Сергей Шумский - Воспитание машин. Новая история разума

Для эффективного использования своего гигантского поискового индекса Google внедрил инновационную технологию массовой распределенной обработки данных (Map Reduce), создав первый поисковый суперкомпьютер, распределенный по нескольким дата-центрам. Но своим главным успехом Google обязан другой инновации – AdWords, превратившей его в цифровую платформу для рекламного бизнеса. С ее помощью Google предоставил доступ к глобальной аудитории мелким рекламодателям, вплоть до индивидуальных предпринимателей. Он сформировал и обслуживает «длинный хвост» рекламного рынка, тем самым увеличивая его объем на $135 млрд в год (¼ мирового рынка рекламы) [62]. Масштабирование сервиса достигается за счет использования предметных знаний самих рекламодателей: аукционный алгоритм автоматически отбирает наиболее интересные для аудитории объявления и определяет их справедливую цену.

Таким образом Google сформировал новую, гораздо более эффективную, чем средства массовой информации, инфраструктуру рекламного рынка, одновременно и снизив издержки, и увеличив емкость рынка. И все за счет алгоритмов обработки больших данных. Выручка на одного работника в Google составляет $1,4 млн – в 7 раз выше, чем в среднем по США. Всю основную работу делают алгоритмы.

Другим примером первого поколения цифровых платформ является Amazon, оператор «длинного хвоста» в ретейле. Начиналось все в 1994 году с уникального предложения «бесконечной книжной полки» – книжного разнообразия, недоступного для офлайновых магазинов. Предложение пришлось пользователям по душе, бизнес быстро расширялся, и сегодня через Amazon в США совершается уже половина всех онлайн-покупок.

«Секретным оружием» Amazon является его рекомендательная система, помогающая пользователям ориентироваться во всем этом разнообразии. И основана она опять-таки на алгоритмах машинного обучения, превращающих обычные учетные данные – кто что купил – в персональные рекомендации: кому что может быть интересно. В результате – большее удовлетворение покупателей и расширение рынка для продавцов, ведь теперь любой нишевой товар может найти своего покупателя.

В отличие от Google, Amazon приходится иметь дело с реальными товарами и организовывать логистику в реальном мире, поэтому выручка на одного сотрудника в Amazon ненамного выше средней. Но это пока! Потому что Amazon сегодня активно инвестирует в искусственный интеллект и робототехнику, вводя в строй полностью автоматизированные склады, экспериментируя с доставкой товаров роботами и дронами и открывая офлайн-магазины Amazon Go без продавцов и кассиров. Этот тренд мы более подробно обсудим ниже.

В целом же в 1990-х и 2000-х годах машинный интеллект фокусировался на извлечении из больших объемов данных структурированных знаний, которые можно использовать для персонализации разного рода услуг конечным пользователям. Огромные массивы структурированных знаний накоплены в проприетарных графах знаний цифровых платформ Google Knowledge Graph, Amazon Evi, Microsoft Satori и используются во многих продуктах, в частности голосовыми помощниками Google Assistant, Amazon Alexa и Microsoft Cortana.

Голосовые помощники стали новацией 2010-х годов в качестве нового интерфейса пользователя в эпоху смартфонов. Они, как и безлюдные магазины Amazon Go, обязаны своим появлением новому поколению алгоритмов машинного обучения – так называемому глубокому обучению искусственных нейронных сетей. Технологический прорыв в машинном обучении в 2010-х, известный как революция глубокого обучения , связан с достижением компьютерами критической производительности 10 11FLOPS, сравнимой с человеческой, по доступным ценам (рис. 14).

Это, конечно, не означало автоматически появления искусственного интеллекта, как он когда-то задумывался его отцами-основателями. Для этого у человечества пока что банально не хватает соответствующих знаний, о чем мы еще поговорим в главе 5. Мощности сегодняшних суперкомпьютеров достигают 10 16FLOPS, однако это до сих пор не привело к появлению сильного ИИ. Но кое-какие разработки 1980-х и 1990-х годов, для которых в свое время просто не хватало вычислительных мощностей, чтобы выйти на уровень отдельных когнитивных способностей, сравнимый с человеческим, «выстрелили» именно в этот момент. Речь идет об обучении некоторых типов искусственных нейронных сетей, разработанных для работы с изображениями (сверточные нейронные сети) и временными сигналами (сети с долговременной памятью).

Оказалось, что просто за счет увеличения количества слоев в таких (глубоких) нейросетях и увеличения объема данных для их обучения, для чего теперь имелись вычислительные мощности, качество распознавания картинок и звука может достигать человеческого уровня. В итоге на протяжении 2010-х годов, благодаря технологиям глубокого обучения, машины, говоря простым языком, научились видеть и слышать не хуже человека.

Соответственно появилась масса новых возможностей для замены человека машинами – там, где люди работали «умными сенсорами»: контролерами, охранниками, операторами колл-центров, и в других профессиях с относительно простой бизнес-логикой. Отсюда – появляющиеся сегодня проходные без охранников, магазины без продавцов, такси без водителей, безлюдные колл-центры и голосовые помощники в смартфонах и умных колонках.

И это еще только начало. Потенциальный рынок приложений слабого ИИ, наделенного сверхчеловеческими сенсорными возможностями по доступным ценам, чрезвычайно большой. Он касается самых массовых профессий – продавцов, кассиров, водителей и т. д., поэтому обещает большой экономический эффект. Оказывается, люди, по крайней мере многие из них, не так уж и незаменимы.

Отложив обсуждение этой важнейшей проблемы до следующей главы, зададимся пока одним чисто практическим вопросом о драйверах развития ИИ. Есть ли экономическая целесообразность в дальнейшем совершенствовании технологий машинного обучения или бизнес может ограничиться достигнутыми успехами, сосредоточив усилия на бизнес-инновациях, то есть на освоении уже открывшихся благодаря слабому ИИ рынков? От ответа на этот вопрос зависит, в частности, объем вложений в разработку сильного ИИ и соответственно время появления последнего.

Представляется, что в силу упомянутого выше эффекта положительной обратной связи тем, кто хотел бы освоить новые рыночные ниши с помощью существующего слабого ИИ, нет смысла ждать дальнейших инноваций. Надо спешить, так как в каждой такой нише действует принцип «победитель забирает все». Так что в 2020-х годах нас ожидает инвестиционный бум новых доткомов, использующих разработанные в 2010-х технологии глубокого обучения.