Любой из нас в ближайшем будущем может стать клиентом того или иного робота или даже возьмет его в качестве помощника по дому[12]. К 2030 году вероятность этого возрастет. В первую очередь всеобщая роботизация станет прогрессировать в странах, подобных Японии, где население стареет и его численность сокращается, и новое поколение роботов станет помощниками тем людям, которым семья и друзья не могут регулярно помогать вследствие высокой занятости. Домашние роботы смогут выполнять набор базовых услуг, таких как сухая и влажная уборка, оплата счетов, а также ежедневно автоматически заказывать то, что вам может потребоваться, – еду, лекарства и многое другое.
Какая квалификация будет необходима человеку, чтобы сохранить карьеру?
На протяжении веков человеческая изобретательность создавала инструменты, которые увеличивали или преобразовывали мышечную силу человека – каменный топор, колесо, прядильный станок и пр. Характерное для современности создание и использование машин, увеличивающих или преобразующих интеллектуальную силу человека, более прогрессивно и при этом значительно труднее для понимания. Достижения в области искусственного интеллекта вывели технологии в сферу когнитивных процессов, которая традиционно была прерогативой людей.
Умные машины, на самом деле, уже не настолько молоды. Так называемая VisiCalc – первая полностью рабочая версия широко распространенных в настоящее время компьютерных таблиц, была запущена еще в 1979 году. Она заменила собой бумажные таблицы – большие листы бумаги 11×17 дюймов, на которых служащие размещали ряды и столбцы чисел – а это весьма долгий и тяжелый процесс, требующий массы внимания и все равно подверженный человеческим ошибкам. Впрочем, с 1979 года многое изменилось: главное, что современные поколения интеллектуальных машин делают расчеты по своим собственным принципам для достижения более сложных и комплексных целей, а не просто следуют на каждом шагу заранее определенным алгоритмам.
Этот переход достигнут благодаря использованию широко распространенного ныне метода – машинного обучения (англ. machine learning), который вместо последовательности чисто вычислительных алгоритмов, основанных на операторах if – then (если – то) использует так называемые «нейронные сети»[13] (англ. neural networks). Машинное обучение подразумевает, что машины могут находить собственные решения тех или иных задач, опираясь на обучающие данные, и адаптироваться к меняющимся обстоятельствам (точнее, к различным наборам обучающих данных). При этом искусственный интеллект имитирует некоторые операции человеческого мозга – но делает это быстрее. Повсеместное внедрение машинного обучения в полной мере соответствует описанному выше набору из четырех законов, которые, вместе взятые, описывают ускорение передачи и обработки больших объемов информации.
Рассмотрим, например, программу AlphaGo, которая в 2017 году победила китайца Ли Седола – 18-кратного чемпиона мира в игре го. Игровая система AlphaGo была создана британской компанией DeepMind, специализирующейся на создании систем искусственного интеллекта, а корпорация Google купила ее в 2014 году. Исходно были созданы три разные версии AlphaGo: Lee, Master и Zero[14]. Версии Lee и Master обучались (в разной степени) комплексным образом – основываясь на правилах игры, информации о партиях, сыгранных ранее лучшими игроками, учебниках, написанных для людей, и инструкциях, созданных экспертами по го. В отличие от первых версий, версия Zero получила лишь полную информацию о правилах игры и указание сыграть самой против себя как можно большее число раз, чтобы разработать собственные игровые стратегии без использования предыдущих знаний. Другими словами, AlphaGo Zero стала сама себе и учителем, и тренером, и спарринг-партнером.
За 40 дней AlphaGo Zero сыграла 29 миллионов игр и создала базу данных по игровым ситуациям, равной которой никто из игроков-людей никогда не имел. За четыре дня Zero научилась обыгрывать версию AlphaGo Lee, а спустя 34 дня она победила и версию AlphaGo Master.
Поразительно, что AlphaGo Zero смогла разработать стратегии, качественно отличающиеся от тех, которые используются людьми, играющими в го. Создатели новой системы описывали это так: «В течение нескольких дней, начав фактически с чистого листа, AlphaGo Zero смогла самостоятельно открыть для себя большую часть знаний об игре го вместе с новаторскими стратегиями, которые заставляют нас изменить традиционные представления об этой древнейшей из игр».
14
D. Silver, J. Schrittwieser, K. Simonyan, I. Antonoglou, A. Huang, A. Guez, T. Hubert, L. Bakter, M. Lai, A. Bolton, Y. Chen, T. Lillicrap, F. Hui, L. Sifre, G. vanden Driessche, T. Graepel, D. Hassabis, «Mastering the game of Go without human knowledge», Nature, 19 October 2017, Vol. 550, 354-549.