М. Ф.: То есть вы верите, что новые рабочие места компенсируют исчезновение старых?

Д. Р.: К сожалению, поводы для беспокойства тоже есть. Один из них – качество рабочих мест. Иногда внедрение технологии снижает требования к специалистам. Например, раньше таксистам требовались хорошая память и умение ориентироваться в пространстве. С появлением GPS нужда в этих навыках отпала. Профессия таксиста стала доступна большему количеству людей, что негативно отразилось на размере заработной платы. Во-вторых, непонятно, смогут ли люди пройти обучение, для того чтобы занять хорошо оплачиваемые рабочие места, появившиеся в результате развития технологий. Вы не представляете, сколько раз в день я слышу: «Нам нужны ваши студенты». Специалисты по машинному обучению и ИИ крайне востребованны. В итоге с одной стороны, есть много рабочих мест, а с другой – множество людей ищет работу. Поэтому нужны программы переподготовки.

Я твердо верю в то, что переобучиться может любой. Мой любимый пример – запущенный пару лет назад в Кентукки проект BitSource. Эта компания занимается перепрофилированием шахтеров, потерявших работу из-за закрытия неприбыльных шахт. Многие уже получили гораздо лучшую, более безопасную и более приятную работу. Это пример, который наглядно демонстрирует, что правильные программы и правильная поддержка могут реально помочь людям в переходный период.

М. Ф.: Вы говорите только о перепрофилировании или считаете, что нужно коренным образом менять всю систему образования?

Д. Р.: В XX в. грамотным считался человек, который умел читать, писать и знал арифметику. В XXI в. это определение нужно расширить, добавив навыки работы с компьютером. Если в школах начнут обучать созданию вещей с помощью программирования, возможности учеников вырастут.

Кроме того, нужно поменять отношение к обучению. Сегодня большинство сначала учится, а в какой-то момент начинает работать. Мне кажется, что с развитием технологий более правильным окажется параллельный подход. Человек всегда должен быть готовым к приобретению новых навыков и их применению в процессе обучения.

М. Ф.: В некоторых странах ИИ становится стратегическим направлением. Они принимают четкую промышленную политику, ориентированную на робототехнику и ИИ. В частности, активно инвестирует в эту область Китай. Не рискуем ли мы проиграть в этой гонке?

Д. Р.: Мне нравится то, что происходит в сфере ИИ по всему миру. Огромные инвестиции в эту сферу делают Китай, Канада, Франция, Великобритания и десятки других стран. Многие связывают с ИИ свое будущее, и я думаю, что США следует поступить так же. Нужно разглядеть потенциал, который несет ИИ, и увеличить поддержку и финансирование этой сферы.

Джеймс Маника

“Кто-то должен регулировать ИИ. Главное – не останавливать его использование, не закрывать ящик Пандоры и не откладывать применение новых технологий, пытаясь повернуть время вспять".

Cтарший партнер в MCKINSEY & Company и председатель MGI, член команды AIIndex.org, сотрудник DeepMind, научный сотрудник Initiative on the Digital Economy в MIT

Автор книг и статей Джеймс Маника принимает участие в организованной Стэнфордским университетом программе 100-летнего исследования ИИ. Член Совета Оксфордского института интернета, Совета по международным отношениям, Совета консультантов по цифровой экономике, Национального консультативного совета по инновациям, фонда Макартуров, фонда Хьюлетта и организации Markle Foundation. В 2012–2016 гг. занимал пост заместителя председателя Совета по глобальному развитию при Белом доме.

Мартин Форд: Как возник ваш интерес к робототехнике и ИИ?

Джеймс Маника: Наука всегда вдохновляла меня, отчасти потому, что мой отец был первым чернокожим из Родезии, получившим стипендию по программе Фулбрайта. Приехав в США в начале 1960-х гг., он посетил NASA и увидел с мыса Канаверал, как ракеты взлетают в небо. После возвращения отец много рассказывал о науке, космосе и технологиях. Я стал создавать модели самолетов и машин из всего, что попадалось под руку.

Когда я поступил в университет, Зимбабве уже была независимой. Я получил степень бакалавра в области электротехники с уклоном в математику и computer science. Именно тогда приглашенный исследователь из Университета Торонто привлек меня к проекту по нейронным сетям. Я узнал о методе обратного распространения Румельхарта и использовании сигмоид в качестве функций активации.

Я очень старался и в результате получил стипендию Родса для поступления в Оксфордский университет. Там я работал в Исследовательской группе по программированию под руководством Энтони Хоара – изобретателя алгоритма сортировки. Магистерскую диссертацию по математике я защищал на материале алгоритмов. От идеи стать космонавтом я отказался, но думал, что работа в сфере робототехники и ИИ приближает меня к науке о космосе.

Я попал в Исследовательскую группу по робототехнике в Оксфорде, где фактически велась работа над ИИ, но в то время этот термин воспринимался негативно. Был конец так называемой «зимы ИИ» после неоправданных ожиданий. Наша деятельность называлась как угодно – машинное восприятие, машинное обучение, робототехника или просто нейронные сети. Сейчас ситуация ровно противоположная. Все хотят добавить термин ИИ в описание своей работы.

М. Ф.: Когда все это происходило?

Д. М.: Работу над докторской диссертацией я начал в 1991 г. и вместе с Эндрю Блейком и Лайонелом Тарасенко работал над нейронными сетями. Майкл Брэйди, теперь сэр Майкл, работал над машинным зрением. Моим руководителем стал Хью Даррант-Уайт, работавший над распределенным ИИ и роботизированными системами. Вместе мы создали несколько автономных транспортных средств и написали об этом книгу.

Мне довелось сотрудничать с командой Лаборатории реактивных двигателей NASA, работавшей над марсоходом. Их интересовали системы машинного восприятия. Космические впечатления!

М. Ф.: Написанный вами код на самом деле используется на марсоходе?

Д. М.: Да. Я работал с группой Man Machine Systems в Лаборатории реактивного движения в Пасадине, штат Калифорния, как один из приглашенных ученых, разрабатывавших алгоритмы машинного восприятия и навигации. Некоторые из этих алгоритмов сейчас применяются в модульных и автономных системах транспортных средств и не только.

Именно в этот период зародился мой интерес к ИИ. Я обнаружил, насколько увлекательна такая вещь, как машинное восприятие. Мы разрабатывали алгоритмы машинного обучения для распределенных и многоагентных систем. Эти алгоритмы должны были понимать окружающую среду и автономно создавать ее модели, даже если никогда не видели этой среды раньше, обучаться по ходу дела.