нее в новинку, она обратилась к человеку, которого называла «мастером глубоких сетей». Крижевский согласился помочь, и за время каникул они вместе создали систему, которая научилась распознавать пешеходов, проанализировав тысячи сделанных на улицах фотографий. Когда компания вновь вернулась к работе после Нового года, они поделились своим новым прототипом с руководителями автомобильного проекта. Он оказался настолько эффективным, что их обоих пригласили в проект Chauffeur, который впоследствии выделился в отдельную дочернюю компанию, переименованную в Waymo. Рабочее место Крижевского в Google Brain в конце концов передали стажеру, потому что сам он в лаборатории почти не показывался, все время проводя в группе Chauffeur.

Инженеры из группы Chauffeur в шутку говорили о нем, что он исподтишка проталкивает свой искусственный интеллект, и очень скоро его методы распространились на все аспекты проекта. С помощью глубокого обучения беспилотный автомобиль Google учился замечать и распознавать на дороге все: дорожные знаки, дорожную разметку, другие транспортные средства. Это были еще цветочки, говорил Крижевский. В течение следующих нескольких лет он и его коллеги внедрили эту технологию во все элементы навигационной системы автомобиля. Используя правильно подобранные данные, глубокое обучение позволяло заблаговременно планировать маршрут и даже предсказывать будущие события. Предшествующие пять лет члены группы потратили на то, что вручную кодировали поведение автомобиля. Теперь они могли создавать системы, которые сами учились правильно вести себя. Вместо того чтобы пытаться объяснять машине, как выглядит пешеход, с помощью поочередно вводимых команд, теперь они могли бы обучить систему за несколько дней, используя тысячи уличных фотографий. Теоретически, если бы разработчики Google имели в своем распоряжении достаточное количество данных – снимков, иллюстрирующих каждый сценарий, с которым автомобиль может столкнуться на дороге, – и ввели всю эту информацию в гигантскую нейронную сеть, эта единая система могла бы управлять всеми элементами движения автомобиля. И хотя до этого светлого будущего нас отделяли еще долгие годы – в лучшем случае, – именно в эту сторону повернулась компания Google в 2014 году.

Этот момент знаменовал начало глобальных перемен в мировоззрении компании. Под влиянием идеи обучения нейронных сетей теперь менялся общий подход Google к развитию новых технологии в масштабе всей продолжавшей стремительно расти – как в физическом мире, так и в виртуальном – империи Google. С помощью тех сорока тысяч графических процессоров – а вскоре их стало еще больше – глубокое обучение проникло во все аспекты деятельности компании: от приложения Google Photos, где эта технология позволяла мгновенно обнаруживать нужные объекты в море изображений, до почтового сервиса Gmail, где она помогала предсказать слово, которое вы собирались ввести. Это также хорошо смазало колеса системы онлайн-рекламы AdWords, которая обеспечивала большую часть годового дохода компании в размере 56 миллиардов долларов189. Анализируя данные, показывающие, на какие объявления люди реагировали в прошлом, технология глубокого обучения помогала предсказать, на что они будут реагировать – «кликать» – в будущем. Больше кликов – больше денег. Google тратила сотни миллионов долларов на покупку графических процессоров – и еще миллионы на оплату труда исследователей, – но эти затраты уже начали приносить отдачу.

В скором времени даже Амит Сингхал, глава Google Search, который так яростно сопротивлялся глубокому обучению, когда к нему обратились Эндрю Ын и Себастьян Трун в 2011 году, признал, что интернет-технологии меняются. У него и его инженеров не было другого выбора, кроме как отказаться от жесткого контроля над методами построения их поисковой системы. В 2015 году они представили систему под названием RankBrain190, которая использовала нейронные сети для выбора результатов поиска. Она помогала направлять примерно 15 процентов поисковых запросов191 и в целом с большей точностью предсказывала, на что люди будут «кликать», чем даже самые опытные инженеры. Несколько месяцев спустя Сингхал покинул компанию192, обвиненный в сексуальных домогательствах, и на посту главы Google Search его сменил193 глава подразделения искусственного интеллекта Джон Джаннандреа.

В Лондоне Демис Хассабис вскоре показал194, что созданная DeepMind система позволила снизить энергопотребление сети Google’овских дата-центров, используя те же самые методы, которые лаборатория использовала, когда обучала нейронную сеть играть в Breakout. Эта система самостоятельно решала, когда включать195 охлаждающие вентиляторы внутри отдельных компьютерных серверов и когда их выключать, когда открывать окна центра обработки данных для дополнительного охлаждения и когда закрывать их, когда требуется использовать системы водяного охлаждения, а когда серверы могут обойтись без них. По словам Хассабиса, центры обработки данных Google настолько велики196, а технология DeepMind настолько эффективна, что это уже позволило сэкономить компании сотни миллионов долларов. Другими словами, стоимость приобретения DeepMind уже окупилась.

Совокупная мощность кластера графических процессоров Google была так велика, что позволяла компании экспериментировать с множеством различных технологий в огромных масштабах. Построение нейронной сети было делом проб и ошибок, и, имея в своем распоряжении десятки тысяч графических процессоров, разработчики могли исследовать больше возможностей за меньшее время. Примерно то же самое происходило и в других компаниях, что стимулировало научно-исследовательский процесс в целом. Заработав 130 миллионов долларов на графических процессорах, проданных Google, компания Nvidia сама увлеклась идеей глубокого обучения и в скором времени уже не просто продавала чипы для исследований ИИ другим компаниям, но проводила собственные исследования, как в области распознавания изображений, так и в сфере создания беспилотных автомобилей, надеясь в еще большей мере увеличить рынок сбыта для своих видеокарт. Возглавляемые Эндрю Ыном ученые из Baidu занимались всем подряд – от новых систем таргетированной рекламы до технологий, позволяющих предсказывать моменты, когда в центрах обработки данных требуется замена жестких дисков, которые вот-вот исчерпают свой ресурс и выйдут из строя. Но самым большим изменением стало появление виртуальных голосовых помощников. Эти сервисы не просто принимают ключевые слова, набранные в браузере, и отвечают ссылками на интернет-сайты, как это делают поисковые системы. Они выслушивают ваши вопросы и команды и отвечают на них вслух, словно человек. После того как Google переделал систему распознавания речи для телефонов на базе Android, затмив возможности Apple’овской Siri, эта технология распространилась по всей отрасли. В 2014 году компания Amazon представила голосового помощника Alexa, перенеся эту технологию из телефонов на журнальный столик в гостиной, и остальные участники рынка быстро последовали за ней. Технология Google, получившая название Google Assistant, работает как в телефонах, так и на журнальных столиках. Своих собственных голосовых помощников создали также Baidu, Microsoft и даже Facebook.

Все эти продукты, услуги и идеи распространялись все шире, и, поскольку маркетинговые подразделения этих и многих других технологических компаний рекламировали их с привычной гиперболизацией, «искусственный интеллект» стал одним из