данных с возможностью поиска по научным статьям, связанным с пандемией коронавируса[118]. Она позволяет ученым и медицинским учреждениям быстро находить ответы на конкретные вопросы из самых разных областей научных исследований, включая биохимию вируса, эпидемиологические модели и лечение заболевания. По состоянию на апрель 2021 года база данных включала более 280 000 научных статей и активно использовалась учеными и врачами[119].

Подобные инициативы имеют колоссальный потенциал превращения в инструменты ускорения генерирования новых идей. Однако эта технология пока находится в зачаточном состоянии, и для реального прогресса придется преодолеть еще не одно препятствие и создать более универсальный машинный интеллект — в эту тему мы углубимся в главе 5. Легко представить по-настоящему эффективную систему в роли интеллектуального ассистента ученых в исследованиях, способного поддерживать полноценный диалог, играть с идеями и активно подсказывать новые направления научных изысканий.

В то же время я считаю важным сохранять взвешенный и реалистичный взгляд на наши потенциальные возможности. Ничто из вышесказанного не означает, что искусственный интеллект гарантирует бурное появление инноваций или стабильное достижение результатов за все более короткое время. В конце концов, суть науки — экспериментирование, а на постановку эксперимента и оценку его результатов требуется время. В некоторых случаях применение научного метода действительно можно ускорить, например благодаря использованию лабораторных роботов или даже быстрому проведению некоторых экспериментов в компьютерной модели.

Однако в таких областях, как медицина и биология, многие эксперименты должны ставиться на живых организмах, и в этом отношении возможность резкого ускорения процесса весьма ограниченна. Поиск вакцин от COVID-19 ярко высветил этот факт. Ученые смогли разработать формулы вероятных вакцин за считаные недели после получения генетического кода вируса. Долгое ожидание пригодных для использования вакцин почти полностью объяснялось необходимостью их масштабных испытаний как на животных, так и на людях, а также наращивания мощностей для производства в необходимых масштабах. Даже если бы у нас имелся по-настоящему совершенный, как в научной фантастике, искусственный интеллект, это не гарантировало бы существенного ускорения появления вакцины. В этом и заключается одна из причин моего скептического отношения к заявлениям Курцвейла о том, что искусственный интеллект скоро приведет к радикальному увеличению продолжительности жизни человека. Даже если ИИ действительно поможет выдвинуть плодотворные новые идеи в этой области, как мы протестируем созданные на их основе решения на безопасность и эффективность, не дожидаясь однозначных результатов долгие годы или даже десятилетия? Безусловно, есть немало возможностей реформировать систему регулирования и упростить одобрение новых лекарств и методов лечения, но в конечном счете даже самым умным и изобретательным ученым приходится ждать получения результатов экспериментов, подтверждающих верность их идей.

В этой главе я хотел дать краткий обзор самых интересных и значимых применений искусственного интеллекта, а также обозначить те области, в которых ИИ может оказаться прорывной технологией в ближайшем будущем, и те, где нам придется ждать этого дольше. Предложенный список никоим образом не является исчерпывающим. Постепенно искусственный интеллект затронет и преобразует практически все.

Утверждение, что искусственный интеллект быстро превращается в ресурс, подобный электричеству, подчеркивает масштабность и революционность этой технологии. Однако по сравнению с электричеством ИИ намного сложнее и динамичнее, он будет непрерывно совершенствоваться, открывая практически бесконечное число постоянно меняющихся возможностей. Чтобы понять подлинный потенциал этого нового ресурса, нужно углубиться в научные основы и в историю создания искусственного интеллекта и узнать, как развивается эта область и какие трудности ее ожидают, а также познакомиться с конкурирующими идеями, которые формируют технологию по мере ее развития. Это и будут темы двух следующих глав.

Глава 4

В поисках путей создания интеллектуальных машин

Премию Тьюринга называют нобелевской в области информационных технологий. Она носит имя легендарного математика и ученого Алана Тьюринга и ежегодно присуждается Ассоциацией по вычислительной технике людям, посвятившим себя развитию этой области. Как и в случае Нобелевской премии, присуждение премии Тьюринга сопровождается выплатой $1 млн, выделяемого, главным образом, Google.

В июне 2019 года лауреатами премии Тьюринга за 2018 год стали трое: Джеффри Хинтон, Ян Лекун и Йошуа Бенджио — за вклад в разработку глубоких нейронных сетей. Эта технология, которую также называют глубоким обучением, за последнее десятилетие трансформировала сферу искусственного интеллекта и обусловила технический прогресс, который еще недавно показался бы научной фантастикой.

Водители автомобилей Tesla регулярно доверяются автопилоту при движении по автомагистралям. Google Translate мгновенно выдает читабельный текст даже при переводе с редких языков, о которых слышали лишь немногие из нас, а Microsoft продемонстрировала синхронный машинный перевод с китайского на английский. Дети растут в мире, где общение с Alexa от Amazon — обычное дело, и родители беспокоятся, благотворно ли такое общение. Все эти достижения — и множество других — возможны благодаря глубоким нейронным сетям.

Идея, лежащая в основе глубокого обучения, известна уже не одно десятилетие. В конце 1950-х годов Фрэнк Розенблатт, психолог Корнеллского университета, придумал «перцептрон» — электронное устройство, действующее на принципах, аналогичных функционированию нейронов головного мозга. Розенблатт показал, что простые сети из перцептронов можно научить решать задачи, связанные с распознаванием образов, например цифр.

Работа Розенблатта по нейронным сетям была встречена с энтузиазмом, но, поскольку существенного прогресса добиться не удалось, этот метод был со временем отодвинут на задний план. Лишь маленькая группа исследователей, включавшая в том числе трех лауреатов премии Тьюринга 2018 года, продолжала заниматься нейронными сетями. Специалисты по компьютерным наукам привыкли считать эту технологию маргинальным направлением исследований и почти верным способом похоронить свою карьеру.

Все изменилось в 2012 году, когда команда из исследовательской лаборатории Джеффа Хинтона в Торонтском университете приняла участие в ImageNet Large Scale Visual Recognition Challenge. На этом ежегодном конкурсе группы из множества ведущих мировых университетов и корпораций демонстрируют возможности создания алгоритма, способного правильно распознавать изображения из огромной базы фотографий. Если другие участники пользовались традиционными методами программирования, то команда Хинтона развернула нейронную сеть, обученную на тысячах изображений-образцов. Разработка группы из Торонтского университета произвела ошеломляющее впечатление, и весь мир неожиданно узнал о возможностях глубокого обучения.

В последующие годы практически все крупные технологические компании вкладывали огромные средства в глубокое обучение. Google, Facebook, Amazon и Microsoft, а также китайские ИТ-гиганты Baidu, Tencent и Alibaba сделали нейронные сети основой своих продуктов, деятельности и бизнес-моделей. Сфера производства компьютерной техники также переживает трансформацию, и такие компании, как NVIDIA и Intel, конкурируют в области создания чипов, оптимизирующих работу нейронных сетей. Заработки специалистов по глубокому обучению исчисляются семизначными числами, а сами они превратились в подобие звезд профессионального спорта, поскольку компании конкурируют за ограниченное количество экспертов.

Хотя прогресс в создании искусственного