворных эффектов не будет. Автоматизация с потерей качества особенно неприятна: она никому не приносит пользы и лишает людей рабочих мест только ради того, чтобы хозяева предприятия могли на них сэкономить.
В эпоху ИИ для потери качества при автоматизации есть фундаментальная причина. То, что делают люди, они по большей части делают хорошо; и автоматизация на основе ИИ не демонстрирует впечатляющих результатов, когда просто пытается заменить нас в тех задачах, которые мы учились выполнять столетиями. Именно автоматизацию с потерей качества получаем мы, например, когда руководство супермаркета спешит заменить живых кассиров электронными кассами: для покупателей это не улучшает, а ухудшает качество обслуживания. Или когда опытных сотрудников клиентских сервисов, IT-специалистов, финансовых консультантов вытесняют алгоритмы ИИ, выполняющие ту же работу плохо.
Многие производственные задачи, выполняемые людьми, представляют собой смесь рутинных действий с более сложными, включающими в себя социальную коммуникацию, решение проблем, требующими гибкости и творческого мышления. В подобных действиях люди опираются на «неписаные правила», на практические знания и опыт. Значительная часть этого практического знания сильно зависит от контекста – это то, чему едва ли возможно научить алгоритмы ИИ; следовательно, при автоматизации соответствующих задач это оказывается утрачено.
Чтобы проиллюстрировать важность знания, получаемого на опыте, обратимся к первобытным сообществам, о которых мы уже говорили в главе четвертой. Этнографические исследования показывают, что племена охотников-собирателей, как правило, демонстрируют примечательную способность адаптироваться к местным условиям. Возьмем, к примеру, кассаву (известную также как маниок), очень питательное клубневое растение родом из тропиков Центральной и Южной Америки. Из кассавы получают муку, хлеб, тапиоку, различные алкогольные напитки. Однако это растение ядовито: в нем содержатся сахара, производящие цианид. Если съесть кассаву сырой или неправильно обработанной, это грозит отравлением с тяжкими последствиями, в особо тяжелых случаях может даже привести к смерти.
Коренные жители полуострова Юкатан разработали определенные практики для удаления яда; срезали с клубня верхний слой, затем долго вываривали, а воду, в которой варилась кассава, выливали на землю. Европейцы поначалу не понимали этих традиций, некоторые даже считали их чем-то примитивным и антинаучным – но в том, что без этих процедур не обойтись, им пришлось убедиться на собственном опыте.
