Будущее без работы. Технология, автоматизация и стоит ли их бояться - Даниэль Сасскинд
Шрифт:
Интервал:
Закладка:
Эта мимикрия принимала различные формы. Некоторые исследователи пытались создать сети искусственных нейронов путем воспроизведения реальной физической структуры человеческого мозга (Марвин Мински, один из авторов группы, просившей финансирования у фонда Рокфеллера, посвятил этому докторскую диссертацию)[147]. Другие использовали психологический подход, стремясь воспроизвести процессы мышления и рассуждения, в которых задействован человеческий мозг (это пытались сделать присутствовавшие в Дартмуте Герберт Саймон и Аллен Ньюэлл, когда предложили «универсального решателя задач» – раннюю систему, известную как «программа, имитирующая человеческое мышление»)[148]. Третий подход состоял в том, чтобы вывести правила, которым следуют люди, и на их основе написать инструкции для машин. Для этого исследователи создали специальную подотрасль, а их изобретения стали известны как «экспертные системы» – они полагались на правила, которые задавал им живой эксперт.
Во всех этих начинаниях люди так или иначе задавали шаблон поведения машин. Например, для создания машины, которая могла бы играть в шахматы на высшем уровне, нужно было сесть за стол с гроссмейстерами и заставить их объяснить, как они играют в эту игру. Написание программы для перевода одного языка на другой подразумевало наблюдение за тем, как человек, знающий оба языка, понимает смысл абзаца текста. Идентификация объектов означала, что нужно обработать изображение так же, как это делает человеческий глаз[149].
Эта методология нашла свое отражение в языке пионеров ИИ. Алан Тьюринг утверждал, что «можно построить машины, которые будут очень точно имитировать поведение человеческого разума»[150]. Нильс Нильссон, присутствовавший на Дартмутском собрании, отметил, что большинство ученых там «были заинтересованы в подражании высшим уровням человеческого мышления. Их работа в определенной степени опиралась на анализ того, как люди решают свои проблемы»[151]. А философ Джон Хаугеланд писал, что область ИИ ищет «подлинный предмет: машины с разумом, в полном и буквальном смысле»[152].
За некоторыми утверждениями Хаугеланда и других ученых стояло более глубокое теоретическое убеждение: люди, по их мнению, представляют собой лишь сложный тип компьютера. Это была «вычислительная теория разума». С практической точки зрения, она могла быть привлекательной для исследователей ИИ. Если бы люди были всего лишь сложными компьютерами, то трудности в создании искусственного интеллекта были бы преодолимы: исследователи просто должны были сделать свои собственные, простые компьютеры более сложными[153]. Как выразился ученый-компьютерщик Дуглас Хофштадтер в своей знаменитой работе «Гедель, Эшер, Бах», многие исследователи воспринимали как «догмат» утверждение, что «любой разум – лишь вариация одной и той же темы, чтобы создать настоящий разум, работники ИИ должны подойти как можно ближе… к механизмам мозга, если они хотят, чтобы машины обладали теми же возможностями, что и мы»[154].
Конечно, не всех интересовало копирование людей. Но большинство специалистов по искусственному интеллекту того времени придерживались этих представлений – даже те, кто изначально был против, в конечном итоге поддались им. Например, Герберт Саймон и Аллен Ньюэлл. Прежде чем они создали общую систему решения проблем, основанную на человеческом мышлении, они фактически построили совершенно другую систему, названную «Логический теоретик». Эта система отличалась от всех остальных машин, появившихся после Дартмутского собрания, – она действительно работала. И все же, несмотря на успех, Саймон и Ньюэлл отказались от нее. Почему? Отчасти потому, что она действовала не как человек[155].
Однако в конечном счете этот подход к созданию машин по образу и подобию человека не увенчался успехом. Несмотря на первоначальный всплеск оптимизма и энтузиазма, серьезного прогресса в области искусственного интеллекта достигнуто не было. Когда речь заходила о грандиозных задачах – создании разумной машины, обладающей сознанием или способной мыслить и рассуждать как человек, – ничего подобного построить не удавалось. То же можно было сказать и о более скромных амбициях заставить машины выполнять конкретные задачи. Несмотря на все усилия, машины не могли победить лучшего игрока в шахматы. Они не могли перевести больше нескольких фраз или распознать что-либо, кроме самых простых объектов. Так происходило и со многими другими задачами.
По мере того как прогресс замедлялся, исследователи оказывались в тупике. Конец 1980-х годов вошел в историю как «зима искусственного интеллекта»: финансирование иссякло, исследования замедлились, а интерес к этой области упал. Первая волна искусственного интеллекта, породившая столько надежд, закончилась неудачей.
Вторая волна искусственного интеллекта
В 1997 году ситуация с ИИ начала улучшаться. Система под названием Deep Blue, принадлежавшая IBM, победила Гарри Каспарова, тогдашнего чемпиона мира по шахматам. Это было замечательное достижение, но еще замечательнее было то, как система его добилась. Компьютер Deep Blue не пытался копировать Гарри Каспарова, его интуицию или его гениальность. Он не повторял его мыслительный процесс и не имитировал его рассуждения. Вместо этого он использовал огромные объемы вычислительной мощности и памяти для обработки 330 миллионов ходов в секунду. Каспаров, один из лучших шахматистов всех времен и народов, мог в любой момент держать в голове до сотни возможных ходов[156].
Результат Deep Blue был не только практической победой, но и идеологическим триумфом. До этого события большинство исследователей ИИ можно было считать пуристами, которые пристально наблюдали за разумными действиями людей и пытались построить подобные им машины. Но Deep Blue был спроектирован совершенно иначе. Его создатели не стремились копировать анатомию шахматистов, их образ мысли или конкретные стратегии. Скорее они были прагматиками. От человека задача требовала применения интеллекта. Они же построили машину, способную выполнить ее принципиально иным способом, и тем самым положили конец зиме в области искусственного интеллекта – я называю это революцией прагматиков.
График 3.1. Частота ошибок систем, побеждавших в конкурсе ImageNet
За десятилетия, прошедшие после победы Deep Blue, на основе этого прагматического подхода было создано целое поколение машин, которые функционировали совсем не так, как люди, и оценивались не по тому, как они выполняют задачу, а по тому, насколько хорошо они ее выполняют. Прогресс в области машинного перевода, например, произошел не благодаря созданию машины, подражающей талантливому переводчику, а благодаря тому, что компьютеры сканируют миллионы переведенных человеком фрагментов текста, чтобы самостоятельно вычислять межъязыковые соответствия и паттерны. Подобным образом машины научились классифицировать изображения: они не подражают человеческому зрению, а просматривают миллионы ранее отмеченных изображений и выискивают сходство между ними и данной
