же, как на настоящем самолете. Модели ограничивают, вместо того чтобы давать возможность совершить абсолютно любое действие, – и именно потому они реалистичны. Таким образом наше внимание сосредотачивается на ограниченном числе входных воздействий и потенциальных реакций системы. За счет концентрации на том, что представляется самым важным, совершенствуются летные навыки и повышается качество принимаемых летчиками решений.

Ключевое слово здесь «представляется». Подобная концентрация не лишена недостатков. Авиатренажер – модель самолета, а не реальная машина, подобно тому, как карта – не территория. Она сосредоточена на определенных аспектах самолетовождения и в силу этого игнорирует остальные. В простейших тренажерах, например, не предусмотрены другие самолеты, и поэтому они не могут подготовить пилота к полетам в районах с интенсивным воздушным движением, например, над Нью-Йорком. Для этого требуются более сложные системы, где подобные ограничения реализованы.

Модели, которые полностью материальны, еще более ограничены, чем авиатренажеры. Менять их можно даже в меньшей степени, чем реализованные программно, и поскольку носят они физический характер, в них подчеркнуты жесткие, нерушимые ограничения. Как и все модели, они предназначены для того, чтобы помочь уму сконцентрироваться на самом важном, необходимом. Исключенное из модели так же важно, как и включенное.

Примером может служить не слишком известный исторический эпизод. В 1952 году на ядерном реакторе в Онтарио, Канада, резко возросла выделяющаяся энергия, топливные стержни перегрелись, произошло частичное расплавление активной зоны. Реактор находился в нескольких часах езды на машине от границы штата Нью-Йорк и производил плутоний для американского оружия. Именно поэтому была приглашена группа специалистов из программы атомных подводных лодок Военно-морского флота США, чтобы устранить проблему быстро и тихо. Возглавлял группу 28-летний лейтенант Джимми Картер, впоследствии – 39-й президент Соединенных Штатов Америки.

Чтобы стабилизировать реактор, нужно было глубоко погрузиться в него. При этом уровень радиации был столь высок, что каждый раз можно было находиться в активной зоне не более 90 секунд. Поэтому группа построила на расположенном поблизости теннисном корте модель реактора и использовала ее для тренировок. «Когда наступало время работать, наша группа из трех человек несколько раз практиковались на модели, чтобы быть уверенными: мы взяли именно те инструменты, что нужно, и знаем, как их использовать», – писал Картер об этом задании.

«Наконец, одетые в белые защитные костюмы, мы спускались в реактор и как сумасшедшие работали в течение отведенного нам времени, – объяснял он. – Каждый раз, когда одному из нас удавалось снять болт или трубку в активной зоне, аналогичный элемент убирался и из модели». Модель не была точной копией реактора – все, что нам требовалось, это ее основные черты, чтобы практиковаться и выстраивать в уме картину того, что предстоит сделать.

Подобным же образом, только куда осторожнее, моделями начинает пользоваться и здравоохранение. В рамках программы имитационного моделирования в педиатрии, которая проводится Детской больницей Бостона и Гарвардской медицинской школой, доктор Питер Вайншток хочет привнести концепцию использования моделей в хирургию, особенно в случае редких или сложных операций. Таким образом Вайншток и его группа, включающая в себя докторов, медсестер, компьютерных дизайнеров и даже специалистов по спецэффектам из Голливуда, создала манекены, точные с биологической и анатомической точки зрения.

Благодаря им у хирургов появляется возможность десятки раз попрактиковаться в реалистичной обстановке, прежде чем приступить к работе на живом человеке, где шанса на ошибку не будет. «Оперируем дважды, режем единожды» – вот неофициальный девиз программы, придуманный Вайнштоком. Полезными и сама модель, и имитация операций оказываются именно благодаря ограничениям. Не воспроизводятся ни тело полностью, ни все физиологические и биологические состояния и реакции, – только те, которые хирургической бригаде важно четко представлять перед настоящей операцией. Гениальность системы заключается не только в том, что в нее включено, но и в том, что исключено. Ее сила – в концентрации.

Открывать возможности, а не ставить барьеры

Отталкиваясь от подходящих ограничений, люди способны определять практически оправданные варианты решений. Это полезно для нас как личностей, но выгода достигается и на уровне общества в целом. Чем эффективнее мы определяем варианты для выбора, достигаем своих целей и влияем на мир в целом, тем больше меняется реальность для других. Например, Томас Эдисон не просто нашел подходящий материал для электрической лампочки, чтобы обеспечить свет себе самому: от его успеха выиграло все общество. Чем активнее люди устанавливают разумные ограничения для своих фреймов, тем лучше нам всем.

Фреймы дают нам возможность понять (благодаря каузальным рассуждениям), действовать (благодаря контрфактическим предположениям), а кроме того, гарантируют, что действия будут значимыми (благодаря ограничениям). Беря мечту в рамки ограничений, мы тем самым делаем акцент на результате, на эффективности. То, чего мы достигаем в своей жизни, оставляет следы, по которым могут пройти другие, – фреймы, которые они смогут принять, приспособить, применить.

В отношении решений, выработанных машиной, это неверно. Мы уже видели, что машины неспособны принимать во внимание причинно-следственные связи и придумывать варианты решения задачи. Кроме того, они не умеют создавать ограничения. Алгоритмы не умеют устанавливать пределы и ограничения сами по себе. На самом деле, это удивительно. В конце концов, принимая во внимание огромную вычислительную мощность, доступную человечеству, за один и тот же промежуток времени машины способны обработать значительно большее пространство решений, причем куда эффективнее и быстрее людей.

Но проблема не в недостатке вычислительной мощности или способности ИИ механически генерировать возможные варианты. Она в том, что еще большее количество вариантов потребует граничных условий и путей перебора, которые ради экономии времени следует отсекать, не рассматривать. Без таких граничных условий машина оказывается перед лицом неограниченного пространства решений и не может прийти к оптимальному решению в отведенное время. Тот факт, что люди и их фрейминг способны справляться с подобными трудностями, подчеркивает превосходство людей в машинную эпоху.

Возьмите для примера музыку. На протяжении десятилетий ученые пытались научить компьютеры писать ее, и в последние годы сгенерированная ИИ музыка стала столь хороша, что зачастую ее невозможно отличить от мелодий, написанных человеком. Но при более тщательном рассмотрении оказывается, что эти системы зависят от человеческих фреймов и ограничений, которые те накладывают. Например, система машинного обучения Coconet, разработанная Чен-Чжи Анной Хуан и другими учеными из Google, обучалась на наборе данных, включающем в себя 306 гармоний из четырехголосных хоралов Иоганна Себастьяна Баха.

Coconet создает музыку, прекрасную на человеческий вкус. Но благодарить за это следует не ИИ, а Баха. Краткость его мелодических линий и богатые гармонии оказались идеальными для использования в качестве учебных данных. Принцип работы системы основан на случайном удалении нот с тем, чтобы модель предсказывала, какие тона подойдут лучше всего. В результате получаются полные гармонические мелодии с плавными переходами, и при этом исходными данными служат всего несколько нот. Тем не менее ИИ работает только