Возможно, единственное, чем не занимались эти исследователи, – развитие электроники компьютерного мозга. Но, хотите – верьте, хотите – нет, другие делали именно это. В 1996 году Эдриан Томпсон предложил новую идею: связать эволюционные вычисления со специальным чипом – программируемой пользователем вентильной матрицей, или ППВМ. Эти чипы похожи на перенастраиваемые схемы. Вместо того чтобы спроектировать схему и изготовить ее на дорогостоящем производстве микросхем, ППВМ можно переконфигурировать в любое время, послав набор команд, по желанию соединив вместе внутренние компоненты и сохранив эту конфигурацию в постоянной памяти. Изначально ППВМ применялись, к примеру, в компьютерных сетях и телекоммуникациях, где необходимо быстро внедрять новые разработки.

Томпсон задумался о том, что эволюционные вычисления могут сделать с ППВМ. Он попробовал разные настройки и запрограммировал эволюцию таким образом, чтобы она находила действующую схему, которая смогла бы различать эти настройки. После многих циклов эволюции и тестирования схем ППВМ эволюция нашла работающие схемы. Но то, что в итоге получилось, оказалось для Томпсона сюрпризом. Вместо того чтобы следовать обычным принципам электронного дизайна (как это могло произойти, если эволюция не знала о них?), эволюция создала причудливые, порой почти необъяснимые схемы: они были меньше, чем должны были быть, и использовали электронные компоненты способами, сильно отличавшимися от стандартных. В некоторых случаях части микросхемы, которые явно не являлись элементами цепи, каким-то образом все равно влияли на результат, улучшая его.

Томпсон осознал, что эволюция использовала основополагающие физические свойства кремния, на что не мог рассчитывать ни один инженер. Иногда созданная конструкция даже испытывала на себе влияние окружающей среды – немного меняла температуру, в результате чего функционировала уже не так хорошо. Тестирование схем одной и той же конструкции на разных, пусть и похожих по конфигурации, ППВМ приводило к тому, что схема переставала работать. Однако, применяя более широкий диапазон температур и вариаций ППВМ, можно было получить больше устойчивых результатов, поскольку эволюция создавала только то, что необходимо, не больше.

Исследователи продолжают работать над эволюционирующими устройствами. Некоторые даже внедряют принцип «развивающегося роста», чтобы зарождающиеся цепи «вырастали» во взрослые и более сложные. Эволюционирующие компьютерные схемы непросты, но годы прогресса привели к появлению новых технологий – и, похоже, они изменят способ создания ИИ в будущем. Джулиан Миллер начал с разработки электронных схем, но сегодня он занимается развитием нейронных сетей последнего поколения, в которых число нейронов может меняться в процессе обучения. Он одним из первых показал, что эволюции под силу создать искусственный мозг, способный решать совершенно разные задачи, используя одни и те же нейроны различными способами (см. главу 10).

Во многом благодаря поиску такие методы, как обучение с подкреплением, достигли заметных успехов. И эти успехи вызывают одновременно благоговение и страх. Некоторые специалисты утверждают, что генетические алгоритмы, к примеру, позволят ИИ менять себя до тех пор, пока он не станет умнее нас. Они представляют пугающие сценарии, подозрительно похожие на сюжеты известных научно-фантастических фильмов, где ИИ захватывает мир и уничтожает всех людей.

Однако столь мрачные видения далеки от реальности. Подобные сценарии невозможны по многим причинам, и, пожалуй, в первую очередь потому, что поиск решений чрезвычайно сложен. Хотя исследователи достигли поразительных успехов, произошло это только после десятилетий огромных усилий, которые прилагали тысячи очень умных людей в лабораториях. Чаще всего же результат заключается в том, что компьютер оказывается в тупике и не находит хорошего решения. Обычно область поиска слишком велика, чтобы решение можно было найти за разумное время, или же слишком сложна для навигации; порой и ее природа слишком изменчива. Время, затрачиваемое на тестирование каждого потенциального решения, ограничивает количество возможных вариантов – и чем сложнее решение, тем больше времени требуется для его проверки. И пусть сегодня у нас есть впечатляющие вычислительные мощности (по сравнению с теми, что были несколько десятилетий назад), их, вероятно, еще долго не будет достаточно – в течение десятилетий, если не столетий. Увеличение вычислительной мощности не помогает нам в понимании того, как заставить ее работать.

Исследователи учатся многим «приемам» у природы, будь то эволюция, иммунная система или просто поведение стаи птиц, но многого мы пока не знаем. Нам еще предстоит выяснить, как естественная эволюция ищет и находит в кажущемся бесконечным пространстве возможностей те, что наиболее жизнеспособны.

В конце концов, поиск помогает компьютерам находить решения проблем. И часто делает это прекрасно. Но он всегда нуждается в нашей помощи, чтобы работать как надо.

Размером в одну пятую миллиметра – меньше, чем может увидеть глаз. Меньше, чем одноклеточная амеба. И все же у нее есть полностью функционирующие глаза. А еще тонкие крылья – не больше, чем несколько тонких волосков, но их достаточно, чтобы переносить ее тельце через густой воздух, что кажется таковым в столь крохотном масштабе. Слишком маленькая, чтобы иметь сердце, – ее кровь циркулирует только за счет диффузии. Она воспринимает свой мир достаточно хорошо для того, чтобы находить еду, партнеров и хозяев, в яйца которых она откладывает свои. Ее способность понимать мир обеспечивается самым маленьким мозгом, который когда-либо был найден у насекомого и летающего существа. Состоящий всего из 7 400 нервных клеток, он на несколько порядков меньше мозга крупных насекомых. Это удивительная Megaphragma mymaripenne – крошечная оса и третье из самых маленьких известных насекомых.

Сегодня мы не понимаем, как такое малое количество нейронов может обеспечить столь сложное восприятие и контроль. Megaphragma mymaripenne (она изучается настолько редко, что у нее нет даже общепринятого названия, поэтому давайте назовем ее просто осой-малюткой) – это микронасекомое, обладающее возможностями, которыми не может похвастаться ни один робот, но по какой-то причине ее механизм восприятия кажется более простым, чем у современных ИИ.