Эндрю Макафи - Машина, платформа, толпа. Наше цифровое будущее

Этот механизм размером с часы использовался для предсказания движения Солнца, Луны и планет. Он очень загадочен, поскольку крайне сложен для своего времени. Как заметила в статье 2015 года журналистка Джо Мерчант, «со времен Античности не было открыто ничего подобного. Ничего настолько изощренного или хотя бы близкого не появлялось больше тысячи лет» (Jo Marchant, “Decoding the Antikythera Mechanism, the First Computer», Smithsonian, February 2015, http://www.smithsonianmag.com/history/decoding-antikythera-mechanism-first-computer-180953979).

Алан Тьюринг доказал, что компьютер с программой следует рассматривать как универсальную вычислительную машину, которой в принципе можно дать инструкции по решению любой задачи, допускающей решение посредством какого-либо алгоритма.

Собственно говоря, Маккарти и предложил термин «искусственный интеллект». Прим. перев.

AISB (Society for the Study of Artificial Intelligence and Simulation of Behaviour), “What Is Artificial Intelligence?” accessed March 1, 2017, http://www.aisb.org.uk/public-engagement/what-is-ai.

Исследование одного трагического случая дало убедительное доказательство, что после определенного возраста дети уже не могут овладеть языком. В 1970 году власти Южной Калифорнии узнали о 13-летней девочке, получившей псевдоним «Джини», которая стала жертвой ужасного обращения. С ясельного возраста отец держал ее в постоянной и почти полной физической и социальной изоляции. Ее связывали и оставляли одну в звукоизолированном помещении, причем с ней никто не разговаривал. После того как девочку спасли, с ней работали многие исследователи и врачи. Хотя они не считали ее от природы умственно отсталой, Джини, несмотря на все усилия, так и не научилась нормально говорить. Она ограничивалась очень короткими предложениями, а сложные правила грамматики ей не давались. Сейчас она живет в центре для умственно недоразвитых людей где-то в Калифорнии.

Pamela McCorduck, Machines Who Think , 2nd ed. (Natick, MA: A. K. Peters, 2004), 167.

Pamela McCorduck, Machines Who Think , 2nd ed. (Natick, MA: A. K. Peters, 2004), 138.

«Дух силен, а плоть слаба» (англ.). Поговорка, восходящая к Библии; в традиционном синодальном переводе фраза звучит так: «Дух бодр, плоть же немощна» (Мф. 26:41). Прим. перев.

Paul Lee Tan, Encyclopedia of 7700 Illustrations (Rockville, MD: Assurance, 1979), 717.

В русскоязычной литературе в различных пересказах этой истории фигурирует, разумеется, водка, а не виски; чаще всего встречается такой вариант: «Водка хорошая, а мясо испортилось». Прим. перев.

Mark Forsyth, The Elements of Eloquence: How to Turn the Perfect English Phrase. Icon Books Ltd, 2013.

Mark Forsyth, The Elements of Eloquence: How to Turn the Perfect English Phrase (London: Icon, 2013), 46.

Ernest Davis and Gary Marcus, “Commonsense Reasoning and Commonsense Knowledge in Artificial Intelligence,” Communications of the ACM 58, no. 9 (2015): 92–103, http://cacm.acm.org/magazines/2015/9/191169-commonsense-reasoning-and-commonsense-knowledge-in-artificial-intelligence/abstract.

Ernest Davis and Gary Marcus, “Commonsense Reasoning and Commonsense Knowledge in Artificial Intelligence,” Communications of the ACM 58, no. 9 (2015): 92–103, http://cacm.acm.org/magazines/2015/9/191169-commonsense-reasoning-and-commonsense-knowledge-in-artificial-intelligence/abstract.

David H. Autor, “Why Are There Still So Many Jobs? The History and Future of Workplace Automation,” Journal of Economic Perspectives 29, no. 3 (2015): 3–30, http://pubs.aeaweb.org/doi/pdfplus/10.1257/jep.29.3.3.

Daniela Hernandez, “How Computers Will Think,” Fusion , February 3, 2015, http://fusion.net/story/35648/how-computers-will-think.

Перцептрон – модель восприятия информации мозгом, в которую входят три вида элементов: рецепторы (сенсоры), ассоциативные элементы и реагирующие элементы. В 1957 году было завершено моделирование работы перцептрона на компьютере IBM 704, а в 1960 году появился первый нейрокомпьютер Mark-1. Прим. перев.

John H. Byrne, “Introduction to Neurons and Neuronal Networks,” Neuroscience Online , accessed January 26, 2017, http://neuroscience.uth.tmc.edu/s1/introduction.html.

Mikel Olazaran, “A Sociological Study of the Official History of the Perceptrons Controversy,” Social Studies of Science 26 (1996): 611–59, http://journals.sagepub.com/doi/pdf/10.1177/030631296026003005.

Издана на русском языке: Минский М., Сеймур П. Персептроны. М.: Мир, 1971. Прим. ред.

Jürgen Schmidhuber, “Who Invented Backpropagation?” last modified 2015, http://people.idsia.ch/~juergen/who-invented-backpropagation.html.

David E. Rumelhart, Geoffrey E. Hinton, and Ronald J. Williams, “Learning Representations by Back-propagating Errors,” Nature 323 (1986): 533–36, http://www.nature.com/nature/journal/v323/n6088/abs/323533a0.html.

Jürgen Schmidhuber, Deep Learning in Neural Networks: An Overview , Technical Report IDSIA-03-14, October 8, 2014, https://arxiv.org/pdf/1404.7828v4.pdf.

Метод обратного распространения ошибки – способ обучения перцептрона, когда сигнал ошибки идет от выходов сети к входам, то есть в направлении, противоположном тому, что используется при обычном режиме работы. Прим. перев.

Yann LeCun, “Biographical Sketch,” по состоянию на 26 января 2017 года, http://yann.lecun.com/ex/bio.html.

David Silver et al., “Mastering the Game of Go with Deep Neural Networks and Search Trees,” Nature 529 (2016): 484–89, http://www.nature.com/nature/journal/v529/n7587/full/nature16961.html.

Elliott Turner, Twitter post, September 30, 2016 (9:18 a.m.), https://twitter.com/eturner303/status/781900528733261824.

Иногда в русскоязычной литературе его имя передают как Эндрю Нг. Прим. перев.

Эндрю Ын, интервью, данное авторам в августе 2015 г.

Большие данные и аналитика также изменили принятие решений людьми; об этом мы рассказываем в статье, написанной для Harvard Business Review: Andrew McAfee and Erik Brynjolfsson, «Big Data: The Management Revolution», Harvard Business Review 90, no. 10 (2012): 61–67.

Paul Voosen, “The Believers,” Chronicle of Higher Education , February 23, 2015, http://www.chronicle.com/article/The-Believers/190147.

G. Hinton, S. Osindero, and Y. Teh, “A Fast Learning Algorithm for Deep Belief Nets,” Neural Computation 18, no. 7 (2006): 1527–54.

Благодаря своим работам Дин стал настоящей легендой среди сотрудников Google. Его коллеги даже сделали подборку шутливо гиперболизированных «фактов о Джеффе Дине». Вот типичный «факт»: «Когда-то скорость света в вакууме была равна примерно 35 милям в час, но потом Джефф Дин потратил выходной на оптимизацию физики» (Кентон Варда, пост в Google+ от 28 января 2012 года, https://plus.google.com/+KentonVarda/posts/TSDhe5CvaFe).

“Large-Scale Deep Learning for Intelligent Computer Systems,” по состоянию на 26 января 2017 года, http://www.wsdm-conference.org/2016/slides/WSDM2016-Jeff-Dean.pdf.

Обучение с подкреплением связано с созданием программных агентов, которые могут предпринимать эффективные действия в какой-либо среде, чтобы максимизировать вознаграждение. Первой публичной демонстрацией DeepMind своих возможностей была система deep Q-network (DQN), созданная для игры в классические видеоигры Atari 2600, например Space Invaders, Pong, Breakout и Battlezone. Программисты не сообщали системе DQN, в какую игру она играет, какие есть правила, какие стратегии эффективны или какие средства управления и действия ей доступны. Фактически ей даже не сообщали, что она играет в какую-то игру. Ей просто показывали экран каждой игры и просили максимизировать набор очков с помощью перемещения какого-либо контроллера. DQN смогла быстро превзойти результат игроков-людей более чем в половине из 49 представленных ей игр (Volodymyr Mnih et al., “Human-Level Control through Deep Reinforcement Learning,” Nature 518 (February 28, 2015): 529–33, https://storage.googleapis.com/deepmind-data/assets/papers/DeepMindNature14236Paper.pdf).