Участникам конференции практически сразу удалось определить направление исследований и согласовать многие математические модели, связанные с концепцией искусственного интеллекта, что послужило источником вдохновения на следующие несколько десятилетий. Так, Минский вместе с Сеймуром Пейпертом написали фундаментальную монографию о сфере применения нейронных сетей и их ограничениях, описав работу искусственного интеллекта с помощью модели биологического нейрона. Именно к этой конференции восходят многие разработки, в частности экспертные системы, обработка естественного языка, компьютерное зрение и мобильные роботы.

Одним из участников конференции был Артур Сэмюэл, инженер из компании IBM, разрабатывавший компьютерную программу для игры в шашки. Его программа должна была оценивать текущее расположение шашек на доске и вычислять вероятность победы. В 1959 году Сэмюэл предложил термин «машинное обучение»: это дисциплина, изучающая, как компьютеры могут усваивать информацию, которая в них исходно не была запрограммирована. В 1961 году его самообучающейся программе удалось обыграть четвертого по силе шашиста в США. Однако поскольку Сэмюэл был человеком скромным и саморекламой не занимался, его работы по машинному обучению получили более широкое признание лишь после его ухода из IBM в 1966 году[28].

Десятилетиями машинное обучение оставалось в тени, всеобщее внимание было приковано к другим видам искусственного интеллекта. В 1970–1980-е годы исследователи сосредоточились на концепции интеллекта, основанной на символьных вычислениях и логических правилах. Однако в те годы такие формальные системы не нашли практического применения, и неудачи способствовали приходу «первой зимы» искусственного интеллекта.

Интеграция с методами статистики и теории вероятности в 1990-е годы привела к расцвету машинного обучения. Одновременно широчайшее распространение получили персональные компьютеры. В течение следующего десятилетия цифровые системы, датчики, интернет и мобильные телефоны прочно вошли в нашу жизнь, предоставив в распоряжение специалистов по машинному обучению любые виды информации для «тренировки» адаптивных систем.

Сегодня прикладное машинное обучение понимается как создание моделей на основе множеств данных, которые инженеры и специалисты используют для обучения системы. Машинное обучение принципиально отличается от традиционного программирования. Стандартный алгоритм содержит определенную последовательность операций, жестко заданную программными инструкциями или программным кодом. Система машинного обучения может «учиться» в процессе функционирования. Обработав каждый новый набор данных, она обновляет свое «видение» мира. Сегодня, когда машины могут учиться и корректировать свои действия на основе полученных данных, программист напоминает не столько дрессировщика и ментора, сколько педагога и тренера.

В настоящее время повсеместно применяются системы искусственного интеллекта, работающие на основе машинного обучения. В банках они используются для выявления мошенничества, на сайтах знакомств — для подбора потенциальных партнеров, маркетологи с их помощью прогнозируют реакцию целевой аудитории на рекламу, а на сайтах для хранения и обмена фотографиями машинное обучение применяется для автоматического распознавания лиц. Мы проделали долгий путь со времен той игры в шашки. В 2016 году программа AlphaGo от Google продемонстрировала прогресс машинного обучения: компьютер обыграл чемпиона мира по игре в го, гораздо более сложной, чем шахматы или шашки. Характерно, что некоторые ходы AlphaGo оказались столь неожиданными, что наблюдатели сочли их изобретательными и даже «красивыми»[29].

На протяжении десятилетий искусственный интеллект и машинное обучение развивались нелинейно, но их проникновение в продукты и бизнес-процессы за последнее время очевидно указывает на их звездный час. По мнению Дэнни Лэнга, бывшего руководителя отдела по машинному обучению в компании Uber, эта технология наконец-то вырвалась из исследовательских лабораторий и быстро становится «ключевым элементом трансформации бизнеса»[30].