Будущее интеллекта

“Через 3-8 лет у нас будет машина с общим интеллектом обычного человека.”

– Марвин Мински, Life Magazine (1970 г.)

Как и многие прогнозы развития в области технологий, прогнозы Мински оказались слишком преждевременными. Примеры удвоения из главы 4 показывают, что влияние экспоненциального роста на ранних этапах удвоения так же легко переоценить, как и недооценить его на более поздних этапах. До недавнего времени потенциал искусственного интеллекта превосходил фактические достижения. Хотя Мински ошибся в выборе времени, сама его идея оказалась верной. Сегодня искусственный интеллект уже формирует наше будущее и вскоре проникнет во многие другие сферы. Но, возможно, это произойдёт не так, как это представляют некоторые ведущие мыслители.

Влияние искусственного интеллекта #

В конце 2018 года меня пригласили на конференцию Creative Destruction Lab, посвящённую машинному обучению и рынку ИИ в Школе менеджмента Ротман при Университете Торонто. Это – одна из крупнейших в мире конференций по вопросам машинного обучения и ИИ, которую посещают ведущие лидеры этой области. Фактически, многие прорывы в области ИИ были достигнуты канадскими исследователями, которые продолжали работать в этой области даже в период “тёмной зимы” ИИ в 80-х и 90-х годах.

Одним из докладчиков на конференции был Марк Карни, управляющий Банка Англии. Карни объяснил, что ИИ является примером технологии общего назначения, т.е. технологии, которая может повлиять на всю экономику и радикально изменить общество. Он сравнил искусственный интеллект с электрификацией мира в начале 20 века. Банкир подчеркнул, что экономики претерпели значительные изменения из-за того, что электрификация привела к ликвидации множества рабочих мест, вследствие чего рабочий персонал был вынужден переквалифицироваться на новые профессии, которые ранее не существовали. Карни также показал, что по мере усиления электрификации экономики изначально испытывали трудности и теряли рабочие места. Но затем все больше процветали, поскольку новые технологии создавали новые отрасли и множество новых рабочих вакансий для переквалифицировавшихся работников.

Сидя в зале, я не мог избавиться от мысли, что, хотя Карни был прав в своей оценке электричества как технологии общего назначения, аналогичный оптимистичный прогноз относительно ИИ казался скорее его принятием желаемого за действительное, нежели чем-то имеющим высокую вероятность реализации. Приравнивание ИИ к электричеству – неудачный выбор аналогии по ряду важных причин.

Во-первых, электричество не было экспоненциальной технологией. Это был важный прорыв для человечества, однако его эффективность не удваивалась примерно каждые 18 месяцев. Более того, никто никогда не предполагал, что электричество могло бы стать разумным. Электричество было невероятным открытием, ставшим источником развития для многих других отраслей, но оно никогда не было на пути к тому, чтобы стать умнее людей. ИИ не имеет ничего общего с электричеством. Если электричество – это спичка, то ИИ – это солнце.

Это различие несет в себе серьезный риск в том случае, если наше планирование окажется неверным. Если в будущем ИИ создаст намного больше рабочих мест, чем в настоящее время разрушается, тогда потребуется обширная переподготовка населения для получения новых рабочих позиций. Мы также можем ожидать социальные сдвиги, аналогичные тем, что произошли в процессе трансформации экономик в силу электрификации. Это будет непростой период, но после него снова появятся рабочие места, и экономики снова начнут процветать. Многие из используемых ранее политических механизмов, вероятно, снова будут действенными. Но что, если ИИ в будущем не приведет к созданию бóльшего количества рабочих мест? Что, если в ближайшем будущем он не просто заберет существующие рабочие места, а постепенно начнет лишать работы всё больше и больше людей? Решения, которые мы сегодня принимаем в ожидании предстоящего роста количества вакансий могут сделать мир опаснее. Этот рост может быть аналогичен звуковой вспышке, где рабочие места, подобно звуковым волнам, никогда не смогут опередить темпы развития.

Временны́е рамки важны. Возможно, до появления ИИ общего назначения (где машины умнее нас во всех областях) пройдут ещё десятилетия или даже больше, но вопрос не в том, произойдёт ли это, а в том, когда именно он появится. ИИ – это естественное продолжение долгой тенденции роста информации и знаний, тенденции, которая ускоряется с развитием технологий. Его воздействие будет значительным, намного более значимым, чем всё, что мы видели ранее.

Искусственный интеллект часто путают со сверхинтеллектом. Но в настоящее время бóльшая часть успеха в области ИИ связана с машинным обучением или “узким” искусственным интеллектом, а не с ИИ общего назначения. Тот же ИИ, который превосходит человека в шахматах, в то же время не способен обобщить свои навыки и сыграть в Jeopardy! (аналог игры “Своя игра” – прим. пер.). Проще всего отмахнуться от узконаправленного ИИ и уверенно положиться на наше собственное превосходство. Тем не менее, последствия развития искусственного интеллекта, способного превзойти человека в различных областях, сложно переоценить. Мы только начали замечать его влияние, и он будет стремительно расти и улучшаться во всех отраслях настолько, что в один момент необходимость в нас отпадёт.

Помимо этого, исследователи и предприятия продолжают работать над общим искусственным интеллектом (AGI): интеллектом, который может обобщать и применять знания из одной области в другой. Как далеки мы от достижения общего искусственного интеллекта, где ИИ может быть умнее человека во всех сферах деятельности? Я обратился к Бену Гёрцелю, одному из выдающихся исследователей AGI. Бен посвятил значительную часть своей жизни размышлениям об AGI и работе над его созданием. И согласно его оценке, разработка общего искусственного интеллекта может занять от 5 до 30 лет, в зависимости от приложенных усилий и вложенных ресурсов.

Почти непостижимо, что при нашей жизни, а может быть даже очень скоро, наше долговременное господство в области интеллектуальных достижений будет передано машинам. До недавнего времени такой исход казался научной фантастикой. Но взрывной рост знаний и положительная обратная связь от процесса обучения ускоряются настолько, что нам становится всё сложнее поспевать за изменениями.

Чтобы понять, как компьютеры могут впоследствии превзойти человека, стоит более глубоко изучить наш собственный “интеллект”.

Краткая история интеллекта #

Наш интеллект – наша способность воспринимать и понимать мир вокруг нас – на самом деле полагается на окружающих: на их идеи, изобретения и научные открытия, которые мы в свою очередь используем и развиваем. Без этих знаний и информации бóльшая часть нашего ограниченного времени была бы затрачена на удовлетворение базовых человеческих потребностей. На протяжении всей нашей истории именно коллективный рост знаний был настоящей движущей силой того, что мы называем “интеллектом”.

Как было отмечено в главе 3, наш мозг – не лучшее устройство для хранения информации. Он не запоминает события с точностью до мельчайших деталей. Не ограничиваясь запоминанием лишь определённых фактов из нашей жизни, мы интерпретируем события через призму собственного восприятия и чувств. Наш собственный разум способен запомнить лишь то, что может быть освоено за жизнь. Для преодоления этого ограничения нам потребуется помощь извне.

Представьте, что вы и небольшая группа других людей были изгнаны из своего общества и оказались на отдалённом острове, где вы можете передавать свои знания только посредством устного общения. Книги и письменность недоступны. Вы обладаете всеми имеющимися знаниями, но лишены доступа к инструментам современной жизни. Телефоны, электричество, водопровод… все удобства, которые вы привыкли считать неотъемлемой частью жизни, исчезли. В вашем распоряжении только ваши знания и несколько предметов первой необходимости, и вам придётся постепенно, поколение за поколением, воссоздавать цивилизацию. Сколько пройдет поколений на этом воображаемом острове, где нет ни книг, ни компьютеров, ни чего-либо ещё, прежде чем ваши потомки утратят огромные объемы информации, без которых мы не можем представить себе успешное существование в современном мире и в этих рамках станут считаться “невеждами”? Знания, передаваемые устно, со временем становятся менее достоверными, воспоминания ослабевают, а информация, которая никогда не была упомянута, будет забыта навсегда. У ваших детей будет немного меньше знаний, чем у вас, а у их детей – ещё меньше, и так далее с каждым поколением. Через несколько поколений жизнь сильно изменится, поскольку жители будут уделять внимание основным потребностям выживания и обрядам, способствующим передаче ключевых знаний следующему поколению.

Есть реальные примеры подобного. Сентинельцы, населяющие остров Северный Сентинел в Индийском океане являются одним из самых изолированных племён в мире. Не так давно они привлекли к себе нежелательное внимание после того, как убили миссионера по имени Джон Аллен Чау, который прибыл на их остров. Хотя время от времени они контактировали с чужаками, в 1956 году правительство Индии объявило остров Северный Сентинел племенной резервацией, чтобы защитить их образ жизни. Контакты с внешним миром запрещены. Будучи небольшой и изолированной культурой, отрезанной от остального мира, они имеют ограниченные возможности для накопления сложных знаний, поэтому их образ жизни остаётся неизменным на протяжении многих поколений.

Сегодня в мире существует более 100 изолированных племён, подобных сентинельцам, в основном в густых лесных районах Южной Америки и Индонезии. То небольшое количество информации, которой мы располагаем об этих племенах и их образе жизни, очень напоминает нам доисторических людей, живших сотни тысяч лет назад. На самом деле, примерно за последние 300 000 лет наш мозг практически не изменился.¹ Эти изолированные и доисторические народы могли бы быть такими же, как и мы, и наоборот.

Что же тогда изменилось, что позволило нам добиться такого ошеломляющего интеллектуального прогресса?

Письменность сопровождала нас на протяжении тысячелетий, и это дало возможность тем, кто умел ею пользоваться, расширить свои знания. Но настоящий перелом начался с изобретения Иоганном Гутенбергом подвижных литер и печатного станка в 1439 году. Печатный станок Гутенберга можно рассматривать как одно из важнейших изобретений человечества. Различные формы печати существовали за сотни лет до этого, но они были медленными, дорогостоящими и, следовательно, доступными лишь небольшой части населения. Печатный станок способствовал широкому распространению и сохранению информации, что по сути позволило расширить возможности человеческого разума до книг, из которых информацию можно было извлекать по желанию.

К 1500 году уже было напечатано 20 миллионов книг, и за последующие 100 лет количество книг в обращении, по различным оценкам, достигло от 150 до 200 миллионов.² Это распространение новых идей и рост уровня грамотности стали началом революции в идеях и знаниях. Помимо возможности широкого распространения, это также стимулировало критику и обсуждение идей. Религии использовали печатный станок для распространения своих убеждений, но это также подготовило почву для научно-обоснованного мышления. Авторы могли бы обмениваться своими новыми идеями и просить других проверить, подтвердить или опровергнуть их. Со временем эта возможность привела к развитию научного метода. Хотя такие философы, как Аристотель (384–322 гг. до н. э.) и Ибн аль-Хайсам (965–1040 гг. н. э.), использовали аналогичную логику для описания окружающего мира, сам процесс не был широко признан до конца 19 века.

Создание научного метода не приписывают какому-либо одному человеку. Как и сама наука, он продолжал совершенствоваться благодаря усилиям таких ученых, как Галилей, Бэкон, Декарт и Ньютон. Этот процесс включает в себя:

Наблюдение, включая строгий скептицизм (для противодействия нашим когнитивным предубеждениям); Формулирование гипотезы; Составление прогноза, истинность или ложность которого можно проверить; Эксперименты и тестирования для определения правильности гипотезы.

Этот процесс непрерывно повторяется, позволяя проверять и подтверждать все более и более перспективные гипотезы. Пожалуй, наиболее убедительным в науке и научном методе является то, что они редко когда бывают “достаточно хороши”. Они предназначены для постоянного сбора новых доказательств, подтверждающих ошибочность существующего понимания и его дальнейшей корректировки.

Исправление ошибок является основой всей интеллектуальной деятельности.

Как выразился один из величайших научных философов 20 века, Карл Поппер (1902–1994): “Вся наша эрудиция развивается только за счёт исправления наших ошибок”.³ Некоторые из крупнейших научных революций на самом деле возникают из-за незначительных улучшений уже существующих теорий. Как сказал сэр Исаак Ньютон: “Если я видел дальше других, то потому, что стоял на плечах гигантов”.⁴ Самым значительным “гигантом” для Ньютона был Галилей: труды Ньютона, результатом которых стали три закона движения, были во многом основаны на исследованиях Галилея в области сил.

Печатный станок позволил сохранять информацию и вместе с тем предоставлял возможность исправлять ошибки, делая этот процесс доступным для гораздо более широкой аудитории. Это положило начало Эпохе Просвещения, также известной как Эпоха Разума. Начиная с конца 17 века и вплоть до 18 века происходил переходный период, когда философские и интеллектуальные идеи, такие как наука и логика, начали подрывать доктрины церкви, монархии и устоявшиеся представления о реальности. Французский писатель Вольтер заметил, что “опасно быть правым в вопросах, в которых неправа установленная власть”⁵, но несмотря на это, Вольтер и его современники упорствовали и продолжали свою деятельность. А Благодаря обретённой доступности и сохранности знаний новые идеи имели возможность широко распространяться и укрепляться. Поскольку эти новые идеи подрывали некоторые основы, на которые опиралась установившаяся религия (например, представление о том, что Земля находится в центре Вселенной), другие многолетние доктрины также стали подвергаться сомнению. Это ещё больше ослабило огромное влияние церкви на повседневную жизнь и способствовало распространению научного мышления и активному участию обществ, что стимулировало инновации ещё более быстрыми темпами. В мире, который с каждым днём кажется всё более расколотым, стоит помнить, что интеллектуальные дискуссии с целью нахождения лучших ответов являются основой науки и ключом к значительным прорывам для человечества. Как Карл Поппер неоднократно подчёркивал: “Настоящее невежество проявляется не в отсутствии знаний, а в отказе их приобретать”.⁶

Благодаря возможности сохранять знания и подвергать их постоянному анализу и развитию, способность человечества понимать окружающий нас мир значительно изменилась с точки зрения эволюции за очень короткий промежуток времени. Имейте в виду, что наш мозг практически не изменился за последние 300 000 лет, тогда как печатный станок существует всего около 600 лет.

Подобно экспоненциальному эффекту удвоения центов или увеличения количества зёрен риса на шахматной доске, возможность фиксировать наши мысли в книгах и развивать идеи предшественников позволила нашим знаниям расти в геометрической прогрессии. Сначала это было похоже на медленный и незначительный поток информации. Сейчас наблюдается поток информации и знаний, который трудно оценить и усвоить. Каждую секунду создаётся и передаётся намного больше информации, чем любой из нас мог бы изучить и распространить за всю свою жизнь. С ростом объёма доступной информации возрастает и необходимость её коррекции. Однако такое же экспоненциальное развитие технологий, которое способствует всплеску информации, также позволяет существенно улучшать процесс исправления ошибок. Это подобно вспышке сверхзвуковой скорости, где поток информации и знаний растёт, а наши компьютеры все больше и больше опережают нас в своем развитии.

Начало ИИ #

Попробуйте вообразить себя в первой половине 1800-х годов: кареты с лошадьми, отсутствие телефонов, города до электрификации. Трудно даже представить, что в то время можно было придумать конструкции современных компьютеров, но Чарльз Бэббидж (1791–1871), известный британский учёный, добился именно этого.

Бэббидж обнаружил ошибки при проверке астрономических таблиц, вычисленных вручную, и понял, что проблемы с вычислениями представляют опасность для навигации. Поэтому он предложил решение и создал первый чертёж для механического вычислительного устройства. В 1822 году Бэббидж начал разработку “разностной машины”, которая представляла собой исключительно калькулятор. Хотя машина не была завершена при жизни Бэббиджа, в 2002 году Лондонский музей науки создал две версии разностной машины по оригинальным чертежам Бэббиджа, используя только доступные в его время детали. Каждая машина состоит из 8000 деталей, весит 5 тонн и имеет размеры 3,35 метров в длину и 2,1 метра в высоту.⁷ Позже Бэббидж использовал знания, полученные при разработке разностной машины, чтобы создать прототип аналитической машины. Это был первый проект компьютера общего назначения, обладавший многими функциями современных компьютеров, включая отдельное хранилище данных и центральный процессор, а также области для ввода и вывода данных и инструкций. Он намного опередил своё время, и, опять же, прототипы так и не были завершены при его жизни из-за недостаточного финансирования. Plan28.org – это действующий проект по использованию его разработок для создания аналитической системы, используя только те детали, которые были доступны в его время. Этот проект должен завершиться к 2021 году.

Прогресс в технологиях, включая появление электричества, расширил границы возможного. Исследования в области создания машин, способных мыслить, активно развивались с 1930-х по 1950-е годы. Одним из важных пионеров того времени был английский математик Алан Тьюринг (1912–1954). Наиболее известным достижением Тьюринга стала расшифровка немецкого кода “Энигма” во время Второй мировой войны. Это позволило союзникам читать зашифрованные сообщения нацистов и сыграло ключевую роль в их победе над Германией. Это событие было показано в фильме “Игра в имитацию”. Но он также был одним из первых сторонников идеи о том, что человеческий мозг по большей части представляет собой цифровую вычислительную машину и, следовательно, что компьютеры могут обладать интеллектом. В 1950 году он опубликовал статью под названием “Вычислительные машины и разум”, в которой предложил тест, названный игрой в имитацию, ныне известный как тест Тьюринга. В ходе теста экзаменатор ведет беседу с двумя участниками, один из которых является машиной, а другой – человеком. Тест будет пройден, если экзаменатор не сможет отличить человека от машины, т.е. когда человек не может отличить искусственный интеллект от настоящего.

Примерно в то же время, когда Тьюринг публиковал “Вычислительные машины и разум”, другой выдающийся мыслитель, Клод Шеннон (1916–2001), совершал прорывы, которые сделали возможными многие достижения в области компьютерной техники и искусственного интеллекта, которые мы сейчас считаем само собой разумеющимися. Шеннон был американским математиком и одним из главных архитекторов информационной эпохи. Хотя он и не так широко известен, его открытия могут соперничать с достижениями Альберта Эйнштейна в контексте изменения нашего представления об информации.

Шеннон интересовался тем, как передавать информацию в её самой простой форме и понял, что для этого важно не путать информацию с её значением. Мы редко воспринимаем информацию точно так же, как её намеревался передать отправитель. Вместо этого мы придаём информации свои собственные эмоции и в результате часто искажаем сообщение. Контекст также играет важную роль: например, слово “Amazon” может иметь совершенно разные значения для жителя Сиэтла, где находится штаб-квартира компании Amazon, и для жителя Бразилии, где река Амазонка является сердцем тропического леса, покрывающего 70% территории страны. По мнению Шеннона “Семантические аспекты коммуникации не играют роли в инженерной проблеме. Важным аспектом является то, что фактическое сообщение выбирается из определённого набора возможных сообщений.”⁸ Далее он описал, как информация может быть отправлена ​​с использованием частичных сообщений, которые дают подсказку к исходному. Например, если в сообщении указывается, что число находится в диапазоне от 1 до 100, а следующее сообщение уточняет, что это число нечётное, то вы можете сократить количество возможных значений вдвое.

Шеннон также был первым, кто ввёл понятие энтропии в коммуникацию, и информация в каждом из этих частичных сообщений стала показателем того, насколько она снижает неопределённость для получателя. Тем самым он изобрел единицу измерения информации – бит. В частичных сообщениях один бит информации сокращает количество возможных вариантов для получателя вдвое. Сообщение, которое не уменьшает количество возможных вариантов для получателя, передаёт ноль бит информации. Благодаря теории информации Шеннона впервые появилась возможность количественного измерения информации. Измерение информации и её роста стало таким же простым, как и измерение чего-либо другого, что привело к появлению обработки, хранения и поиска информации.

С появлением компьютеров и технологий хранения данных, которые позволили анализировать большее количество информации, исследования в области искусственного интеллекта начались на семинаре в Дартмутском колледже в 1956 году. Первыми участниками и основателями исследований в области ИИ стали Аллен Ньюэлл, Герберт Саймон, Джон Маккарти, Марвин Мински и Артур Сэмюэл. Их первоначальное исследовательское предложение звучит следующим образом: “Исследование должно основываться на гипотезе, что каждый аспект обучения или любая другая особенность интеллекта в принципе может быть настолько точно описана, что можно создать машину для её имитации. Будет предпринята попытка найти способы, как заставить машины использовать язык, формировать абстракции и концепции, решать задачи, которые сейчас отведены людям, а также совершенствовать себя. Мы считаем, что можно добиться значительного прогресса в решении одной или нескольких из этих проблем, если тщательно отобранная группа учёных будет работать над ними вместе в течение лета.”⁹

Группа добилась первых успехов тем летом, в том числе в игре в шашки, и в начале 1970-х годов финансирование значительно увеличилось по всему миру. Однако темпы инноваций не соответствовали ожиданиям визионеров, и финансирование в США и Великобритании было прекращено, что привело к первому “зимнему периоду” для ИИ. Несмотря на то, что в некоторых областях прогресс всё ещё продолжался, именно увеличение вычислительной мощности компьютеров и цифровизация позволили ИИ в конце 1990-х годов вновь обрести популярность.

Одной из областей, представляющих особый интерес для многих исследователей в сфере ИИ, было изучение работы человеческого мозга. Сам Алан Тьюринг предположил, что кора головного мозга при рождении представляет собой “неорганизованную машину”, которая с помощью “обучения” превращается в организованную “универсальную машину или нечто подобное”.¹⁰ Если мозг учится, как компьютер, то и компьютер может учиться, как мозг. Но был ли Тьюринг прав? Прибегаем ли мы к сокращению вероятностей, дабы достичь осознания? Множество исследований в области поведенческой науки, машинного обучения и психологии предполагают, что ответ – да, наш мозг действительно работает как байесовская вероятностная машина, постоянно формулируя новые прогнозы на основе изменяющейся информации, поступающей от наших органов чувств, и оценивая вероятности исходов.

Что такое байесовская вероятностная машина? Это компьютер, работающий на основе теоремы Байеса, названной в честь Томаса Байеса (1702–1761). Теорема Байеса оценивает вероятность события на основе предшествующей информации. Моя любимая иллюстрация взята из книги Педро Домингоса “Верховный алгоритм”. В ней Домингос описывает человека, который однажды днём ​​просыпается на планете в начале времён, видит, как солнце садится, и задаётся вопросом, взойдёт ли оно снова. Поскольку человек никогда раньше не видел восхода солнца, у него нет оснований верить, что оно взойдёт. Таким образом, два сценария – один с восходом солнца и другой с его отсутствием – одинаково вероятны, каждый с вероятностью, равной половине. С каждым днём, когда солнце встаёт, вероятность его восхода на следующий день возрастает, но никогда не достигает 100%, потому что человек никогда не может быть в чём-то абсолютно уверен. А теперь представьте, что вместо случайного человека в самом начале времён вы, прожив всю жизнь на Земле, телепортировались ночью на неизвестную планету. Другими словами, у вас есть предшествующий опыт и знания. Вы наблюдаете за звёздами на небе и знаете, как работают солнечные системы, поэтому, исходя из своего опыта на Земле, вы могли бы начать с вероятности в 2/3, а не с 50%, что Солнце взойдёт утром, и обновлять эту вероятность по мере необходимости.

С помощью этого байесовского метода вы можете представить себе, что изучаете любую задачу, если у вас есть начальная вероятность и достаточное количество циклов обновлений вероятностей. Подобным образом компьютер способен решать любую задачу при наличии начальной вероятности, достаточного объёма данных и вычислительной мощности для постоянной корректировки этой вероятности – другими словами, исправления ошибок и уточнения гипотезы через последовательные итерации. Это и является интеллектом.

Давайте проверим это, рассмотрев игру Го, самую древнюю настольную игру в мире. Созданная в Китае более 2500 лет назад, игра до сих пор имеет большое количество поклонников, около двадцати миллионов активных игроков и профессиональные лиги. Игра, по некоторым оценкам, имеет до 10^780 степени игровых позиций, т.е. количество игровых позиций настолько велико, что его можно было бы записать как единицу с 780 нулями. До 2014 года даже ведущие исследователи в области ИИ считали, что лучшие игроки продолжат обыгрывать компьютеры ещё долгие годы, из-за сложности игры и того факта, что алгоритмам приходится анализировать каждый ход, что требует огромной вычислительной мощности. Но в 2016 году программа AlphaGo от Google DeepMind обыграла одного из лучших игроков мира, Ли Седоля, что стало историческим событием. AlphaGo использовала метод глубокого обучения, проанализировав тысячи партий, сыгранных любителями и профессионалами. Это событие вошло в историю не только потому, что компьютер впервые победил лучшего игрока Го, но и потому, как он это сделал. Во второй партии и на тридцать седьмом ходу компьютер совершил ход, который противоречил логике, поместив черный камень в середину открытой области, подальше от остальных камней. Ведущие игроки мира сначала отметили этот ход как ошибку ИИ, но затем поняли, что это была вовсе не ошибка. Этот ход оказался довольно блестящим, и AlphaGo продолжила побеждать Седоля в этой игре, завершив матч со счётом 4:1. Позже эксперты отметят, насколько оригинальным был этот ход. Это был первый случай, когда ИИ признали креативным, что всегда считалось прерогативой человека. Всего год спустя, в 2017 году, Google выпустила новую версию под названием AlphaGo Zero, которая обыграла AlphaGo со счётом 100:0.

Эта версия не только была намного мощнее своей предшественницы, но и не требовала никакого обучения на основе человеческих игр. Понимая только правила игры, AlphaGo Zero стала сама себе учителем, проводя миллионы игр против самой себя. Этот процесс глубокого обучения с подкреплением информации позволил ей улучшать свои навыки с каждой партией. Больше не ограниченному человеческими знаниями компьютеру потребовалось всего три дня, чтобы превзойти предыдущие версии AlphaGo, разработанные ведущими исследователями, и с этого момента игра продолжала совершенствоваться. ИИ изучил лучших игроков, затем совершенствовался сам по себе и продолжал двигаться вперёд.

Как это связано с нашим собственным интеллектом? Джеффри Хинтон уже давно пытается понять, как работает наш мозг. Хинтон, “крестный отец глубокого обучения”, – когнитивный психолог и учёный-компьютерщик, который переехал в Канаду из-за продолжающегося финансирования исследований во время второй зимы ИИ в начале 1990-х годов. В настоящее время он разделяет своё время между работой в Google и преподаванием в Университете Торонто. Ранее он основал отдел вычислительной нейробиологии “Гэтсби” в Университетском колледже Лондона с целью “создания нейробиологически реалистичных и вычислительно обоснованных моделей, описывающих процессы вычислений в мозге”.¹¹ Его исследования по многослойным или искусственным нейронным сетям привели к появлению более широкого класса задач, которые машинное обучение могло бы решать более эффективно. Эта работа привела к значительным прорывам во многих областях машинного обучения.

Информация и знания экспоненциально расширяются благодаря накопленному опыту и улучшению технологий. Вскоре, а возможно, уже сейчас эти темпы роста станут слишком высокими для нашего восприятия. Наши машины будут постоянно опережать нас в развитии. В таком случае, кто в итоге будет господствовать?