Седьмого июля 1958 года несколько человек³ собрались в офисе Бюро погоды США, расположенного в Вашингтоне, в пятнадцати кварталах от Белого дома. Они обступили электронную машину шириной и высотой с холодильник, но вдвое большую по глубине. Впрочем, это была лишь одна из частей огромного компьютера, другие части которого заполняли комнату, словно мебельный гарнитур. Машина была покрыта серебристым пластиком, отражавшим свет, а передняя панель – усеяна рядами маленьких круглых лампочек, красных квадратных кнопок и толстых пластиковых тумблеров, частично белого, частично серого цвета. Обычно эта электронно-вычислительная машина стоимостью в 2 миллиона долларов⁴ выполняла расчеты для Бюро погоды, предшественника нынешней Национальной метеослужбы, но в тот день ее позаимствовали⁵ специалисты из научно-исследовательского управления ВМС и тридцатилетний профессор Корнеллского университета по имени Фрэнк Розенблатт.

Как сообщает присутствовавший там газетный репортер, Розенблатт и сопровождавшие его военно-морские инженеры⁶ вставили в машину две белые карточки, одна из которых была помечена маленьким квадратиком слева, а другая – таким же квадратиком справа. Поначалу машина не могла их различить⁷, но после прочтения еще полусотни таких карточек⁸ ситуация изменилась. Почти в каждом случае машина правильно определяла, где расположена отметка – слева или справа. Как объяснил Розенблатт, машина освоила этот навык вполне самостоятельно⁹ – благодаря математической системе, моделирующей работу человеческого мозга. Он назвал эту систему «Перцептроном»¹⁰. В будущем, говорил он, эта система научится распознавать¹¹ печатные буквы, слова, написанные от руки, голосовые команды и даже человеческие лица. Она сможет переводить¹² слова и тексты с одного языка на другой. И теоретически, добавлял он, она сможет сама себя клонировать¹³ на сборочном конвейере, исследовать далекие планеты и перейдет границу, разделяющую электронные компьютеры и живой разум.

«ВМС представили эмбрион¹⁴ будущего электронного компьютера, который, как ожидается, научится ходить, разговаривать, видеть, писать, размножаться и осознавать свое существование», – говорится в статье, которая наутро появилась в New York Times. Вторая статья¹⁵, уже в воскресном номере, утверждала, что инженеры ВМС даже сомневаются, правильно ли называть это творение машиной – «настолько она будет похожа на человека, пусть и неживая». Розенблатту не очень нравилось¹⁶ то, как это событие трактовалось прессой, – особенно заголовок одной из газет Оклахомы: «Мыслящее чудовище Франкенштейна, родившееся в недрах ВМС». В последующие годы его пыл поугас, и он, как в кругу коллег, так и в СМИ, описывал этот проект в гораздо более сдержанных красках¹⁷. Он настаивал¹⁸ на том, что речь не шла о попытке создания искусственного интеллекта и что он прекрасно сознавал весьма ограниченные возможности этой системы. И однако сама идея выскользнула из его пальцев и перестала быть его идеей.

«Перцептрон» был одной из первых нейронных сетей, ранним воплощением той самой технологии, которую Джефф Хинтон продал за огромные деньги на аукционе более чем полвека спустя. Но прежде чем цена этой идеи достигла 44 миллионов долларов, не говоря уже о наступлении того экстравагантного будущего, предсказанного на страницах New York Times, она была надолго засунута в темный чулан науки. К началу 1970-х, когда все эти громкие прогнозы разбились о недостатки, присущие технологии Розенблатта, идея практически умерла.

Фрэнк Розенблатт родился¹⁹ в 1928 году в городе Нью-Рошелл, в штате Нью-Йорк чуть севернее Бронкса. Учился он в Bronx Science²⁰, элитной муниципальной школе, из которой вышли восемь лауреатов Нобелевской премии²¹, шесть лауреатов Пулитцеровской премии, восемь лауреатов Национальной научной медали США²² и трое лауреатов премии Тьюринга²³, самой престижной награды за достижения в области информатики. Этот щуплый коротышка с пухлыми щеками и коротко стриженными черными курчавыми волосами, носивший очки в черной оправе, получил диплом в области психологии, но сфера его интересов была гораздо шире. В 1953 году в New York Times вышла статья²⁴ с описанием тогдашнего компьютера, который он использовал для обработки данных – а именно психологических профайлов своих пациентов – при работе над докторской диссертацией. Это был ЕРАС – «электронная вычислительная машина для анализа профайлов». С годами он все больше утверждался во мнении, что такого рода машины могут в еще большей степени помочь разгадать тайны разума. Защитив диссертацию, он поступил на работу в Корнеллскую лабораторию аэронавтики²⁵, расположенную в Буффало, почти в ста пятидесяти милях от главного кампуса Корнеллского университета в Итаке. Переданный Корнеллскому университету компанией, производившей в годы Второй мировой войны боевые самолеты, этот авиационный научно-исследовательский центр в послевоенные годы приобрел более разносторонний характер и обладал в отношениях с Итакой значительной автономией. Именно там Розенблатт создал свой «Перцептрон», выполняя заказ научно-исследовательского управления ВМС.

Розенблатт рассматривал этот проект²⁶ как окно, позволяющее заглянуть во внутреннее устройство мозга. Если бы удалось создать компьютерную модель человеческого мозга, полагал он, это помогло бы разгадать многие тайны «естественного интеллекта», как он его называл. Опирающийся на идеи, высказанные десятилетием ранее двумя учеными из Чикагского университета, «Перцептрон» анализировал объекты и искал в них устойчивые качества, позволяющие эти объекты идентифицировать (например, карточка имеет отметку слева или справа). Это достигалось путем серии математических вычислений, которые моделировали (в самом широком смысле) сеть нейронов в мозгу. Когда «Перцептрон» анализирует и пытается идентифицировать объект, его попытки иногда оказываются удачными, а иногда нет. Но он способен учиться на своих ошибках, методично корректируя все эти математические расчеты, так что ошибки случаются все реже. Подобно нейронам в мозгу, каждое вычисление само по себе практически ничего не значит, это лишь скромный винтик в общем алгоритме. Но алгоритм в целом – своего рода математический рецепт – может быть очень даже значимым и полезным. По крайней мере, именно на это возлагалась надежда. Во время той демонстрации в Бюро погоды летом 1958 года Розенблатт показал лишь самые зачатки этой методики²⁷ – имитацию работы «Перцептрона» с использованием принадлежащего Бюро погоды компьютера IBM 704, самой распространенной коммерческой ЭВМ на то время. Вернувшись в свою лабораторию в Буффало, он вместе с командой инженеров приступил созданию совершенно новой машины, основанной на той же самой идее. Машина получила название Mark I. В отличие от других компьютеров того времени, эта электронная машина должна была научиться видеть мир вокруг себя – в этом была ее главная задача. «Впервые в истории небиологическая система²⁸ научится подстраиваться под организацию внешней среды», – заявил он репортерам позже в том же году, когда опять отправился в Вашингтон на встречу со своими спонсорами.

Его главный куратор от научно-исследовательского управления ВМС²⁹, с которым он непосредственно сотрудничал, не разделял его слишком оптимистичных и даже экстравагантных взглядов на «Перцептрон», но Розенблатт не сдавался. «Мой коллега не одобряет³⁰ всех этих нынешних разговоров о механическом мозге, – признался он одному журналисту за чашечкой кофе, – но все так и есть». Он взял в руки маленькую серебряную солонку³¹, стоявшую перед ним на столике. Вот я эту солонку первый раз вижу³², объяснял Розенблатт, но все равно знаю, что это солонка. «Перцептрон» способен делать то же самое³³. Он способен делать умозаключения³⁴, позволяющие, скажем, отличить собаку от кошки. При этом Розенблатт признавал³⁵, что этой технологии нужно пройти еще долгий путь, прежде чем она сможет иметь какое-то прикладное значение: пока что «Перцептрону» недостает глубины восприятия и «тонкости суждений». Но в его потенциале Розенблатт не сомневался. Однажды, говорил он³⁶, «Перцептрон» отправится в космос и будет сообщать на Землю свои наблюдения. Когда журналист спросил³⁷, есть ли на свете то, на что «Перцептрон» не способен, Розенблатт поднял руки. «Любовь. Надежда. Отчаяние³⁸. Человеческая природа, короче говоря. Если мы сами не понимаем природу человеческого полового влечения, то как можно ждать этого от машины?»

В декабре того же года журнал New Yorker восславил³⁹ творение Розенблатта как способное всерьез соперничать с человеческим мозгом. Незадолго до этого авторы журнала⁴⁰ изумлялись способности компьютера IBM 704 играть в шахматы. А теперь они описывали⁴¹ «Перцептрон» как еще более удивительную машину, как компьютер, который способен научиться «мыслить по-человечески». Хотя ученые утверждают⁴², что видеть, чувствовать и мыслить способны только биологические системы, говорилось в журнале, «Перцептрон» ведет себя так «словно он видит, чувствует и мыслит». Правда, машину эту Розенблатт еще не построил⁴³, но это казалось пустяком. «Ее непосредственное создание лишь вопрос времени⁴⁴ (и денег)», – утверждал журнал.

Процесс создания Mark I был завершен⁴⁵ в 1960 году. Компьютер представлял собой шесть шкафов, наполненных всяческим электрическим снаряжением, и каждый шкаф был размером с большой холодильник. К компьютеру было присоединено также нечто вроде огромного студийного фотоаппарата. Это и был фотоаппарат, только пленку инженеры заменили небольшим квадратным устройством, которое было усеяно четырьмя сотнями черных точек. Это были фоторезисторы, реагирующие на изменение освещенности. Розенблатт и его инженеры напечатали на больших листах картона буквы – A, B, C, D и т. д., – и, когда одну из этих букв располагали на подставке перед объективом фотоаппарата, фоторезисторы отличали черный цвет букв от белого фона. При этом компьютер учился распознавать форму букв – примерно так же, как это происходило с помеченными карточками во время показа в Бюро погоды. Разумеется, первоначально процесс учебы не обходился без помощи человека: по мере того как машина распознавала буквы, оператор сообщал ей, правильный ответ она дает или нет. Но с течением времени компьютер учился и сам на своих ошибках, постепенно выявляя определенные характеристики, отличавшие одну букву от другой: наклонную линию буквы А, двойную дугу буквы В… При демонстрации способностей машины Розенблатту нужно было доказать, что она действительно самообучаемая. Он открывал один из шкафов и отсоединял какие-то провода, разрывая таким образом контакт между моторами, исполнявшими роль псевдонейронов. Когда провода возвращались на место, машине приходилось заново учиться распознавать буквы, но, просмотрев новую серию карточек, она успешно восстанавливала утраченный навык и снова работала так же, как прежде.

Это хитроумное изобретение работало достаточно хорошо, чтобы интерес к нему проявили не только в научно-исследовательском управлении ВМС. В течение следующих нескольких лет разработкой тех же самых идей занялись в Стэнфордском научно-исследовательском институте, а кроме того, лаборатория Розенблатта заручилась контрактами с почтовой службой США и военно-воздушными силами. Почтовая служба нуждалась в устройстве, способном автоматически прочитывать адреса на конвертах, а интерес ВВС заключался в возможности идентификации объектов на аэрофотоснимках. Но все это было делом далекого будущего. Система, разработанная Розенблаттом на тот момент, едва справлялась с распознаванием печатных букв, что было сравнительно простой задачей. Когда система анализировала карточки с изображением буквы А, каждый из фоторезисторов реагировал на определенный участок на карточке. Скажем, один из резисторов отвечает за нижний правый угол. Если в этом месте черный цвет появляется чаще, чем белый, машина придает этому участку больший «весовой коэффициент», а это означает, что он играет более значимую роль в тех математических расчетах, которые в конечном счете определяют, что является буквой А, а что нет. При прочтении новой карточки машина сможет узнать букву А, если большинство наиболее весомых участков черные. Вот и вся технология. И конечно, такая система была совершенно не приспособлена для распознавания рукописного текста, где уловить закономерности значительно сложнее.

Несмотря на очевидные недостатки своей системы, Розенблатт продолжал смотреть в будущее с оптимизмом. Другие тоже верили в то, что в последующие годы эта технология усовершенствуется и позволит решать более сложные задачи. Но вскоре она наткнулась на очень серьезное препятствие в лице Марвина Мински.

Фрэнк Розенблатт и Марвин Мински⁴⁶ учились в Bronx Science в одно и то же время. Правда, в 1945 году родители Марвина⁴⁷ перевели его в другую школу, частную Академию Филлипса в Эндовере, которая, как считалось, давала наилучшую подготовку для поступления в вузы, а после окончания войны он поступил в Гарвард. Но впоследствии он говорил⁴⁸ о том, что нигде ему не было так хорошо учиться, как в Бронксе: там и сложность заданий постоянно держала в тонусе, и учащиеся были более амбициозные: «с ними ты мог обсуждать свои самые замысловатые идеи, и никто не смотрел на тебя свысока», – говорил он. После смерти Розенблатта Мински назвал своего старого однокашника⁴⁹ воплощением того творческого мышления, к которому приучает школа Bronx Science. Как и Розенблатт, Мински был одним из первопроходцев в разработках искусственного интеллекта. Но смотрел он на эти разработки через совсем другую призму.

Будучи студентом Гарвардского университета⁵⁰, Мински из трех с лишним тысяч радиоламп и нескольких деталей от бомбардировщика В-52 построил устройство, которое он назвал SNARC, – возможно, первую в истории искусственную нейронную сеть. Затем, поступив в аспирантуру в начале 1950-х⁵¹, он продолжал изучать математические концепции, которые, среди прочего, привели к созданию «Перцептрона». Однако он видел в искусственном интеллекте значительно более широкое понятие. Он принадлежал к той небольшой группе ученых⁵², которые, собравшись летом 1956 года на конференцию в Дартмутском колледже, решили выделить изучение ИИ в отдельную, самостоятельную научную дисциплину. Ранее дартмутский профессор Джон Маккарти тщетно призывал ученых поддержать его усилия в «исследованиях автоматов», как он это называл, но для большинства это был пустой звук. И тогда он ввел в обращение понятие «искусственный интеллект» и организовал в Дартмуте конференцию, куда съехались несколько его единомышленников и другие ученые, проявившие интерес. В повестке Дартмутской научной конференции по искусственному интеллекту⁵³ упоминались не только «нейронные сети», но и такие понятия, как «автоматические компьютеры», «абстрагирование» и «самосовершенствование». Среди участников этой конференции были ученые, которые стали лидерами этого направления научных поисков в 1960-е годы. Особенно следует отметить Маккарти, который со временем перебрался на Западное побережье, в Стэнфордский университет, Герберта Саймона и Аллена Ньюэлла, которые создали свою лабораторию в Университете Карнеги – Меллона на Среднем Западе, и Мински, который обосновался на Востоке, в Массачусетском технологическом институте. Они стремились создать искусственную версию человеческого интеллекта, используя любые методы, которые могли бы привести к цели, и были уверены в том, что это не должно занять много времени⁵⁴; некоторые утверждали, что в течение десяти лет удастся создать машину, которая победит чемпиона мира по шахматам, а также сформулирует и докажет новые теоремы в математике. Лысоватый смолоду, с большими ушами и вечной ехидной улыбкой, Мински стал увлеченным проповедником ИИ, но его проповедничество не распространялось на нейронные сети. Искусственные нейронные сети рассматривались лишь как один из способов построения ИИ, и Мински, как и многие его коллеги, сосредоточился на других путях. К середине 1960-х, когда его вниманием завладели другие технологии, он начал открыто сомневаться, способны ли нейронные сети в принципе на что-то большее, нежели на решение тех простейших задачек, которые демонстрировал Розенблатт у себя в Буффало.

Мински был лишь частью кампании, развернутой против идей Розенблатта. Как писал сам Розенблатт в своей книге, вышедшей в свет в 1962 году, его «Перцептрон» вызывал противоречивые оценки⁵⁵ в научном сообществе, и значительную долю вины за это он возлагал на прессу. Журналисты, писавшие о его исследованиях⁵⁶ в конце 1950-х годов, утверждал Розенблатт, «делали свое дело с задором и беззаботностью своры жизнерадостных собак». В частности, он сетовал⁵⁷ на кричащие заголовки – особенно выделяя одну из оклахомских газет, – которые подрывали у публики доверие к его деятельности как к серьезным научным исследованиям. Через четыре года после вызвавшей шум презентации в Вашингтоне он отзывал обратно свои прежние заявления и настаивал на том, что «Перцептрон» вовсе не был попыткой⁵⁸ создания искусственного интеллекта – по крайней мере не в том смысле, который вкладывают в понятие «искусственный интеллект» ученые вроде Мински. «Основная цель проекта “Перцептрон”⁵⁹ заключается не в изобретении механизмов, обладающих “искусственным интеллектом”, но скорее в изучении физических структур и нейродинамических принципов, лежащих в основе “естественного интеллекта”, – писал он. – Его польза в том, что он позволяет нам определить физические предпосылки для проявления различных психологических качеств». Иными словами, он хотел лишь понять, как работает человеческий мозг, а вовсе не пытался одарить мир новой разновидностью мозга. Человеческий мозг – настолько таинственная вещь, что воссоздать его искусственным путем невозможно, полагал Розенблатт, но можно использовать машины с тем, чтобы эту тайну исследовать, а может быть, даже и раскрыть.

Границы, отделявшие искусственный интеллект как научную дисциплину от информатики, психологии и нейробиологии, с самого начала были размытые, поскольку этой новой дисциплиной занимались представители самых разных научных школ, рассматривавшие эту тематику с разных углов и в разном контексте. Некоторые психологи, нейробиологи и даже ученые, работавшие в сфере информатики, смотрели на эти умные электронные машины так же, как смотрел на них Розенблатт: как на моделирование человеческого мозга. Другие ученые относились к этой идее с неприятием, утверждая, что компьютеры с человеческим мозгом не имеют ничего общего и что даже если они будут способны имитировать интеллект, то будут делать это по-своему. Никто из них, однако, даже близко не подошел к созданию того, что можно было бы по праву назвать «искусственным интеллектом». Основоположники этой науки, считавшие, что путь к воссозданию мозга будет достаточно быстрым, заблуждались: он оказался очень даже долгим. Их первородный грех как раз и состоял в том, что они назвали свою дисциплину «искусственным интеллектом». Это создавало у непосвященной публики впечатление, что ученые вот-вот научатся искусственно воссоздавать могущество человеческого разума, тогда как на самом деле они были очень далеки от этого.

В 1966 году несколько десятков ученых съехались в столицу Пуэрто-Рико Сан-Хуан⁶⁰. Они собрались⁶¹ в местной гостинице Hilton, чтобы обсудить последние достижения в области «распознавания паттернов», как они это называли. Речь шла о технологии выявления закономерностей и шаблонов в изображениях и других данных. Если Розенблатт видел в «Перцептроне» модель мозга, другие видели в нем средство распознавания паттернов. Впоследствии некоторые комментаторы изображали дело так, будто Розенблатт и Мински постоянно бодались на научных конференциях, включая сан-хуанскую, открыто споря о будущем «Перцептрона», но на самом деле их соперничество было неявным. Розенблатта в Сан-Хуане вообще не было. Страсти на конференции накалились после выступления молодого ученого по имени Джон Мэнсон. Он работал в Стэнфордском научно-исследовательском институте и проникся идеями Розенблатта после появления Mark I. В составе большой группы разработчиков он пытался построить искусственную нейронную сеть, способную различать не только печатные, но и рукописные буквы, и в своем докладе на конференции хотел рассказать о достигнутом прогрессе. Но когда Мэнсон закончил свое выступление и предложил задавать вопросы, слово взял Мински: «Как может такой умный молодой человек, как вы, тратить свое время на подобную чепуху?»

Это вызвало гневную реакцию со стороны сидевшего в аудитории Рона Свонгера, инженера из Корнеллской лаборатории аэронавтики, где компьютер Mark I как раз и был создан. Возмутившись тональностью, с которой был задан вопрос, он выразил недоумение, каким образом выпад Мински вообще связан с темой доклада. Мински возразил, что он не против распознавания рукописных букв как такового, а против самой концепции «Перцептрона». «У этой идеи нет будущего», – сказал он. Ричард Дуда, еще один участник команды, работавшей над технологией распознавания рукописного текста, был уязвлен смехом, прозвучавшим в зале, когда Мински иронично отозвался об утверждениях, что «Перцептрон» является попыткой моделирования сети нейронов мозга. Вообще это выступление было типично для Мински, которому нравилось расшевеливать улья. Однажды, выступая перед физиками, он заявил, что в области искусственного интеллекта всего за несколько лет был достигнут более значимый прогресс, чем физики достигли за века. Но Дуда полагал, что у профессора МТИ были свои практические резоны подвергать нападкам деятельность сотрудников Стэнфорда и Корнелла: их лаборатории конкурировали за государственные заказы. Позже на той же самой конференции, когда еще один докладчик представил новую систему, предназначенную для создания компьютерной графики, Мински рассыпался в похвалах – и не преминул еще раз пнуть идеи Розенблатта. «А “Перцептрон” на такое способен?» – спросил он.

По итогам конференции Мински и его коллега по МТИ Сеймур Пейперт опубликовали книгу, посвященную искусственным нейронным сетям⁶², которая получила название «Персептроны»[1]. Многие считали, что эта книга практически похоронила идеи Розенблатта на следующие пятнадцать лет. Мински и Пейперт описали «Перцептрон» во всех подробностях, во многих случаях утрируя то, что говорил о нем сам Розенблатт. Они хорошо понимали, на что «Перцептрон» способен, но так же хорошо видели его недостатки. Они показали, что «Перцептрон»⁶³ был неспособен выполнять логическую операцию, которую математики называют «исключающее или», и что это имеет очень серьезные последствия. Если нанести на карточку две метки, «Перцептрон» мог бы сказать, что они обе черные. Так же он мог бы правильно назвать две белые метки. Но он был неспособен ответить на такой прямой вопрос: «Эти две метки разного цвета?» Это означало, что в некоторых случаях «Перцептрон» был не в состоянии распознать даже простейшие паттерны, не говоря уже о сложнейших паттернах, которые характерны для аэрофотоснимков или голосовых команд. Некоторые ученые, и Розенблатт в их числе, уже занимались разработкой новых модификаций «Перцептрона», пытаясь решить эту проблему. И все же выход в свет книги Мински повлиял на то, что реки бюджетных денег, выделяемых государством на науку, потекли в другие русла, а идеи Розенблатта были на время позабыты. Вслед за Мински большинство ученых сосредоточились на исследовании так называемого «символического ИИ».

Фрэнк Розенблатт пытался создать систему, которая бы училась самостоятельному поведению примерно так же, как учится человеческий мозг. В последующие годы ученые назвали этот подход «коннекционизмом», поскольку, как и мозг, такая система опирается на большое число взаимосвязанных расчетов. Но система Розенблатта была гораздо проще по сравнению с человеческим мозгом, и процесс обучения ограничивался сущими пустяками. Подобно многим другим ведущим специалистам в этой области знаний, Мински считал, что ученые не смогут создать искусственный разум, пока не проявят готовность отказаться от идей коннекционизма со всеми их ограничениями и переключиться на совершенно иной, куда более прямолинейный подход к построению искусственного интеллекта. Если нейронные сети учатся самостоятельному решению задач через анализ большого количества данных, то символическому ИИ это не нужно. Он ведет себя в соответствии с предельно конкретными инструкциями, которые вводятся в него инженерами; в этих конкретных правилах предусматривается все, что машина должна делать в каждой мыслимой ситуации, в которой она может оказаться. Такую форму ИИ назвали символической, потому что эти инструкции сообщали машине, какие конкретные операции она должна выполнять, получая определенный набор символов, то есть букв и цифр. На протяжении следующего десятилетия именно это направление доминировало в исследованиях ИИ. Это научное движение достигло своего пика⁶⁴ в середине 1980-х, когда началась реализация проекта Cyc, идея которого заключалась в попытке наделить машину здравым смыслом с помощью набора логических правил. Небольшая команда компьютерщиков, базировавшаяся в Остине, штат Техас, день за днем вводила в память машины такие базовые истины, как «невозможно находиться в двух местах одновременно» или «когда пьют кофе из чашки, ее держат дном книзу». Они понимали, что этот процесс займет десятки, может быть, даже сотни лет. Но, подобно многим другим ученым, они были уверены, что другого пути просто нет.

Розенблатт пытался развить идею «Перцептрона», чтобы возможности машины не ограничивались распознаванием образов. Еще в Корнелле он в сотрудничестве с другими учеными создал систему распознавания произносимых голосом слов. Эта система получила название «Тобермори» в честь говорящего кота из рассказа английского писателя Саки, однако она так и не заработала по-настоящему. К концу 1960-х, вернувшись в Итаку, Розенблатт переключился на совершенно иную область исследований⁶⁵ и стал проводить эксперименты на крысах. Дав время одной группе крыс научиться ориентироваться в лабиринте, он впрыскивал их мозговое вещество в мозг другой группы крыс, после чего запускал их в лабиринт, чтобы посмотреть, способны ли они абсорбировать знания первой группы крыс вместе с их мозгом. К какому-то определенному выводу эксперименты не привели.

Летом 1971 года⁶⁶ в свой сорок третий день рождения Розенблатт трагически погиб, катаясь на яхте в Чесапикском заливе. В прессе не сообщали, что именно произошло. Но по свидетельству одного из его коллег, с Розенблаттом на борту были двое студентов, которые не умели управлять яхтой, и, когда резкий поворот паруса сбросил Розенблатта в воду, они не сумели развернуться, чтобы подобрать его. Яхта продолжала движение вперед, а он утонул.

Однажды в середине 1980-х группа из примерно двадцати ученых собралась в особняке, выстроенном в старофранцузском стиле на окраине Бостона, который служил местом отдыха для преподавателей и студентов Массачусетского технологического института, откуда Марвин Мински продолжал руководить международным сообществом разработчиков ИИ. Они сидели за большим деревянным столом в центре комнаты, и Джефф Хинтон вручил каждому экземпляр заполненной математическими выкладками научной статьи, описывающей то, что он назвал «машиной Больцмана». Названная в честь австрийского физика и философа, эта «машина» представляла собой нейронную сеть нового типа, призванную преодолеть те недостатки «Перцептрона», на которые указал Мински пятнадцатью годами ранее. Мински снял скрепку, соединявшую листы статьи, и разложил их перед собой на столе, в то время как Хинтон вернулся во главу стола и сделал короткий доклад, объясняющий свое новое математическое творение. Мински молчал и просто разглядывал разложенные перед ним листы. Когда доклад закончился, он встал и вышел из комнаты, оставив разложенные аккуратными рядами листы на столе.

Хотя нейронные сети выпали из фавора ученых, после выхода в свет книги Мински «Перцептроны», Хинтон, к этому времени занявший должность профессора информатики в Университете Карнеги – Меллона в Питтсбурге, сохранял им верность. «Машину Больцмана» он создал в сотрудничестве с Терри Сейновски, нейробиологом из Университета Джонса Хопкинса в Балтиморе. Они принадлежали к числу «нейросетевых подпольщиков», как назвал их один из современников. Остальные ученые, занимавшиеся искусственным интеллектом, сосредоточились на символьных методах, в том числе на проекте Сус. Хинтон же и Сейновски продолжали видеть будущее ИИ в самообучающихся системах. Бостонская конференция дала Хинтону возможность поделиться своими новыми результатами с широким научным сообществом.

Хинтона реакция Мински не удивила. Они познакомились пятью годами ранее, и Хинтон видел в Мински очень любознательного и творчески мыслящего ученого, но это сочеталось с удивительным ребячеством и безответственностью. Хинтон часто рассказывал историю о том, как Мински учил его, каким образом получить «идеальный черный цвет» – то есть цвет, полностью лишенный цвета. Достичь такого совершенства с помощью черных пигментов невозможно, объяснял Мински, потому что эти пигменты все равно будут отражать свет. Добиться этого можно с помощью нескольких бритвенных лезвий, установленных V-образно, так чтобы свет, попав в эту ловушку, бесконечно отражался от лезвий, не находя выхода наружу. Мински, правда, реально это фокус не продемонстрировал, а Хинтон так и не попробовал его осуществить. Это было типично для Мински – делать интересные и заставляющие задуматься заявления, но при этом случайные и непроверенные. И это свидетельствовало о том, что он не всегда говорил то, что думал. Во всяком случае, когда речь заходила о нейронных сетях, Мински на словах критиковал их и сетовал на их ограниченные возможности – да еще и книгу написал, которая широко цитировалась и как будто бы окончательно доказывала их бесперспективность, – но его истинное отношение к ним было не столь уж твердокаменным. Хинтон видел в нем «бывшего нейросетевика», то есть человека, который изначально принимал идею о машинах, ведущих себя подобно сети нейронов в мозге, потом разочаровался в этой идее, не оправдавшей его ожиданий, но все-таки продолжал таить в себе призрачную надежду на то, что эта идея еще проявит себя. После того как Мински покинул заседание в Бостоне, Хинтон собрал оставленные им листы и переслал их в офис Мински, сопроводив короткой запиской, в которой говорилось: «Возможно, вы оставили их случайно».

Джеффри Эверест Хинтон родился в английском городе Уимблдон сразу после Второй мировой войны. Он является одновременно прапраправнуком Джорджа Буля, математика и философа девятнадцатого столетия⁶⁷, чья «булева алгебра» является математическим фундаментом всех существующих компьютеров, и Джеймса Хинтона, хирурга⁶⁸, жившего в том же столетии, который написал историю Соединенных Штатов Америки. Его прадедом был Чарльз Говард Хинтон, математик и писатель-фантаст⁶⁹, чье представление о «четвертом измерении» – включая так называемый «тессеракт» – продолжает будоражить умы любителей научной фантастики вот уже сто тридцать лет. Своего пика в поп-культуре эта идея достигла в 2010-е годы в марвеловской серии фильмов о супергероях. Его двоюродный дедушка Себастьян Хинтон изобрел серию тренажерных снарядов для детей⁷⁰, а его кузина Джоан Хинтон, физик-ядерщик, была одной из немногих женщин, участвовавших в проекте «Манхэттен». Он рос в Лондоне, а потом в Бристоле в обществе брата и двух сестер, мангуста, дюжины дальневосточных черепах и двух гадюк, которые жили в яме в задней части гаража. Его отцом был энтомолог Говард Эверест Хинтон, член Лондонского королевского общества, чей круг интересов отнюдь не ограничивался насекомыми. Как и отец, своим вторым именем Джеффри был обязан еще одному своему родственнику, Джорджу Эвересту, главному геодезисту Индии⁷¹, в честь которого названа также высочайшая вершина мира. В том, что Джеффри пойдет по стопам отца и тоже станет ученым, в семье никто не сомневался. Вопрос был лишь в том, что именно он будет изучать.

Ему захотелось изучать человеческий мозг. Интерес к этой теме, по его собственным словам, пробудился в нем еще в подростковом возрасте, когда кто-то из друзей сказал ему, что мозг можно уподобить голограмме: в своей сети нейронов он хранит обрывки воспоминаний примерно так же, как голографическая пластина хранит элементы трехмерного изображения. Аналогия, конечно, упрощенная, но эта идея увлекла Хинтона. Став студентом Кингс-колледжа в Кембридже, он надеялся лучше изучить устройство и работу человеческого мозга. Проблема была в том, что мало кто разбирался в этом лучше, чем он сам. Ученым были известны функции отдельных участков мозга, но не было понимания того, как эти части взаимодействуют друг с другом и как они в конечном счете наделяют человека способностью видеть, слышать, запоминать, учиться и мыслить. В поисках ответа Хинтон пробовал обращаться к физиологии и химии, к физике и психологии, но ни одна из этих научных дисциплин не содержала в себе ответы, которые он искал. Он занялся было подготовкой диссертации по физике, но скоро понял, что для этого недостаточно силен в математике, и переключился на философию. Потом он и философию забросил, сменив ее на экспериментальную психологию. В конце концов, несмотря на давление со стороны отца, который хотел, чтобы сын продолжал учебу, – а может быть, благодаря этому давлению, – Хинтон вообще оставил научную стезю. Еще будучи ребенком, он видел в отце не только ученого-интеллектуала, но и физически очень сильного мужчину: этот член Лондонского королевского общества мог отжиматься на одной руке. «Упорно трудись и, быть может, когда станешь вдвое старше, чем я сейчас, достигнешь хотя бы половины того, чего достиг я», – говорил он сыну без тени иронии. Поэтому после окончания Кембриджа Хинтон, желая выйти из тени отца, перебрался в Лондон и стал плотником. «Я занимался этим не ради развлечения, – говорит он. – Я зарабатывал этим на жизнь».

В том же году он прочитал книгу канадского психолога Дональда Хебба «Организация поведения». В своей книге автор пытался объяснить базовые биологические процессы⁷², позволяющие мозгу учиться. Процесс учебы, полагал Хебб⁷³, происходит в форме цепочки крошечных электрических сигналов между нейронами мозга, в результате которых меняется физическая картина соответствующих нейронных связей. Между одновременно возбуждающимися нейронами формируются прочные связи. Эта теория, получившая название «закон Хебба», в 1950-е годы вдохновила таких ученых, как Фрэнк Розенблатт, на создание искусственных нейронных сетей⁷⁴. И для Джеффа Хинтона она тоже стала источником вдохновения. Каждую субботу он приходил с блокнотом в библиотеку – а жил он тогда в Ислингтоне, в северной части Лондона, – и до обеда строчил свои собственные теории, объясняющие – на основе идей Хебба, – как работает мозг. Эти субботние записи он делал исключительно для себя, но со временем они побудили его вернуться в науку. По времени это совпало с первой волной финансирования разработок искусственного интеллекта со стороны британского правительства и расширением приема в аспирантуру Эдинбургского университета.

В те годы печальная реальность была такова, что как нейробиологи и психологи плохо понимали, как работает мозг, так и разработчикам искусственного интеллекта было еще далеко до успешной имитации работы человеческого мозга. Но, во многом подобно Фрэнку Розенблатту, Хинтон был убежден в том, что только изучение обеих сторон этого уравнения – принципов работы как биологического мозга, так и искусственного интеллекта – поможет лучше разобраться в том и в другом. Он видел в разработках ИИ возможность проверить свои теории о мозге, что в конечном счете даст шанс раскрыть его тайны. И если он сможет проникнуть в тайны мозга, это, в свою очередь, поможет ему создать более эффективные формы ИИ. Поэтому, проработав год плотником в Лондоне, он на короткое время устроился психологом в Бристольский университет, где работал его отец, и это послужило трамплином для того, чтобы стать участником программы разработки ИИ, которая в то время как раз разворачивалась в Эдинбургском университете. Годы спустя один коллега, представляя его на одной из конференций, назвал Хинтона человеком, который потерпел неудачу в физике, ушел из психологии и в конце концов нашел себя в области исследований, где не было никаких стандартов: в разработке ИИ. Эту историю любил рассказывать сам Хинтон, но с одним уточнением: «Я не потерпел неудачу в физике и ушел из психологии; я потерпел неудачу в психологии и ушел из физики – это намного солиднее звучит».

В Эдинбурге он попал в лабораторию, которой руководил Кристофер Лонге-Хиггинс. Долгое время Лонге-Хиггинс занимался теоретической химией⁷⁵ в Кембридже и считался восходящей звездой в этой области, но в конце 1960-х его увлекла идея искусственного интеллекта. Поэтому он переехал из Кембриджа в Эдинбург и занялся изучением той разновидности ИИ, которая имела немало общего с методами, на которых был построен «Перцептрон». Его коннекционистский подход вполне согласовывался с теми теориями, которые разрабатывал по субботам в ислингтонской библиотеке Хинтон. Но эта интеллектуальная гармония оказалась скоротечной. За время, прошедшее между днем, когда Хинтон принял приглашение занять место аспиранта в лаборатории Лонге-Хиггинса, и днем, когда он туда прибыл, взгляды руководителя лаборатории успели кардинально измениться. Прочитав книгу Мински и Пейперта «Перцептроны» и статью о системах обработки текстов на естественных языках, написанную одним из студентов Мински в МТИ, он отказался от идеи искусственного интеллекта, моделирующего структуру мозга, и переключился на идею символического ИИ – что укладывалось в общий тренд того времени. Это привело к тому, что все годы, проведенные в аспирантуре, Хинтон занимался исследованиями в тех направлениях, которые отвергались не только его коллегами, но и непосредственным научным руководителем. «Мы встречались раз в неделю, – говорит Хинтон. – Иногда встречи заканчивались перепалками, но не каждый раз».

У Хинтона было очень мало опыта в области информатики, и он совершенно не интересовался математикой, включая линейную алгебру, на которую опирается теория нейронных сетей. Иногда он практиковал то, что сам называл «дифференцированием на доверии». Он придумывал идею, включая систему дифференциальных уравнений, на которые она опиралась, и просто предполагал, что математически там все безупречно, предоставляя другим трудиться над расчетами, необходимыми для того, чтобы удостовериться, что это действительно так, и лишь в крайних случаях снисходил до того, чтобы решать уравнения самостоятельно. Но он имел твердую уверенность в том, как работает мозг – и как машины могли бы имитировать работу мозга. Когда он сообщал кому-нибудь из научного сообщества, что занимается нейронными сетями, его собеседники неизменно ссылались на книгу Мински и Пейперта. «Нейронные сети опровергнуты, – говорили ему. – Лучше бы вам заняться чем-нибудь другим». Но если других ученых книга Мински и Пейперта все дальше отталкивала от нейронных сетей, то на Хинтона она оказала противоположное действие. Он прочитал эту книгу, уже будучи в Эдинбурге. Ему казалось, что «Перцептроны», описанные Мински и Пейпертом, были скорее карикатурой на работу Розенблатта. Они отказывались признать, что Розенблатт и сам видел в своей технологии те же самые недостатки и ограничения, которые видели они. Другое дело, что Розенблатту недоставало их мастерства в описании этих недостатков, и, возможно, именно по этой причине он не мог к ним подступиться. Он был не из тех, кого остановит неспособность доказать справедливость своих теорий. Хинтон полагал, что, четко и красноречиво указав на ограничения, присущие технологии Розенблатта, Мински и Пейперт облегчили будущим исследователям задачу преодоления описанных ими проблем.

Но для этого потребуется еще десять лет.

В 1971 году, в тот самый год, когда Хинтон поступил в аспирантуру Эдинбургского университета, британское правительство заинтересовалось прогрессом, достигнутым в разработках искусственного интеллекта, и заказало соответствующее исследование⁷⁶. Результат оказался неутешительный. «Большинство сотрудников, занимающихся искусственным интеллектом⁷⁷ или работающих в смежных областях, признаются, что разочарованы тем, чего им удалось достичь за последние двадцать пять лет, – говорится в отчете. – Ни в одном из направлений не были достигнуты сколько-нибудь существенные результаты, которые бы соответствовали ожиданиям». По этой причине правительство решило урезать финансирование, и наступила «зима искусственного интеллекта», как впоследствии назвали этот период. Оправдываясь тем, что, несмотря на ажиотаж, поднятый вокруг тематики ИИ, научно-технические достижения в этой области оставались более чем скромными, государственные чиновники отказывали ученым в дополнительных инвестициях, что ввергло большую часть таких исследований в «спячку» и в еще большей степени замедлило прогресс. Название этому периоду было дано по аналогии с «ядерной зимой» – последствием ядерной войны, когда небо затягивается дымом и пеплом и солнечные лучи на протяжении многих лет не могут пробиться к поверхности земли. К тому времени, когда Хинтон закончил работу над своей диссертацией, от той научной дисциплины, где он работал, осталось практически пепелище. Тогда же умер его отец. «Старый хрыч умер до того, как я добился успеха, – говорит Хинтон. – Да еще у него был рак с высоким уровнем риска передачи по наследству. Таким образом, он напоследок и меня решил поскорее уморить».

«Зима искусственного интеллекта» становилась все холоднее, и закончивший аспирантуру Хинтон принялся за поиски работы. Только один университет пригласил его на собеседование, и у него не осталось другого выбора, как обратить свой взор на заграничные вузы, включая американские. В США исследования ИИ тоже угасли, поскольку американские чиновники пришли к тем же неутешительным выводам, что и их британские коллеги, и сократили финансирование университетов. Но на самом юге Калифорнии, к своему изумлению, Хинтон нашел-таки небольшую группу людей, которые верили в ту же идею, что и он сам.

Они называли себя «группой PDP». Понятие PDP, что расшифровывалось как «параллельно распределенная обработка», служило фактически синонимом для таких понятий, как «перцептроны», «нейронные сети» или «коннекционизм». И здесь еще имелась игра слов. В те годы – в конце 1970-х – аббревиатурой PDP обозначался компьютерный чип, который использовался в самых мощных машинах того времени. Но люди, называвшие себя «группой PDP», компьютерщиками не были. Они даже разработчиками ИИ себя не считали. Группа включала в себя нескольких специалистов с кафедры психологии Калифорнийского университета в Сан-Диего и, как минимум, одного нейробиолога, Фрэнсиса Крика из Института биологических исследований имени Солка, расположенного буквально через дорогу от университетского городка. Прежде чем обратить свое внимание на исследования мозга, Крик удостоился Нобелевской премии за открытие структуры молекулы ДНК. Осенью 1979 года он опубликовал на страницах журнала Scientific American призыв к широкому научному сообществу⁷⁸ хотя бы попытаться понять, как работает человеческий мозг. Хинтон, занявший место постдока в Калифорнийском университете в Сан-Диего, испытал своего рода культурно-научный шок. Если в научном сообществе Великобритании царила интеллектуальная монокультура, то в США хватало место для приверженцев самых разных научных взглядов. «Здесь способны уживаться между собой самые разные точки зрения», – говорит он. Здесь, если он сообщал кому-то, что занимается нейронными сетями, его слушали.

Между Фрэнком Розенблаттом и тем, чем занимались в Сан-Диего, существовала прямая связь. В 1960-е годы Розенблатт и другие ученые рассчитывали создать искусственную нейронную сеть нового типа, которая бы состояла из нескольких «слоев» нейронов. В 1980-е годы на это же надеялись ученые, работавшие в Сан-Диего. «Перцептрон» был однослойной нейронной сетью, то есть был только один слой нейронов между входящей информацией (большая буква А, напечатанная на картоне) и выходящей (сообщение компьютера, что он видит букву А). Но Розенблатт полагал, что, если удастся построить многослойную сеть, где информация будет передаваться с одного слоя на другой, эта система сможет научиться распознавать гораздо более сложные паттерны, чем мог «Перцептрон». Иными словами, эта система будет в большей мере походить на человеческий мозг. Когда «Перцептрон» анализировал картонку с напечатанной на ней буквой А, каждый из нейронов изучал одну из точек на изображении, пытаясь понять, является ли данная точка частью трех линий, составляющих букву А. Но для многослойной сети это было бы только отправным моментом. Покажите этой системе, скажем, фотографию собаки, и за этим последует гораздо более сложный анализ. Первый слой нейронов сканирует каждый пиксель изображения. Он черный или белый, коричневый или желтый? Затем этот первый слой передает ту информацию, которую он идентифицировал, второму слою. Нейроны второго слоя высматривают в полученной информации определенные паттерны. Например, отрезок прямой линии или дугу. Третий слой выискивает паттерны в паттернах. Он уже может свести концы с концами и увидеть ухо или зуб. В конечном счете такая многослойная сеть может научиться идентифицировать собаку. По крайней мере, такая была идея. Никто в реальности не пытался ее осуществить и проверить. И вот в Сан-Диего решили попробовать.

Одним из ведущих деятелей в «группе PDP» был профессор из Сан-Диего Дэвид Румельхарт, имевший ученые степени в области психологии и математики. Когда его спрашивают о Румельхарте, Хинтон любит вспоминать случай, когда им пришлось сидеть на лекции, которая ни для кого из них не представляла никакого интереса. Когда лекция закончилась и Хинтон пожаловался, что зря потерял час жизни, Румельхарт возразил, что он так не считает. По его словам, если бы он просто проигнорировал эту лекцию, то эти шестьдесят минут ломал бы голову над своими собственными исследованиями. По мнению Хинтона, такое умение находить позитивную сторону во всем было характерно для Румельхарта.

Румельхарт поставил перед собой весьма конкретную, но при этом стержневую задачу. Одной из главных сложностей при построении многослойной нейронной сети было то, что очень трудно определить относительную значимость («весовой коэффициент») каждого нейрона в общей расчетной формуле. В однослойной сети типа «Перцептрона» эта задача была осуществима: система могла автоматически задавать вес нейронов в сети. Но в многослойной сети такой метод попросту не работал. Взаимосвязи между нейронами были слишком обширными и сложными. Если изменить весовой коэффициент одного нейрона, это неизбежно отразится на тех нейронах, которые зависят от его поведения. Здесь был необходим более эффективный математический метод, где вес каждого нейрона задавался бы в согласовании со всеми прочими нейронами. В качестве ответа на эту проблему Румельхарт предложил метод, получивший название «обратное распространение ошибки». Этот алгоритм состоял их нескольких итераций расчетов, где, двигаясь по иерархии нейронов в обратном направлении и анализируя за счет своего рода математической обратной связи все большее количество информации, можно достигнуть лучшего понимания того, каким должен быть оптимальный вес каждого нейрона.

Когда новоиспеченный доктор Хинтон прибыл в Сан-Диего и узнал от Румельхарта о его планах, он сразу сказал, что этот математический фокус не сработает. Ведь это доказал сам Фрэнк Розенблатт, человек, создавший «Перцептрон». Если построить нейронную сеть и установить все веса на ноль, система будет учиться сама регулировать себя, постепенно внося коррективы слой за слоем. Но в конечном счете каждый весовой коэффициент проявит себе в том же самом месте, что и все остальные. Однако сколько бы вы ни пытались заставить систему использовать относительные весовые коэффициенты, она будет стремиться к уравнительству – в силу самой своей природы. Как показал Фрэнк Розенблатт, это заложено в самом математическом алгоритме. Говоря математическим языком, система не может «нарушить симметрию». Один нейрон не может быть важнее других – вот в чем проблема. И это означает, что никакая нейронная сеть не может быть существенно лучше «Перцептрона».

Румельхарт выслушал возражение Хинтона – и внес новое предложение. «А что, если не устанавливать весовые коэффициенты на ноль? – сказал он. – Что, если взять случайные числа?» Если все веса изначально разные, тогда и математический процесс пойдет по-другому. Да и не нужно все веса рассчитывать. Рассчитываться будут только те весовые коэффициенты, которые позволяют системе распознавать сложные паттерны, например фотографию собаки.

Хинтон любит говорить, что «старые идеи – это новые идеи»: ученые не должны отказываться от своих идей, пока не будет доказано, что они не работают. Розенблатт еще двадцатью годами ранее доказал, что метод обратного распространения ошибки не работает, и поэтому Хинтон от него отказался. Но тут Румельхарт внес это, казалось бы, небольшое исправление, и двое ученых на нескольких недель занялись созданием системы, которая изначально имела случайные веса нейронов и потому могла нарушать симметрию. Она могла придавать каждому нейрону разные весовые коэффициенты. И при этом система действительно могла распознавать паттерны в изображениях. Это были, конечно, совсем простые изображения. Идентифицировать собаку, кошку или автомобиль система не могла, но благодаря методу обратного распространения ошибки теперь она уже могла справиться с проблемой «исключающего или», то есть преодолеть тот самый недостаток искусственных нейронных сетей, на который более чем за десять лет до этого указал Марвин Мински. Она теперь могла, изучив два пятна на листе картона, ответить на сакраментальный вопрос: «Эти два пятна разного цвета?» На что-то существенно большее система не была способна, и эта идея вновь отошла в тень, однако обойти проблему, связанную с доказательством Розенблатта, ученым все-таки удалось.

В последующие годы Хинтон начал активно сотрудничать с Терри Сейновски, в то время постдоком на кафедре биологии в Принстоне. Они познакомились через другую (не имевшую названия) группу коннекционистов, которые собирались раз в год в разных местах страны для обсуждения тех же самых идей, которые занимали умы их коллег в Сан-Диего. Метод обратного распространения ошибки был одной из тем для обсуждения – как и машина Больцмана. Годы спустя, когда Хинтона попросили объяснить суть машины Больцмана так, чтобы это было понятно простому человеку, далекому от математики и естественных наук, он отказался. Это все равно, сказал он, что просить Ричарда Фейнмана, лауреата Нобелевской премии по физике, объяснить суть открытий, сделанных им в области квантовой электродинамики. Кстати, когда Фейнмана попросили⁷⁹ объяснить, за что его наградили Нобелевской премией, так, чтобы это было понятно непосвященному человеку, он тоже отказался. «Если бы это можно было объяснить простому человеку, – сказал он, – за это не дали бы Нобелевскую премию». Сущность машины Больцмана действительно трудно объяснить – отчасти потому, что речь идет о математической системе, которая основана на теории, впервые разработанной столетие назад австрийским физиком Людвигом Больцманом для исследования феномена, не имеющего ничего общего с искусственным интеллектом (равновесие частиц в нагретом газе). Но цель была простая: это был способ создания искусственной нейронной сети усовершенствованного типа.

Как и «Перцептрон», «машина Больцмана» обучалась на анализе большого количества данных, включая звуки и образы. Но она имела важное отличие. Она обучалась также путем создания собственных звуков и образов и последующего сравнения созданных звуков и образов с анализируемыми. Это в чем-то похоже на человеческое мышление в том смысле, что человек способен представлять в воображении образы, звуки и слова. Человек что-то себе надумывает – как ночью, так и в течение дня, – а потом использует эти мысли и зрительные образы в реальной жизни. Хинтон и Сейновски надеялись, что с помощью «машины Больцмана» им удастся наделить этой человеческой способностью электронный компьютер. «Это был самый увлекательный период в моей жизни, – говорит Сейновски. – Мы были уверены, что поняли, как работает человеческий мозг». Но, как и метод обратного распространения ошибки, «машина Больцмана» оказалась лишь вспомогательным инструментом исследований, никакой практической пользы не принесшим. И ее тоже на долгие годы забросили на чердак научной мысли.

Почти религиозная приверженность Хинтона многим непопулярным идеям привела к тому, что он выпал из научного мейнстрима, но это же открыло перед ним новые профессиональные перспективы. Побывав на одной из ежегодных встреч коннекционистов, в которых участвовали и Хинтон с Сейновски, профессор Университета Карнеги – Меллона Скотт Фалман пришел к выводу, что, пригласив в свой штат Хинтона, его вуз мог бы подстраховать свое участие в разработках искусственного интеллекта. Подобно МТИ, Стэнфорду и большинству других научных коллективов, Университет Карнеги – Меллона сосредоточил все свое внимание на символическом ИИ. Сам Фалман считал искусственные нейронные сети «безумной затеей», но при этом он признавал, что столь же безумными могут казаться и многие другие научные разработки, осуществлявшиеся в их университете. В 1981 году поддерживаемый Фалманом Хинтон приехал в университет на собеседование и выступил с двумя открытыми лекциями; одна была по психологии, вторая по информатике. Его лекции были очень многословные, и он почти не делал пауз, чтобы дать слушателям усвоить услышанное. При этом он постоянно двигал руками: разводил их в начале каждой фразы и сводил, закончив свою мысль. Математических расчетов и ссылок на компьютерные программы в его речах было немного – просто потому, что эти вещи его не интересовали. Зато он сыпал идеями, и тех, кто успевал и был способен следить за ходом его мыслей, эти лекции буквально завораживали. Во всяком случае, его лекции понравились Аллену Ньюэллу, одному из основоположников разработок ИИ вообще и одному из лидеров символического направления в этих разработках, который в то время возглавлял в Университете Карнеги – Меллона кафедру информатики. Уже на следующий день он предложил Хинтону место у себя на кафедре, но, прежде чем согласиться, Хинтон остановил его.

– Вам нужно кое о чем знать, – сказал он.

– Что такое? – спросил Ньюэлл.

– Я ничего не понимаю в компьютерах.

– Ничего страшного. У нас достаточно людей, которые в них разбираются.

– В таком случае я согласен.

– А зарплата вас интересует? – спросил Ньюэлл.

– О нет, я занимаюсь этим не ради денег, – ответил Хинтон.

Некоторое время спустя Хинтон обнаружил, что ему платили меньше, чем его коллегам (26 000 против 35 000 долларов), но он не возражал, потому что наконец обрел здесь возможность свободно заниматься своими неортодоксальными исследованиями. Он продолжал работать над «машиной Больцмана» вместе с Сейновски, к которому часто ездил на выходные в Балтимор, и начал вновь экспериментировать с алгоритмом обратного распространения ошибки, полагая, что это может быть полезно для сравнительного анализа. Ему нужно иметь то, с чем можно было бы сравнивать результаты работы «машины Больцмана», и алгоритм обратного распространения ошибки для этого идеально подходил. Старая идея оказалась новой. В Университете Карнеги – Меллона у него не просто была возможность продолжать развивать эти две идеи. Теперь в его распоряжении были гораздо более мощные и быстродействующие компьютеры. Это позволяло продвигать исследования вперед с большей скоростью, поскольку мощность компьютеров позволяла математическим системам обучаться на больших объемах данных. Прорыв был достигнут в 1985 году, через год после той лекции, с которой он выступил перед Мински. Но прорыв был связан не с «машиной Больцмана», а как раз с алгоритмом обратного распространения ошибки.

В Сан-Диего они с Румельхартом показали, что многослойная нейронная сеть может сама регулировать свои весовые коэффициенты. Затем, уже будучи в Университете Карнеги – Меллона, Хинтон показал, что такая нейронная сеть способна на действия, которые могут произвести впечатление не только на математиков. Нейронной сети предъявлялись элементы некоего генеалогического древа, и она училась определять родственные связи между разными членами семейства. Это вроде бы небольшое умение свидетельствовало о том, что машина способна на гораздо большее. Если нейронной сети сообщали, что мать Джона зовут Викторией, а муж Виктории – Билл, она могла прийти к выводу, что Билл является отцом Джона. Хинтон не знал о том, что учеными, работавшими в совершенно других областях науки, математические методы, сходные с алгоритмом обратного распространения ошибки, уже были разработаны в прошлом. Но, в отличие от своих предшественников, он смог показать, что у этой математической идеи было будущее, причем распознавать можно было не только образы, но и речь. Это направление сулило гораздо больший потенциал возможностей, нежели другие технологии ИИ, поскольку машина могла в значительной мере самообучаться.

Год спустя Хинтон женился на Розалинд Залин, с которой познакомился в Университете Сассекса, куда приезжал на стажировку. Она там занималась молекулярной биологией, но ее вера в гомеопатию всегда была источником напряжения между ней и ее мужем. «Молекулярному биологу не подобает верить в гомеопатию, – говорил он. – Поэтому отношения были сложные, и нам пришлось условиться обходить эту тему молчанием». Она была также убежденной социалисткой, не любила Питтсбург и осуждала политику президента Рейгана. Но для Хинтона этот период жизни был очень плодотворный. Наутро после свадьбы он на полчаса ушел из дома на почту, чтобы отправить пакет в редакцию Nature, одного из ведущих научных журналов мира. В пакете была статья с описанием метода обратного распространения ошибки, написанная им в соавторстве с Румельхартом и профессором Рональдом Уильямсом из Северо-Восточного университета. В том же году статья была опубликована⁸⁰.

Это событие было из разряда тех, которые сами по себе проходят незамеченными, но влекут за собой важные последствия. После выхода статьи исследования нейронных сетей вступили в новую эпоху оптимизма и прогресса, вызвав новую волну инвестиций в эту сферу, ознаменовавшую окончание «зимы искусственного интеллекта». «Бэкпроп», как называли сами ученые алгоритм обратного распространения ошибки, оказался не просто идеей!

Одно из практических приложений этого направления исследований появилось в 1987 году. Ученые из лаборатории искусственного интеллекта Университета Карнеги – Меллона пытались разработать автомобиль, способный обходиться без водителя. За основу они взяли синий фургон Chevrolet, по форме напоминавший машину скорой помощи. На крыше установили видеокамеру, а к ведущему заднему мосту подключили «суперкомпьютер», как они его называли: ЭВМ, способную обрабатывать данные в сотню раз быстрее, чем типичные персональные компьютеры того времени. Идея состояла в том, что этот мощный компьютер, занимавший в фургоне несколько шкафов с электрическими панелями, проводами и кремниевыми чипами, будет прочитывать поток кадров, снимаемых камерой на крыше, и принимать решение о том, как машине ехать по дороге. Но исполнение этой задумки потребовало немало работы. Несколько аспирантов кодировали все касавшиеся движения команды вручную, строчка за строчкой, разрабатывая для автомобиля детальные инструкции для любой ситуации, которая может встретиться на дороге. Это был сизифов труд. К осени – а проект на тот момент осуществлялся уже несколько лет – машина была способна перемещаться лишь с черепашьей скоростью: несколько дюймов в секунду.

И вот тогда один из аспирантов по фамилии Померло перечеркнул все уже написанные программные коды и воссоздал программу с нуля, используя идеи, предложенные Румельхартом и Хинтоном.

Свою систему он назвал ALVINN. Обе буквы N в названии обозначали «нейронную сеть» (neural network). Когда программа была готова, машина поехала совсем по-другому. Пока Померло и его коллеги ехали в этом фургоне через питтсбургский парк Шенли по извилистым асфальтированным велодорожкам, кадры, снимаемые камерой на крыше, фиксировали все действия водителя. Подобно тому как «Перцептрон» Фрэнка Розенблатта учился распознавать буквы, анализируя напечатанное на листах картона, так и фургон учился рулить самостоятельно, глядя на то, что делает человек на каждом изгибе дороги. В скором времени фургон смог проехать через тот же парк уже в режиме автопилота. Поначалу этот начиненный электроникой Chevrolet ездил со скоростью не более девяти-десяти миль в час. Но по мере того, как он продолжал обучаться, когда Померло или другие исследователи садились за руль, и анализировать все большее количество кадров, снимаемых на большем количестве дорог и на большей скорости, его езда в режиме автопилота продолжала улучшаться. В то время как рядовые американцы клеили на свои машины стикеры «Ребенок в машине» или «За рулем бабушка», Померло и его коллеги украсили свой фургон ALVINN наклейкой «За рулем никого». И это было правдой – по крайней мере по духу. Ранним воскресным утром в 1991 году этот фургон самостоятельно проехал от Питтсбурга до Эри, штат Пенсильвания, со скоростью почти шестьдесят миль в час. Через два десятилетия после публикации книги Мински и Пейперта «Перцептроны» удалось сделать то, на что, как утверждалось в книге, нейронная сеть была неспособна.

Хинтон этого не видел. В 1987 году, в тот самый год, когда Померло поступил в аспирантуру Университета Карнеги – Меллона, Хинтон с женой переехали в Канаду. Причиной этого, как он сам утверждает, был Рональд Рейган. В США государственное финансирование исследований искусственного интеллекта шло главным образом из бюджета военных и разведывательных ведомств, и в этом плане особенно выделялось Управление перспективных исследовательских проектов Министерства обороны (DARPA). Созданное в 1958 году, после запуска первого советского спутника⁸¹, это управление финансировало разработки ИИ едва ли не с первых дней. Именно оно было главным источником грантов, которые Мински оттяпал у Розенблатта и других коннекционистов благодаря своей книге, и из этого же источника финансировался проект ALVINN. Но в условиях тогдашнего политического климата в США, особенно в связи с разразившимся скандалом, получившим название «Иран – контрас» (когда администрация Рейгана тайно продавала оружие⁸² Ирану, чтобы финансировать военные операции против социалистического правительства в Никарагуа), Хинтон не пожелал получать деньги из рук американских военных и решил перебраться в Канаду. Сказалось также и давление жены, которая изначально не хотела жить в США. Итак, в то время как исследования нейронных сетей пошли в гору, Хинтон сменил Университет Карнеги – Меллона на должность профессора в Университете Торонто.

Через несколько лет после этого переезда, когда ему вновь пришлось столкнуться с проблемой финансирования, он заговорил с женой о том, правильно ли они поступили.

– Надо было мне ехать в Беркли, – сказал он жене.

– В Беркли? – уточнила жена. – В Беркли бы я поехала.

– Но ты же говорила, что не хочешь жить в США.

– Беркли – не США. Это Калифорния.

Но решение было принято. Они переехали в Торонто. И это был шаг, изменивший будущее искусственного интеллекта – не говоря уже о геополитическом ландшафте.

Ян Лекун сидит за компьютером⁸³ в своем любимом синем свитере, натянутом поверх белой рубашки. На дворе 1989 год, когда мониторы настольных компьютеров были размером с микроволновку и имели колесики для регулировки цвета и яркости. Помимо кабеля, идущего к монитору, второй кабель⁸⁴, выходящий из компьютера, соединен с чем-то напоминающим перевернутую настольную лампу. Но это не лампа. Это камера⁸⁵. Понимающе улыбаясь⁸⁶, Лекун берет со стола лист бумаги с написанным от руки номером телефона⁸⁷ (201-949-4038) и подносит его к камере. При этом номер отображается на экране монитора. Лекун касается клавиатуры⁸⁸, в верхней части экрана что-то дергается, мимолетная вспышка, намекающая на какие-то мгновенно проделанные компьютером вычисления, и несколько секунд спустя машина прочитывает то, что было написано на листе бумаги, и отображает уже в электронном виде: «201-949-4038».

Это была система LeNet, которую создал Лекун и назвал в свою честь. Телефонный номер 201-949-4038 принадлежал научно-исследовательскому центру Bell Labs, который располагался в Холмделе, штат Нью-Джерси, в неофутуристическом зеркальном здании, построенном финско-американским архитектором Эро Сариненом, где под эгидой телекоммуникационной корпорации AT&T десятки ученых трудились над разработкой новых идей. Bell Labs имеет, наверное, самый богатый послужной список среди аналогичных научно-исследовательских центров. В их активе разработка транзистора, лазера, компьютерной операционной системы Unix и языка программирования С. В это время Лекун, двадцатидевятилетний – хоть и очень юный на вид – программист и инженер-электронщик из Парижа, занимался здесь разработкой новой системы распознавания образов, развивающей идеи, выдвинутые несколькими годами ранее Джеффом Хинтоном и Дэвидом Румельхартом. Система LeNet училась распознавать рукописные цифры, нацарапанные на конвертах не дошедших до адресата писем, предоставленных исследователю Почтовой службой США. Созданная Лекуном нейронная сеть проанализировала тысячи образцов каждой цифры – от 0 до 9 – и после двух недель обучения могла уже распознавать их самостоятельно.

Сидя за компьютером в своей лаборатории⁸⁹ в комплексе Bell Labs в Холмделе, Лекун повторяет тот же фокус еще с несколькими числами. Последний случай особенно сложный, ведь каждая цифра как произведение искусства⁹⁰: четверка двойной ширины, шестерка с завитками, двойка составлена из прямых линий. Но машине удалось прочесть их все⁹¹ – и прочесть правильно. Хотя ей потребовались недели, чтобы научиться выполнять такую простую задачу, как прочтение цифр телефонного номера или почтового индекса, Лекун верил, что эта технология будет продолжать совершенствоваться, в том числе за счет создания новой разновидности компьютерных чипов, единственной задачей которых будет обучение нейронных сетей. Он видел в этом путь к таким машинам, которые смогут распознавать практически все, что запечатлено камерой: собак, кошек, автомобили, даже человеческие лица. Почти как Фрэнк Розенблатт сорока годами ранее, он также верил в то, что по мере продолжения этих исследований машины научатся слушать и говорить, и даже рассуждать, как человек. Но об этом не упоминали вслух. «Мы думали об этом, – признается он, – но почти не обсуждали». После того как столько лет ученые приписывали искусственному интеллекту то, чем он далеко не обладал, отношение к подобным заявлениям в научном сообществе изменилось. Теперь, если кто-то утверждал, что успешно движется к созданию ИИ, его просто не принимали всерьез. «Не стоит вслух говорить об этом, пока слова не подтверждены делом, – говорит Лекун. – Вот если ты создал систему и она работает, тогда ты можешь сказать: “Посмотрите, вот какие мы имеем результаты на такой-то базе данных” – да и все равно тебе никто не поверит. Даже когда у тебя есть все доказательства и ты демонстрируешь, как это работает, – даже тогда не поверят».

В октябре 1975 года в аббатстве Руайомон⁹², средневековом монастыре, расположенном к северу от Парижа, между американским лингвистом Ноамом Хомски и швейцарским психологом Жаном Пиаже состоялись дебаты, посвященные природе обучения. Пять лет спустя вышла в свет книга, подробно описывающая суть их спора⁹³, и Ян Лекун прочитал ее, еще будучи студентом. На восемьдесят девятой странице книги упоминался «Перцептрон»⁹⁴ как устройство, «способное формулировать простые гипотезы на основе регулярного поступления исходных данных», и Лекуна это зацепило; он сразу же влюбился в идею машины, способной учиться. Он был уверен, что способность к обучению неотделима от интеллекта. «Любое животное, имеющее мозг, способно учиться», – часто говорил он.

В то время мало кто из ученых уделял внимание нейронным сетям, а те, кто уделял, видели в них не искусственный интеллект, а лишь возможность распознавания паттернов, и Лекун носил в себе эту идею все те годы, пока учился в Высшей школе инженеров-электротехников и электронщиков. Большинство научных статей, которые он читал, были написаны по-английски японцами, потому что Япония в те годы была одним из немногих мест, где это научное движение еще сохранялось. Затем он обнаружил признаки этого движения в США. В 1985 году в Париже проходила конференция, посвященная новаторским и нестандартным подходам в области информатики, и Лекун там присутствовал. А еще там был Хинтон, выступивший с докладом о своей «машине Больцмана». Когда выступление закончилось, Лекун вышел вслед за докладчиком из зала, убежденный в том, что он один из очень немногих людей на Земле, которые придерживались тех же взглядов. К сожалению, в толкотне догнать Хинтона ему не удалось, но, как оказалось, Хинтон сам хотел познакомиться с Яном Лекуном. Он что-то слышал об этом молодом аспиранте от Терри Сейновски, который познакомился с Лекуном на одном из семинаров несколькими неделями ранее. Фамилия Яна выскользнула из памяти Хинтона, но когда он увидел статью Лекуна в программе конференции, то сразу понял, что это и есть он.

На следующий день они вместе позавтракали в арабском ресторане. Хотя Хинтон почти не говорил по-французски, а Лекун не очень хорошо знал английский, их общению это не помешало. Они ели кускус и обсуждали превратности судьбы коннекционизма. Лекуну казалось, что Хинтон понимал его с полуслова. «Я обнаружил, что мы говорили на одном языке», – вспоминает он. Когда два года спустя Лекун защищал диссертацию, темой которой была технология, сходная с алгоритмом обратного распространения ошибки, Хинтон прилетел в Париж, чтобы попасть на заседание ученого совета, хотя по-прежнему почти ничего не понимал по-французски. Обычно при чтении научных статей математические выкладки он пропускал, основное внимание уделяя тексту. Здесь же у него не было другого выбора, как сосредоточиться на математических расчетах Лекуна. Когда дело дошло до вопросов и ответов, договорились так, что Хинтон будет спрашивать по-английски, а Лекун будет отвечать по-французски. Все прошло отлично, если не считать того, что ответов Хинтон не понял.

После долгой «зимы» нейронные сети начали постепенно выбираться из своих нор. Пока Дин Померло работал над беспилотным автомобилем в Университете Карнеги – Меллона, Сейновски активно пиарил свой проект, получивший название «NETtalk»⁹⁵. Используя устройство, способное генерировать звуки – что-то вроде синтезатора речи с голосом робота, которым пользовался парализованный вследствие нейродегенеративного заболевания Стивен Хокинг, – Сейновски создал нейронную сеть, умевшую читать вслух. Анализируя детские книжки с английскими словами и соответствующими фонемами (то есть как каждая буква произносится), сеть научилась самостоятельно произносить другие слова – которых не было в книжке. Она умела различать, когда сочетание букв «gh» читается как «f» (как в слове «enough») и когда «ti» произносится как «sh» (как в слове «nation»). Выступая с докладами на конференциях, Сейновски включал записи звуков, издаваемых устройством на разных стадиях процесса обучения. Сначала система что-то лепетала как младенец. Через полдня она уже научилось произносить узнаваемые слова. Неделю спустя она уже могла считать вслух. «Enough». «Nation». «Ghetto». «Tint». Эта система наглядно показывала, на что способна искусственная нейронная сеть и как она работает. Сейновски ездил со своим творением с одной научной конференции на другую – попутно продемонстрировав ее миллионам телезрителей в ток-шоу Today – и это способствовало активизации коннекционистских исследований по обе стороны Атлантики.

Защитив диссертацию, Лекун последовал в Торонто на годичную постдокторанскую стажировку. Он привез с собой из Франции два чемодана – один с одеждой, другой с персональным компьютером. С Хинтоном они хорошо ладили, хотя сферы интересов у них были достаточно разные. В то время как Хинтона влекло желание понять работу человеческого мозга, Лекун, инженер-электронщик по образованию, больше интересовался вычислительной техникой, математикой нейронных сетей и созданием искусственного интеллекта в самом широком смысле этого слова. В своей профессии он воодушевлялся философскими дебатами между Хомски и Пиаже. Еще его вдохновляли Hal 9000 и другие футуристические машины, описанные в фильме «Космическая одиссея 2001 года» Стэнли Кубрика, который он видел в ультрашироком формате в Париже, когда ему было девять лет от роду. Более сорока лет спустя, когда он возглавил одну из крупнейших в мире научно-исследовательских лабораторий, стены его кабинета по-прежнему украшали обрамленные в рамки кадры из этого фильма. На протяжении всей своей карьеры, изучая искусственные нейронные сети и другие алгоритмические методы, он также занимался разработкой компьютерных чипов и беспилотных вездеходов. «Я делал все, до чего могли дотянуться мои руки», – говорит он. В его работе погоня за ИИ переплетается с другими направлениями научных исследований, и все это складывается в порой даже чересчур амбициозные замыслы, нацеленные на создание машин, которые вели бы себя как люди. Имитировать даже малую часть человеческого разума, как об этом мечтал Хинтон, – само по себе грандиозная задача. Наделить же интеллектом автомобили, самолеты и роботов еще труднее. Но Лекун проявлял гораздо большую практичность и приземленность по сравнению со многими другими учеными, которые позже присоединились к этой гонке. В следующее десятилетие раздавалось немало голосов, сомневающихся в том, будет ли вообще когда-нибудь какая-то польза от нейронных сетей. Впоследствии, когда могущество нейронных сетей стало очевидным, возникли вопросы: а не может ли ИИ уничтожить человечество? Лекун находил оба эти вопроса нелепыми и даже не удосуживался обсуждать их ни в приватных беседах, ни публично. Как он выразился десятилетиями позже на церемонии награждения премией Тьюринга, которая является аналогом Нобелевской премии в области информатики, «я всегда был уверен, что я прав». Он верил в то, что нейронные сети представляют собой путь к весьма реальным и полезным технологиям. И именно об этом он говорил.

Настоящим прорывом в его деятельности стала разновидность нейронной сети⁹⁶, моделирующая зрительную кору, то есть ту часть головного мозга, которая управляет зрением. Вдохновленный исследованиями японского ученого-компьютерщика Кунихико Фукусимы, он назвал свое творение «сверточной нейронной сетью». Подобно тому, как разные отделы зрительной коры обрабатывают разные фрагменты изображения, воспринимаемого глазами, сверточная нейронная сеть разрезает изображение на клетки и анализирует каждую из них отдельно, находя в этих клетках маленькие паттерны и выстраивая их в большие паттерны по мере поступления информации через паутину (псевдо)нейронов. Эта идея стала стержневой в карьере Лекуна. «Если Джефф Хинтон – Лиса, тогда Ян Лекун – Еж, – говорит профессор из Беркли Джитендра Малик, заимствуя эту аналогию у философа Исайи Берлина. – Хинтон пузырится миллионами и миллиардами идей, которые скачут в разные стороны. Ян же более целеустремленный. Лиса знает много секретов, а Еж – один, но самый главный».

Первоначально Лекун разрабатывал свою идею, находясь рядом с Хинтоном в Торонто. По-настоящему эта идея расцвела, когда он перебрался в Bell Labs, где в его распоряжении были огромные массивы данных, необходимые для обучения лекуновой сверточной нейронной сети (тысячи не дошедших до адресата писем). Кроме того, там были более мощные компьютеры (новейшая рабочая станция Sun Microsystem), позволявшие с большой скоростью анализировать эти конверты. Он объяснил Хинтону, что перешел в Bell Labs, потому что там ему обещали собственную рабочую станцию, тогда как во время стажировки в Торонто ему приходилось делить машинное время с другими учеными. Через несколько недель после перехода в Bell Labs, используя тот же самый базовый алгоритм, он создал систему, способную распознавать написанные от руки цифры с точностью, которая превосходила все другие технологии, разрабатывающиеся в AT&T. Эта система работала так хорошо, что вскоре нашла коммерческое применение. Помимо Bell Labs, AT&T принадлежала компания NCR, которая продавала кассовые аппараты и другое оборудование для бизнеса, и к середине 1990-х годов AT&T стала продавать технологию Лекуна банкам как способ автоматического чтения рукописных чеков. В этот момент творение Лекуна прочитывало более 10 процентов всех чеков, которые выписывались в США.

Но он рассчитывал на большее. В стеклянных стенах комплекса Bell Labs в Холмделе, который называли «самым большим зеркалом в мире», Лекун и его коллеги разработали микрочип, получивший название ANNA. Это был акроним с акронимом внутри⁹⁷. ANNA расшифровывалась как Analog Neural Network ALU (аналоговая нейронная сеть ALU), а ALU, в свою очередь, расшифровывалось как Arithmetic Logic Unit (арифметическая логическая единица). ALU – это особая микросхема, разработанная специально для математических расчетов, связанных с нейронными сетями. Вместо того чтобы запускать свои алгоритмы с использованием обычных микрочипов, применяемых для решения любых задач, компания Лекуна разработала микросхему для данной конкретной задачи. Благодаря этому расчеты выполнялись со скоростью около 4 миллиардов операций в секунду, что значительно превосходило стандарты того времени. Эта фундаментальная концепция – микросхема, созданная специально для нейронных сетей, – с течением времени привела к перестройке всей мировой индустрии микрочипов, хотя случилось это двадцатью годами позже.

Вскоре после того, как банковский сканер Лекуна вышел на коммерческий рынок, AT&T, бывшая общенациональная телекоммуникационная корпорация, которая уже не раз делилась на множество мелких компаний, разделилась снова. NCR и исследовательская группа Лекуна оказались по разные стороны, и проект с банковским сканером был аннулирован, что ввергло Лекуна в состояние разочарования и депрессии. Группа уже вот-вот подбиралась к технологиям с использованием всемирной паутины, которая еще только начинала разворачиваться в Америке, а его вообще лишили возможности работать над нейронными сетями. Когда компания начала увольнять ученых, Лекун понял, что тоже хочет уйти. «Я не хочу заниматься тем дерьмом, которое хочет навязать мне компания, – сказал он начальнику лаборатории. – Я работаю над компьютерным зрением». Удерживать его не стали.

В 1995 году двое исследователей Bell Labs⁹⁸ – Владимир Вапник и Ларри Джекель – поспорили. Вапник говорил, что через десять лет «никто в здравом уме не будет использовать нейронные сети». Джекель принял сторону коннекционистов. Они поспорили на «дорогой обед», и Лекун выступил в качестве посредника. Они распечатали взаимные обязательства и подписались. Практически сразу ситуация повернулась так, что поражение Джекеля казалось неминуемым. Проходили месяцы, и в мире коннекционистов снова наступили заморозки. Да, фургон Померло мог ехать без водителя. Да, система NETtalk, разработанная Сейновски, могла читать вслух. А банковский сканер Лекуна мог читать рукописные чеки. Но было ясно, что этот фургон способен ездить лишь по прямой или там, где никого нет. Система NETtalk годится, скорее, как фокус для вечеринок. А для чтения чеков существовала масса других возможностей. Сверточные нейронные сети Лекуна не справлялись с анализом более сложных изображений, таких как фотографии собак, кошек и автомобилей. И было не ясно, есть ли у них вообще перспектива. В конечном счете Джекель одержал победу, но это была пустая победа. Через десять лет после их пари ученые все же продолжали пользоваться нейронными сетями, но технология за это время продвинулась немногим дальше системы Лекуна, способной читать рукописные цифры. «Я выиграл пари, потому что Ян не сдался, – говорит Джекель. – Научное сообщество фактически игнорировало его, но он не сдавался».

Примерно в то время, когда заключалось это пари, в Стэнфордском университете профессор по имени Эндрю Ын читал лекцию аспирантам о нейронных сетях. В лекции прозвучала такая фраза: «Ян Лекун – единственный человек, который по-настоящему сумел заставить их работать». Но даже сам Лекун не был уверен в будущем. На своем личном веб-сайте он описал свои исследования как нечто оставшееся в прошлом. Он описал кремниевые процессоры⁹⁹, которые он разрабатывал в Нью-Джерси, как «первые (и, может быть, последние) чипы нейронных сетей, способные делать что-то полезное». Годы спустя, когда его спросили об этих словах, он отмахнулся от них, указав на то, что он и его студенты вернулись к той же идее в конце десятилетия. Но та неуверенность, которую он ощущал, явно прослеживалась в его словах. Нейронные сети нуждались в большей мощности компьютеров, но никто не понимал, какой должна быть эта мощность. Как выразился позже Джефф Хинтон: «Никто даже не удосужился задать вопрос: “А если предположить, что нам нужно в миллион раз больше?”»

В то время как Ян Лекун занимался созданием банковского сканера в Нью-Джерси, Крис Брокетт преподавал японский язык на кафедре азиатских языков и литературы в Вашингтонском университете. Затем его пригласили в Microsoft заниматься разработками искусственного интеллекта. Это был 1996 год, и гигантская научно-исследовательская лаборатория, созданная Microsoft, была еще сравнительно молодой. Компания была нацелена на создание систем, способных понимать естественный язык – язык, на котором пишут и разговаривают люди. В то время это было больше работой лингвистов. Языковеды типа Брокетта, которые изучал лингвистику и литературу у себя на родине, в Новой Зеландии, а потом в Японии и США, целыми днями составляли подробные правила, предназначенные научить машину правильно, по-человечески, составлять слова. Они объясняли машине, почему «время летит», тщательно разделяли одинаково пишущиеся разные части речи, подробно объясняли странные и во многом неосознаваемые правила, по которым англоязычные люди выбирают порядок прилагательных и т. д. Это была работа, во многом напоминающая прежний проект Cyc, осуществлявшийся в Остине, или работу по созданию беспилотного автомобиля в Университете Карнеги – Меллона до того, как туда пришел Дин Померло. Фактически это была работа по моделированию человеческих знаний, которая могла продолжаться десятилетиями, скольких бы лингвистов компания Microsoft ни нанимала. В конце 1990-х, следом за такими выдающимися учеными, как Марвин Мински и Джон Маккарти, большинство университетов и IT-компаний именно таким образом разрабатывали технологии компьютерного зрения и распознавания речи, а также понимания естественного языка. Эксперты выстраивали эти технологии по кусочкам, одно правило за другим.

Сидя в своем офисе в штаб-квартире Microsoft неподалеку от Сиэтла, Брокетт потратил почти семь лет на составление правил естественного языка. И вот однажды в 2003 году в просторном конференц-зале, расположенном на том же этаже дальше по коридору, двое его коллег представили новый проект. Они создали систему машинного перевода между двумя языками с использованием техники, основанной на статистике: как часто каждое слово появляется в каждом языке. Если набор слов появлялся с одинаковой частотой и в одном и том же контексте в обоих языках, это был вероятный перевод. Эти двое исследователей приступили к работе всего шесть недель назад и уже достигли результатов, которые, по крайней мере, хоть немного напоминали реальный язык. Брокетт наблюдал за презентацией из глубины переполненного зала, где многие сидели на перевернутых мусорных баках, так как мест не хватало, и у него случился приступ паники – сам он решил, что это сердечный приступ, – и его срочно отвезли в больницу.

Позже он назвал это «моментом прихода к Иисусу», когда он понял, что потратил шесть лет на написание правил, которые в одночасье устарели. «У моего пятидесятидвухлетнего организма был один из тех моментов, когда он увидел будущее, в котором его самого не было», – говорит он.

Специалисты по естественным языкам во всем мире вскоре пересмотрели свои подходы в пользу статистических моделей, аналогичных той, что была представлена в тот день в предместье Сиэтла. Это был лишь один из множества математических методов, которые распространились в широком сообществе исследователей ИИ в 1990-х и в 2000-х годах под такими названиями, как «случайный лес» (random forests), «ускоренные деревья» и «метод опорных векторов». Одни из этих методов применялись к пониманию естественного языка, другие – к распознаванию речи и изображений. По мере того как прогресс в исследованиях нейронных сетей замедлялся, многие из этих альтернативных методов дозревали и улучшались и начали доминировать в отдельных аспектах разработок ИИ. Все они были очень далеки от совершенства. Хотя ранних успехов статистических методов машинного перевода хватило, чтобы отправить Криса Брокетта в больницу, они были эффективны только до определенной степени и только тогда, когда применялись к коротким фразам – кусочкам предложения. Как только фраза была переведена, требовался сложный набор правил, чтобы привести ее в нужное грамматическое время, добавить к словам правильные окончания слов и согласовать ее со всеми остальными частями предложения. И все равно перевод получался путаным, и смысл лишь смутно угадывался, как в той детской игре, где вы составляете рассказ из слов или словосочетаний, написанных на клочках бумаги. Но это в любом случае превосходило возможности любой нейронной сети. К 2004 году нейронные сети рассматривались как третьесортный способ решения задач – как устаревшая технология, лучшие дни которой остались позади. Как сказал один исследователь Алексу Грейвсу, тогда еще молодому аспиранту, изучавшему нейронные сети в Швейцарии, «нейронные сети предназначены для людей, которые не разбираются в статистике». Выбирая себе специализацию в Стэнфорде, девятнадцатилетний студент по имени Ян Гудфеллоу записался на курс так называемой когнитивистики – дисциплины, изучающей вопросы мышления и обучения, – и во время одной из лекций преподаватель пренебрежительно отозвался о нейронных сетях как о технологии, которая не может справиться с операцией «исключающее или». Этому упреку было сорок лет от роду, и он уже был двадцать лет как опровергнут.

В Соединенных Штатах коннекционистские исследования почти исчезли из ведущих университетов. Единственная серьезная лаборатория, продолжавшая ими заниматься, была в Нью-Йоркском университете, где Ян Лекун в 2003 году занял должность профессора. Главным пристанищем для тех, кто все еще верил в эти идеи, стала Канада. Хинтон работал в Торонто, а один из прежних коллег Лекуна по Bell Labs, Йошуа Бенжио – тоже родом из Парижа, – руководил научной лабораторией в Монреальском университете. Как раз в эти годы Ян Гудфеллоу подал заявки в аспирантуру по информатике в разные вузы, и некоторые предложили ему место, включая Стэнфорд, Беркли и Монреаль. Он выбрал Монреаль, но, когда он туда приехал на собеседование, один из тамошних студентов стал его отговаривать. Стэнфорд занимал третье место в рейтинге учебных программ по информатике в Северной Америке. Беркли был четвертым. И оба находились в солнечной Калифорнии. Монреальский университет занимал где-то сто пятидесятое место, и там было холодно.

– Стэнфорд! Один из самых престижных университетов в мире! – уговаривал его этот монреальский студент, с которым они гуляли по городу, все еще покрытому снегом, хотя дело было поздней весной. – Какого черта, о чем ты думаешь?

– Я хочу изучать нейронные сети, – сказал ему Гудфеллоу.

По иронии судьбы, в то время самое время, когда Гудфеллоу занимался нейронными сетями в Монреале, один из его прежних профессоров, Эндрю Ын, познакомившись с результатами исследований, которые продолжали поступать из Канады, решил сам заняться этим в своей лаборатории в Стэнфорде. Но он слыл чудаком и имел слишком мало влияния как в своем собственном университете, так и в более широком научном сообществе, не говоря уже о том, что у него не было никаких доказательств, которые позволили бы убедить окружающих в том, что нейронные сети стоят того, чтобы их исследовать. Где-то в этот период он выступил с докладом на семинаре в Бостоне и предсказал скорый подъем в исследованиях нейронных сетей. В середине его выступления профессор из Беркли Джитендра Малик, один из фактических лидеров сообщества разработчиков компьютерного зрения, встал и по примеру Мински заявил, что все это бессмыслица и что самодовольные заявления докладчика не имеют под собой абсолютно никаких оснований.

Примерно в это же самое время Хинтон представил доклад на конференцию NIPS, где он позже выставит на аукцион свою компанию. Эта конференция была задумана в конце 1980-х годов как возможность для ученых обсудить исследования всякого рода нейронных сетей, как биологических, так и искусственных. Но организаторы конференции отклонили статью Хинтона, потому что уже приняли одну работу по нейронным сетям и решили, что два доклада на эту тему было бы перебором. «Нейронный» было плохое слово даже для конференции, посвященной «нейронным системам обработки информации». К тому времени понятие «нейронные сети» упоминалось менее чем в 5 процентах всех опубликованных работ, относящихся к этой области знаний. Подавая статьи на конференции и в журналы, некоторые исследователи в надежде повысить свои шансы на успех, заменяли словосочетание «нейронная сеть» какими-то другими терминами, например «аппроксимация функций» или «нелинейная регрессия». Ян Лекун даже убрал слово «нейронный» из названия своего самого важного изобретения. «Сверточные нейронные сети» стали просто «сверточными сетями».

Тем не менее, статьи, которые сам Лекун считал бесспорно важными, отвергались научным сообществом, и, когда такое случалось, он вступал в жаркие споры, твердо отстаивая свою правоту. Кто-то видел в этом чрезмерную самоуверенность, кто-то, наоборот, воспринимал это как признак неуверенности и обиды за то, что его труды не находят признания у авторитетных ученых. Однажды Клеман Фарабе¹⁰⁰, один из его аспирантов, построил нейронную сеть, которая могла анализировать видеозаписи и разделять разные виды объектов – отличать деревья от зданий, автомобили от людей. Это был шаг к компьютерному зрению для роботов и беспилотных автомобилей, наделявший их способностью выполнять свои задачи с меньшим количеством ошибок – по сравнению с другими технологиями – и делать это гораздо быстрее, но рецензенты на одной из ведущих конференций по компьютерному зрению безоговорочно отвергли статью, которую он написал об этом. Лекун ответил письмом на имя председателя конференции, в котором говорилось, что рецензии настолько нелепы, что он не знает, как написать опровержение, не оскорбив рецензентов. Председатель конференции выложил письмо в интернет на всеобщее обозрение, и, хотя имя Лекуна он удалил, было очевидно, кто автор этих слов.

Помимо Канады, нормально заниматься разработкой нейронных сетей можно было только в Европе или Японии. Одним из таких мест была лаборатория в Швейцарии, возглавляемая Юргеном Шмидхубером, энтузиастом искусственного интеллекта, который еще в детстве объяснял своему младшему брату, что человеческий мозг можно искусственно воссоздать с помощью медных проводов, а с пятнадцати лет мечтал¹⁰¹ построить машину, которая была бы умнее, чем он сам, – и потом уйти на покой. В 1980-е годы, будучи студентом, он изучал нейронные сети, а затем, по окончании аспирантуры, его амбиции пересеклись¹⁰² с амбициями итальянского производителя ликеров по имени Анджело Далле Молле. В конце десятилетия, сколотив состояние на продаже артишокового ликера, Далле Молле воздвиг лабораторию искусственного интеллекта¹⁰³ в Швейцарии, на берегу озера Лугано, неподалеку от границы с Италией, исполненный намерения изменить мир к лучшему с помощью умных машин, которые могли бы справляться со всей работой, традиционно ложившейся на людские плечи. В скором времени Шмидхубер возглавил эту лабораторию.

Он выделялся высоким ростом – примерно метр девяносто, – стройным телосложением и квадратной челюстью. Ходил всегда в шляпе или в кепке и носил пиджак в стиле Неру. «Легко представить, как он гладит белого кота», – говорит о нем один из его бывших учеников, имея в виду Эрнста Блофельда, злодея из ранних фильмов о Джеймсе Бонде, который тоже одевался в стиле Неру. Внешность Шмидхубера каким-то образом гармонировала со швейцарской лабораторией, которая тоже выглядела как будто из фильма о Бонде – эдакая крепость на берегу европейского озера, в окружении пальм. В стенах этого созданного Далле Моле научно-исследовательского института Шмидхубер и один из его студентов разработали нейронную сеть с кратковременной памятью, как они сами ее описали, способную «запоминать» данные, которые она недавно анализировала, благодаря чему эффективность анализа на каждом следующем этапе возрастала. Эта сеть получила название LSTM, что расшифровывалось как «долгая краткосрочная память». На самом деле способности этой сети были невелики, но Шмидхубер верил, что такая технология позволит создать искусственный интеллект уже в ближайшие годы. Он утверждал, что некоторые нейронные сети обладают не только памятью, но и чувствительностью. «У нас в лаборатории рождается разум», – говорил он. Как позже с чувством выразился один из студентов, «он походил на маньяка».

Хинтон шутил, что LSTM расшифровывается как «looks silly to me» («мне это кажется глупостью»). Шмидхубер служил особенно ярким примером давней традиции, существовавшей среди исследователей искусственного интеллекта, начиная с Розенблатта, Мински и Маккарти. Со времени возникновения этой области науки ее наиболее выдающиеся представители время от времени обещали создать жизнеспособные технологии, но эти обещания так и оставались пустым звуком. Иногда это был способ привлечь инвестиции со стороны правительственных учреждений или венчурных капиталистов. В других случаях это была искренняя вера в то, что ИИ действительно не за горами. Такой оптимистичный настрой помогал продвигать исследования вперед. Но он же, когда реальные технологии не оправдывали ожиданий, становился тормозом прогресса на многие годы.

Сообщество коннекционистов было крошечным, и возглавляли его европейцы – англичане, французы, немцы. Даже политические, религиозные и культурные взгляды этих ученых не укладывались в рамки американского мейнстрима. Хинтон был убежденным социалистом. Бенжио отказался от французского гражданства, потому что не хотел служить в армии. Лекун называл себя «воинствующим атеистом». Хотя Хинтон таких терминов не использовал, чувствовал он примерно то же самое. Он часто вспоминал один момент из своей юности, когда он сидел в часовне Клифтон-колледжа, частной школы, где он учился, и слушал проповедь. Проповедник с кафедры говорил, что в коммунистических странах людей заставляют посещать идеологические собрания и оттуда нельзя уйти. Хинтон подумал тогда: «Но я же точно в такой ситуации». Он оставался верен этим своим убеждениям – атеизм, социализм, коннекционизм – и в последующие десятилетия, хотя после продажи своей компании Google за 44 миллиона долларов стал называть себя «gauche caviar» – «левым икрожуем»[2]. «Это правильный термин?» – лукаво спрашивал он, прекрасно зная, что это так.

Как ни трудны были 1990-е годы для Лекуна, для Хинтона они были еще тяжелее. Вскоре после переезда в Торонто они с женой усыновили двоих детей из Южной Америки: мальчика Томаса из Перу и девочку Эмму из Гватемалы. Обоим еще не исполнилось шести лет, когда его жена начала страдать болями в животе и терять в весе. Хотя это продолжалось несколько месяцев, она отказывалась обратиться к врачу, твердо придерживаясь своей веры в гомеопатическую медицину. Когда она наконец сдалась, у нее обнаружили рак яичников. Но даже тогда она продолжала настаивать на гомеопатическом лечении, отказываясь от химиотерапии. Полгода спустя она умерла.

Хинтон полагал, что его карьера ученого подошла к концу. Ему нужно было заботиться о своих детях, а Томасу, у которого были, как говорили в семье, «особые потребности», нужно было самое пристальное внимание. «Я проводил время в раздумьях», – говорил впоследствии Хинтон. Два десятилетия спустя, получая – вместе с Лекуном – премию Тьюринга, он выразил благодарность своей второй жене Джеки Форд, англичанке, занимавшейся историей искусства, за то, что она спасла его научную карьеру, когда они поженились в конце 1990-х, и помогла ему вырастить детей. Они познакомились много лет назад в Университете Сассекса. Встречались на протяжении года, а потом он переехал в Сан-Диего, и они расстались. Они воссоединились, когда он вернулся в Великобританию и устроился на работу в Университетский колледж Лондона, но вскоре после этого они снова переехали в Канаду. Ему казалось, что его детям лучше в Торонто.

Так на рубеже тысячелетий Хинтон снова вернулся в свой угловой кабинет в корпусе компьютерных наук Университета Торонто, выходящий окнами на мощеную булыжником улицу, прорезавшую кампус насквозь. Окна были такие большие, что все тепло уходило из его кабинета, согревая окоченевшую от сильных морозов природу. Этот кабинет стал привычным местом сбора для небольшого сообщества ученых, которые все еще верили в нейронные сети, – отчасти благодаря научному авторитету Хинтона, но также из-за его креативности, энтузиазма и своеобразного чувства юмора люди тянулись к нему, пусть даже поболтать о пустяках. Если ему отправили письмо с вопросом, как он предпочитает, чтобы его называли, Джеффри или Джефф, его ответ в равных долях содержал остроумие и обаяние:

Я предпочитаю Джеффри.

Спасибо,

Джефф.

Одиннадцатого декабря 2008 года Ли Дэн вошел в один из отелей города-курорта Уистлера, расположенного к северу от Ванкувера в Британской Колумбии, у подножия заснеженных гор, где в 2010 году проходили горнолыжные соревнования в рамках зимних Олимпийских игр. Он приехал сюда не на лыжах кататься. Он был там ради науки. Каждый год сотни исследователей приезжали в Ванкувер на ежегодную конференцию NIPS, посвященную искусственному интеллекту, а после ее окончания большинство участников совершали короткую поездку в Уистлер для более тесных «семинаров», связанных с проблематикой NIPS: два дня научных докладов, ученых дебатов и неформальных разговоров в коридоре, которые помогали оценить ближайшее будущее ИИ. Родившийся в Китае и получивший образование в США, Дэн на протяжении всей своей карьеры создавал программное обеспечение, предназначенное для распознавания речи, сначала в должности преподавателя в Университете Ватерлоо в Канаде, а затем в должности исследователя в центральной научно-исследовательской лаборатории Microsoft под Сиэтлом. Такие компании, как Microsoft, продавали программы распознавания речи уже более десяти лет, позиционируя эту технологию как способ автоматического преобразования в письменный текст записей вашего голоса на диктофон, но приходилось признать, что эта система работала не так хорошо, как хотелось бы, и слишком часто неправильно воспринимала слова, которые вы произносили в микрофон. Как и большинство разработок ИИ в то время, эта технология совершенствовалась слишком медленно. В Microsoft Дэн и его команда потратили три года на создание последней версии системы распознавания речи, и она работала хорошо если процентов на пять точнее, чем предыдущая. И вот однажды вечером в Уистлере он наткнулся на Джеффа Хинтона.

Он знал Хинтона еще со времен работы в Канаде. В начале 1990-х, в период краткого ренессанса коннекционистских исследований, один из аспирантов Дэна¹⁰⁵ написал диссертацию, посвященную возможностям использования нейронных сетей в целях распознавания речи, и Хинтон, к тому времени занявший место профессора в Торонто, принял участие в работе ученого совета, рассматривавшего диссертацию. В последующие годы, когда интерес к коннекционизму в широких научных кругах снова угас, эти двое ученых мало пересекались. Хотя Хинтон продолжал твердо держаться своей веры в нейронные сети, распознавание речи рассматривалось им лишь как второстепенное побочное явление, и его лаборатория в Торонто этим практически не занималась – а это означало, что он и Дэн вращались в совершенно разных кругах. Но когда они оказались в одном и том же конференц-зале в отеле Hilton Whistler Resort and Spa – почти пустом зале, где несколько исследователей сидели за столами, ожидая, когда кто-нибудь задаст им вопросы об их последних разработках, – Дэн и Хинтон сразу же разговорились. Дэн, чрезвычайно возбудимый и очень разговорчивый, легко вступал в беседы с кем угодно. У Хинтона был свой план.

– Что нового? – спросил Дэн.

– Глубокое обучение, – ответил Хинтон. – Нейронные сети, – сказал он, – начинают показывать успехи в распознавании речи.

Дэн не очень-то поверил. Хинтон в прошлом практически не занимался методами распознавания речи, а нейронные сети еще никогда и ни в чем не показывали настоящих успехов. В Microsoft Дэн разрабатывал свой собственную методику распознавания речи, и у него не было времени пускаться в очередную погоню за призрачными алгоритмами. Но Хинтон настаивал. Его исследованиям не уделяется достаточно внимания, сказал он, но за последние несколько лет он и его ученики опубликовали ряд работ, в которых подробно описываются его глубокие сети доверия, способные обучаться на гораздо больших объемах данных, чем это позволяли предыдущие методы, и по эффективности его метод распознавания речи уже приближается к лидирующим технологиям в этой области. «Вы должны это попробовать», – твердил Хинтон. Дэн пообещал, что попробует, и они обменялись почтовыми адресами. Потом прошли месяцы.

Летом, когда у Дэна появилось больше свободного времени, он решил-таки почитать литературу о возможностях распознавания речи при помощи нейронных сетей, и эффективность этой технологии так его впечатлила, что он написал Хинтону письмо, предложив организовать в Уистлере новый семинар вокруг этой идеи. Однако он все еще сомневался в долгосрочных перспективах метода, который систематически игнорировался мировым сообществом исследователей, занимавшихся темой распознавания речи. С простыми тестами он хорошо справлялся, но это же можно было сказать и о многих других алгоритмических методах. Когда же подошло время в очередной раз собраться в Уистлере, Хинтон отправил Дэну еще одно письмо¹⁰⁶, приложив к нему черновой вариант научной работы, которая продвигала его методику еще дальше. Там было показано, что после трехчасового прослушивания и анализа произносимых вслух слов эффективность нейронной сети в распознавании речи сравнивается с эффективностью самых передовых технологий. Дэн все еще не мог в это поверить. Ученые из Торонто описывали свою технологию так, что ее было ужасно трудно понять, и тестировали свою систему, используя базу данных звуков, записанных в лаборатории, а не реально звучащую речь. Хинтон и его ученики вступили в такую область исследований, с которой они были не очень хорошо знакомы, и это было заметно. «Статья была просто плохо оформлена, – говорит Ли Дэн. – И я просто не мог поверить, что они достигли тех же результатов, что и я». Поэтому он попросил показать исходные данные проведенных испытаний. И когда он открыл письмо, просмотрел данные и своими глазами увидел, на что способна эта технология, тогда он поверил.

Тем же летом Ли Дэн пригласил Хинтона поработать в научно-исследовательской лаборатории Microsoft в Редмонде, штат Вашингтон. Хинтон согласился. Но сначала ему нужно было как-то добраться туда. В последние годы его проблемы со спиной дошли до такой степени, что он снова стал сомневаться в возможности продолжать работать. Спину он надорвал за сорок лет до этого, когда по просьбе своей матери пытался передвинуть заполненный кирпичом тепловой аккумулятор. Это привело к протрузии межпозвонкового диска, и с годами состояние позвоночника становилось все более нестабильным. Теперь для обострения болезни ему достаточно было просто наклониться или присесть. «Это было сочетание генетики, глупости и невезения, как бывает при любых жизненных неприятностях», – говорит он. Единственный выход, решил он, заключался в том, чтобы перестать садиться (кроме как «на пару минут пару раз в день», как он выражается, по неизбежным физиологическим потребностям). Встречаясь со студентами в своей лаборатории в Торонто, он часто лежал на рабочем столе или на раскладушке, которая стояла у стены в кабинете, пытаясь облегчить боль. По этой же причине он не мог водить машину и не мог летать самолетами.

Поэтому осенью 2009 года он сначала доехал на метро до автовокзала в центре Торонто, встал в очередь одним из первых, чтобы успеть занять заднее сиденье автобуса до Буффало, лег и притворился спящим, чтобы никто не попытался его сдвинуть. «В Канаде это срабатывает», – говорит он. (На обратном пути из США в Канаду не сработало: «Я лег на заднее сиденье и притворился спящим, а какой-то парень подошел и растолкал меня».) Прибыв в Буффало, он оформил визу, необходимую для работы в лаборатории Microsoft, а затем почти три дня ехал через всю страну на поезде до Сиэтла. Дэн не понимал, какой проблемой для Хинтона была его спина, пока не услышал, сколько времени и хлопот занял этот переезд. Перед прибытием поезда он заказал для своего кабинета регулируемый по высоте стол для Хинтона, чтобы они могли работать бок о бок.

Хинтон прибыл в середине ноября. Последний отрезок пути, лежа на заднем сиденье такси, он проделал по понтонному мосту через озеро Вашингтон, отделяющее Сиэтл от Редмонда, небольшого пригорода, застроенного множеством средних размеров офисных зданий, принадлежащих корпорации Microsoft. Ему выделили место в офисе Дэна на третьем этаже Корпуса 99 – здания из гранита и стекла, где располагалось самое сердце научно-исследовательского подразделения компании. Это была та самая лаборатория, где лингвист Крис Брокетт в свое время пережил приступ паники, – лаборатория академического стиля, внимание которой было сосредоточено не на рынках и деньгах, как это можно было бы сказать об остальных подразделениях Microsoft, но на технологиях будущего. Она была создана в 1991 году, как раз в то время, когда компания Microsoft стала доминировать на мировом рынке программного обеспечения, и одной из главных целей, поставленных перед ней, была разработка технологии распознавания речи. В течение следующих пятнадцати лет компания наняла многих ведущих исследователей в этой области, включая Ли Дэна, приманивая их необычайно высокими зарплатами. Но к тому времени, когда Хинтон прибыл в Редмонд, место Microsoft в мире успело измениться. Баланс сил смещался от софтверного гиганта в другие области технологического ландшафта. Google, Apple, Amazon и Facebook быстро росли, захватывая новые рынки и новые деньги – поисковики, смартфоны, онлайн-торговля, социальные сети. Microsoft по-прежнему доминировала в области программного обеспечения компьютеров со своей операционной системой Windows, которая устанавливалась на большинстве настольных ПК и ноутбуков, но из-за своих масштабов – а пока она превращалась в одну из крупнейших в мире корпораций, одновременно разросся и ее бюрократический аппарат – она слишком медленно реагировала на перемены, происходящие в окружающем мире.

Внутри Корпуса 99, где четыре этажа лабораторий, конференц-залов и офисов окружали большой атриум с кофейней, Хинтон и Дэн планировали соорудить прототип, основанный на результатах исследований в Торонто, призванный обучать нейронную сеть распознавать произносимые слова. Работы там было немного, и они планировали легко справиться с нею вдвоем, но сразу же возникли бюрократические сложности. Хинтону нужен был доступ для входа в компьютерную сеть Microsoft, а получить доступ можно было только по телефону компании, но для использования телефона требовался свой доступ. Они посылали бесчисленные обращения по электронной почте, пытаясь получить карту доступа для телефона, но все без толку, и тогда Дэн проводил Хинтона к стойке технической поддержки на четвертом этаже. У Microsoft было специальное правило, которое позволяло использовать временный сетевой пароль тем, кто посещал компанию всего на один день, и женщина, сидевшая за стойкой, передала нужную карту доступа Хинтону. Но когда Хинтон спросил, сохранится ли этот доступ и на завтра, она тут же забрала карту обратно. «Если вы остаетесь здесь больше чем на день, – сказала она, – вам это не полагается».

Как только они наконец нашли возможность выходить в сеть, с задачей удалось справиться всего за несколько дней. Был момент, когда Хинтон набирал код на своем настольном компьютере, а Дэн подскочил и начал набирать рядом с ним на той же клавиатуре. Это было типично для импульсивного, всегда возбужденного Дэна, но Хинтон никогда не видел ничего подобного. «Я привык к тому, что люди перебивают друг друга, – говорит он. – Но такого со мной еще не бывало, чтобы я набирал код на клавиатуре, а кто-то другой встревал и начинал что-то набирать на той же самой клавиатуре». Они построили свой прототип, используя язык программирования Matlab, и код программы, написанный в основном Хинтоном, занимал не более десяти страниц. Как бы Хинтон ни принижал свои способности в области математики и информатики, Дэна поразила элегантная простота созданного им кода. «Все так ясно и понятно, – думал Дэн. – Строчка за строчкой». Но впечатление производила не только ясность кода. После того как система прошла обучение с использованием речевой базы данных Microsoft, они увидели, что это действительно работает – пусть не так хорошо, как ведущие системы того времени, но достаточно хорошо, чтобы Дэн утвердился в убеждении, что именно здесь скрывается ближайшее будущее распознавания речи. Коммерческие системы распознавания речи использовали другие, практически кустарные методы, и будущего у них не было. Дэн понял, что они с Хинтоном создали систему, которая имела все перспективы стать еще более мощной и эффективной, поскольку обучалась на гораздо бо́льших объемах данных.

Для максимально эффективной работы их прототипу все еще не хватало вычислительной мощности, необходимой для анализа всех этих данных. В Торонто Хинтон использовал совершенно особый графический процессор. Производители мощных графических процессоров, или видеокарт, такие как Nvidia, изначально разрабатывали их как средство ускорения рендеринга графики для таких популярных видеоигр, как Halo и Grand Theft Auto, но в какой-то момент разработчики, занимающиеся глубоким обучением, обнаружили, что эти графические процессоры столь же хорошо справляются с математическими расчетами для нейронных сетей. В 2005 году трое инженеров¹⁰⁷ работали над этой идеей в той же самой лаборатории Microsoft, где Дэн и Хинтон несколькими годами позже создали свой прототип системы распознавания речи, и примерно в то же самое время на тот же технический нюанс наткнулась и команда из Стэнфордского университета¹⁰⁸. Эти видеокарты позволяли нейронным сетям обучаться на большем объеме данных за меньшее время – это было как раз то, чего добивался Ян Лекун в Bell Labs в начале 90-х. Разница заключалась в том, что графические процессоры были уже готовыми и общедоступными устройствами. Исследователям не нужно было создавать с нуля новые устройства, чтобы ускорить прогресс глубокого обучения. Благодаря таким играм, как Grand Theft Auto, и таким игровым консолям, как Xbox, они преспокойно могли использовать уже существующие видеокарты. В Торонто Хинтон и двое его студентов, Абдельрахман Мохамед и Джордж Даль, сын преподавателя английского языка, обучали свою систему распознавания речи с помощью этих специализированных видеокарт, и именно это позволило им выйти на новый уровень эффективности.

Когда недолгое пребывание Хинтона в Microsoft завершилось, Дэн настоял, чтобы Мохамед и Даль сменили его в Корпусе 99, причем порознь, в разное время, чтобы реализация проекта неослабно продолжалась еще нескольких месяцев. Согласившись на этот масштабный эксперимент, Хинтон и его ученики объяснили, что для полного успеха проекта необходима вычислительная техника совершенно другого уровня, в том числе мощный графический процессор стоимостью 10 000 долларов. Поначалу Дэна эта цена смутила. Его босс, Алекс Асеро, который впоследствии будет курировать разработку Siri, голосового помощника для Apple iPhone, сразу сказал ему, что это лишние расходы, – дескать, такие графические процессоры нужны для игр, а не для разработки искусственного интеллекта. «Не трать зря деньги», – сказал он Дэну, посоветовав вместо дорогущего графического процессора от Nvidia купить обычную видеокарту в ближайшем магазине электроники. Но Хинтон продолжать уговаривать Дэна, объясняя, что дешевое оборудование загубит эксперимент. Ведь идея эксперимента заключалась в том, чтобы нейронная сеть анализировала речевые данные из базы Microsoft на протяжении нескольких дней, и обычные видеокарты могут загореться от перегрева, если будут работать так долго. Но еще важнее то, что дополнительная вычислительная мощность, обеспечиваемая дорогим графическим процессором, позволит нейронным сетям по-настоящему проявить свои возможности. Дэн должен купить эту видеокарту за 10 000 долларов, и даже, возможно, не одну, а также специальную рабочую станцию, которая сможет эту видеокарту «потянуть». Ее стоимость примерно соответствовала стоимости видеокарты. «Это обойдется вам примерно в 10 000 долларов, – сообщил Хинтон в письме Дэну. – Мы собираемся заказать три штуки, но ведь мы работаем в щедро финансируемом канадском университете, а не в бедной компании, торгующей программным обеспечением». В конце концов Дэн сдался и купил необходимое оборудование.

В том же году научно-исследовательскую лабораторию Microsoft в Редмонде возглавил новый руководитель – Питер Ли. Опытный ученый со склонностью к административной работе, Ли более двух десятков лет проработал в Университете Карнеги – Меллона, где поднялся до должности заведующего кафедрой информатики. Когда он перешел в Microsoft и начал изучать бюджет лаборатории, то наткнулся на платежную ведомость, в котором перечислялись расходы на проект распознавания речи, который вел Дэн, включая деньги, заплаченные Хинтону, Мохамеду и Далю, средства, выделенные на организацию семинара в Уистлере, и расходы на графические процессоры. Ли был ошеломлен. Он решил, что вся эта затея была самой несусветной глупостью, с какой он когда-либо сталкивался. Он знал Хинтона по Университету Карнеги – Меллона в 1980-е годы, и уже тогда нейронные сети у него ничего, кроме смеха, не вызывали. Теперь же он считал это безумием. Но ко времени его прибытия в Редмонд проект был уже на полном ходу. «Иногда я думаю, что, если бы меня пригласили в Microsoft годом раньше, – говорит Ли, – ничего этого не случилось бы».

Прорыва удалось достигнуть тем же летом, когда в лабораторию прибыл Джордж Даль. Высокий, с крупными чертами лица и в маленьких очках, Даль решил посвятить свою жизнь разработке методов машинного обучения еще на втором курсе колледжа, увидев в этом альтернативу программированию компьютеров – то, что позволяет вам решать проблему, даже если вы не совсем знаете, как к ней подступиться. Можно просто дать машине учиться самой. Он был плотно погружен в изучение нейронных сетей, но проблемой распознавания практически не занимался. «Над распознаванием речи я начал работать по той единственной причине, что все остальные члены группы Джеффа занимались компьютерным зрением», – часто говорил он. Он хотел показать, что идеи, зарождающиеся в лаборатории Хинтона, могут применяться не только сотрудниками отдела по распознаванию образов. И ему это удалось. «Джордж мало что знал о распознавании речи, – говорит Ли Дэн, – но он знал толк в графических процессорах». Используя графический процессор стоимостью 10 000 долларов для обучения нейронной сети на основе речевой базы данных, собранной Microsoft’овским голосовым поисковиком Bing, Даль добился того, что эффективность прототипа Хинтона превзошла результативность всех других альтернативных методов распознавания речи, разрабатывавшихся в стенах компании. Даль, Мохамед и Хинтон показали, что нейронная сеть способна просеивать целое море посторонних шумов и каким-то образом выявлять действительно значимый материал, паттерны, обнаружить которые не под силу никакому человеку, главные признаки, неуловимо отличающие один звук от другого, одно слово от другого. Это был переломный момент в долгой истории искусственного интеллекта. За несколько месяцев профессор и два его аспиранта обставили систему, над которой одна из крупнейших мировых компаний трудилась более десяти лет. «Он гений, – говорит Дэн. – Он знает, как добиться результата».

Несколько месяцев спустя, стоя за своим высоким письменным столом в Университете Торонто и поглядывая в окно на булыжную мостовую Кингс-Колледж-роуд, Джефф Хинтон открыл письмо от человека, о котором он никогда не слышал. Его звали Уилл Невитт, и он интересовался, может ли Хинтон прислать кого-нибудь из своих аспирантов в штаб-квартиру Google в Северной Калифорнии. Своей работой по распознаванию речи Хинтон и его ученики вызвали настоящую цепную реакцию в IT-индустрии. После запуска новой программы распознавания речи в Microsoft и публикации результатов своих разработок для всеобщего обозрения они повторили свой успех в стенах второго технологического гиганта, IBM. Осенью 2010 года, через девять месяцев после визита в Microsoft, Абдельрахман Мохамед отправился в Научно-исследовательский центр IBM имени Уотсона, величественное здание которого – еще один образец архитектурного творчества Эро Саринена, и тоже с зеркальными окнами, – прячется среди холмов на берегу реки Гудзон в северной части штата Нью-Йорк. А теперь настала очередь Google.

Мохамед все еще работал с IBM, а Джордж Даль был занят другими исследованиями, поэтому Хинтон обратился к аспиранту, который еще практически не привлекался к их работе с распознаванием. Это был Навдип Джейтли, сын индийских иммигрантов, который только недавно включилася в исследования ИИ – до этого он несколько лет занимался вычислительной биологией. Добродушный по характеру, выделявшийся густыми бровями и бритой головой, он работал вместе с Далем в переоборудованном чулане по соседству с кабинетом Хинтона и ждал возможности пройти стажировку на каком-нибудь предприятии. Хинтон пытался найти ему место в канадской компании RIM, выпускавшей смартфоны BlackBerry, но там сказали, что технологии распознавании речи их не интересуют. Компания RIM, чьи кнопочные устройства доминировали на рынке телефонов всего несколькими годами ранее, уже пропустила скачок к смартфонам с сенсорным экраном. Теперь они обрекали себя пропустить и следующий большой рывок в технологиях. Когда Хинтон предложил Джейтли работу в Google, тот поначалу отказался, сказав, что они с женой ждут ребенка, а еще он подал заявку на грин-карту в США, так что на получение визы ему нечего и надеяться. Но уже через несколько дней он передумал и попросил Уилла Невитта, того самого специалиста из Google, который писал Хинтону, приобрести рабочую станцию с необходимыми графическими процессорами.

К тому времени, когда Джейтли прибыл на стажировку в Google, Невитт покинул компанию. Заменившему Невитта инженеру Венсану Вануку, французу по происхождению, по наследству перешли рабочая станция, напичканная мощными видеокартами, с которой он толком не знал, что делать, и канадский стажер, который знал, что с этим делать, но работать в офисе, где все это хозяйство размещалось, не мог, потому что у него не было рабочей визы. Поэтому Ванук позвонил кому-то в небольшой офис Google в Монреале, и для Джейтли там выделили рабочее место. Именно отсюда Джейтли работал в то лето, практически предоставленный сам себе, подключаясь к компьютеру с массивным графическим процессором через интернет. Но сначала он совершил короткую поездку в Северную Калифорнию, чтобы познакомиться с Вануком и запустить рабочую станцию с графическими процессорами. «Никто другой не умел управляться с этой штукой, – говорит Ванук. – Поэтому пришлось ему самому приехать».

Приехав, Джейтли обнаружил рабочую станцию в дальнем углу коридора, за офисом Ванука и остальных членов группы распознавания речи. «Она гудит там, за принтером», – сказал Ванук. Он не хотел, чтобы эта машина стояла в чьем-либо кабинете или вообще близко к работающим людям. Каждый графический процессор был снабжен вентилятором, и эти вентиляторы непрерывно гудели, чтобы уберечь оборудование от перегрева, и он беспокоился, что кто-то, устав от шума, вздумает выключить машину, не понимая, для чего она предназначена. Он поставил рабочую станцию за принтер, чтобы любой, кто услышит жужжание вентиляторов, решил, что этот шум создается принтером. К этой рабочей станции в Google относились с таким же недоумением, как и в Microsoft, но по другим причинам. Создавая свою империю онлайн-сервисов, компания Google организовала всемирную сеть центров обработки данных, охватывающую сотни тысяч компьютеров. Инженеры компании могли мгновенно получить доступ ко всей этой вычислительной мощности с любого персонального компьютера или ноутбука. Именно так они создавали и тестировали новое программное обеспечение – а не с помощью отдельной рабочей станции, задвинутой в угол за принтер. «Здесь принято так: каждый прогоняет свои программы через общие центры обработки данных, – говорит Ванук. – У нас и без того полно компьютеров, так зачем тебе идти и покупать свой собственный, отдельный компьютер?» Загвоздка была в том, что суперкомпьютеры в Google’овских центрах обработки данных не были оснащены графическими процессорами, которые как раз и были нужны Джейтли.

Он хотел сделать то, что Мохамед и Даль сделали в Microsoft и IBM: перестроить существующую систему распознавания речи с использованием нейронной сети. Но он хотел пойти еще дальше. Системы, существовавшие в Microsoft и IBM, отчасти опирались на другие технологии, и Джейтли стремился расширить охват обучения нейронных сетей, надеясь в конечном итоге построить всеобъемлющую систему, которая обучалась бы всему, анализируя произносимые вслух слова. Перед тем как Джейтли покинул Торонто, Даль посоветовал ему никого в Google не слушать, а просто делать свое дело. «Делай в Google то, что хочешь ты, – сказал он, – а не то, что хочет от тебя Google». Поэтому, когда Джейтли встретился в Калифорнии с Вануком и другими представителями Google, он предложил создать еще бóльшую нейронную сеть. Сначала они отказались. Даже обучение небольшой нейронной сети занимало несколько дней, а если бы Джейтли начал обучал сеть на всем объеме данных Google, это могло занять недели. В его распоряжении было только лето. Один из специалистов Google спросил Джейтли, сможет ли он обучить сеть, используя две тысячи часов устного текста, – и тут уже Джейтли отказался. В Торонто Мохамед и Даль обучали сеть в течение трех часов. В Microsoft для обучения использовали информацию в объеме двенадцати часов. Компания Google располагала гораздо большими объемами голосовой информации, поскольку она постоянно получала ее через свои популярнейшие онлайн-сервисы, включая их фирменный голосовой поисковик и YouTube. Но Джейтли стоял на своем, и, когда встреча закончилась, он написал Хинтону.

«Кто-нибудь когда-нибудь обучал сети по 2000 часов?» – спросил он.

«Нет, – ответил Хинтон. – Но я не вижу в этом ничего невозможного».

Уехав в Монреаль и оттуда подключившись к этой гудящей рабочей станции через интернет, Джейтли обучил свою первую нейронную сеть менее чем за неделю. Тестирование новой системы показало, что она ошибалась в определении слов примерно в 21 проценте случаев – и это был замечательный результат. Сервис распознавания речи Google, используемый в большинстве Android-смартфонах, застрял на уровне 23 процентов. Еще через две недели Джейтли удалось снизить уровень ошибок своей системы до 18 процентов. Прежде чем Джейтли приступил к испытаниям, Ванук и его команда рассматривали этот проект просто как интересный эксперимент. Они и мысли не допускали, что ему удастся хотя бы приблизиться к тому, что уже удалось создать специалистам Google. «Мы были уверены, что мы на голову выше, – говорит Ванук. – Как оказалось, мы заблуждались».

Система работала так хорошо и обучалась так быстро, что Джейтли подготовил вторую сеть, которая была обучена искать видео на YouTube по определенным ключевым словам, произносимым вслух (например, если вы попросите ее найти слово «сюрприз», она точно укажет на те моменты в видеоролике, когда это слово было произнесено). У Google уже был сервис, который делал то же самое, но в 53 процентах случаев ключевое слово воспринималось неверно. Еще до исхода лета Джейтли снизил частоту ошибок в своей системе до 48 процентов. И все это он делал почти исключительно своими силами. Как ему повезло, что он был в Монреале, думал он, потому что там никто не стоял над душой, никто не мешал. Он полностью погрузился в работу, забыв обо всем на свете. Каждый день он работал до одиннадцати вечера, а то и до полуночи. И когда он возвращался домой, жена передавала ему ребенка, который почти всю ночь не спал из-за колик. Назавтра все повторялось, но он не сказал бы, что ему было тяжело. «Это затягивало почти как наркотик, – говорит он. – Результаты становились все лучше».

Когда Джейтли вернулся с семьей в Торонто, Ванук переключил на этот проект всю свою команду. В Google знали, что Microsoft и IBM разрабатывают схожие технологии, и хотели достичь успеха первыми. Проблема была в том, что система Джейтли работала слишком медленно, чтобы обрабатывать «живые» запросы через интернет. Никто не стал бы пользоваться ею на такой скорости. Ее нужно было увеличить раз в десять. Когда специалисты из группы Ванука занялись этой проблемой, к ним присоединилась вторая команда из совершенно другого подразделения компании. Случилось так, что пока Джейтли трудился над своим проектом в Монреале, несколько других ученых, включая еще одного протеже Хинтона, создавали специальную лабораторию глубокого обучения в калифорнийской штаб-квартире компании. В сотрудничестве с группой Ванука эта новая лаборатория сумела менее чем за шесть месяцев перенести эту технологию на Android-смартфоны. В Google не сразу сообщили миру, что их сервис распознавания речи изменился, и вскоре после того, как он стал доступен пользователям, Вануку позвонили из небольшой компании, поставлявшей специальный чип для новейших телефонов на базе Android. Этот чип был призван удалять фоновый шум и делать звучание голоса более чистым, когда вы произносите голосовые команды в свой телефон, – чтобы система распознавания речи могла легче понять сказанное. Но теперь Вануку сообщили, что этот чип перестал работать. Он больше не способствовал повышению эффективности распознавания речи. Вануку не потребовалось много времени, чтобы понять, что на самом деле произошло.

Новая система распознавания речи была настолько хороша, что чип шумоподавления становился излишним. Больше того, без этого чипа она работала даже лучше. Нейронная сеть Google научилась сама справляться с шумом.

Эндрю Ын сидел в японском ресторане рядом со штаб-квартирой Google и ждал Ларри Пейджа. Основатель и генеральный директор Google задерживался, что Ына не удивляло. Это был конец 2010 года, и за предыдущие годы Google из небольшой, но невероятно прибыльной компании, специализирующейся на поиске информации в интернете, превратилась в самую могущественную силу Всемирной паутины, технологическую империю, которая доминировала везде и во всем – от личной электронной почты до онлайн-видео и смартфонов. Ын, профессор информатики из соседнего Стэнфордского университета, сидел за столиком у стены. Ему казалось, что будет меньше шансов, что Пейджа узнают и начнут приставать с расспросами, если они не будут маячить в центре ресторана, а уединятся в уголке. Пока он ждал, к нему подсел один из его коллег по Стэнфорду, Себастьян Трун. Трун взял в университете отпуск за свой счет, когда Пейдж попросил его заняться проектом, о котором только недавно стало известно всему миру: Google’овским беспилотным автомобилем¹⁰⁹. Теперь, взяв Труна в посредники, Ын собирался предложить Пейджу новую идею.

Тридцатичетырехлетний Ын, высокий мужчина, всегда говоривший тихо, почти шепотом, подготовил в своем ноутбуке график, призванный наглядно объяснить его идею, но, когда Пейдж наконец пришел и присоединился к ним за столиком, Ын решил, что вытаскивать ноутбук из сумки во время обеда с генеральным директором Google было не совсем правильно. Поэтому он обрисовал идею при помощи рук. Линия графика, показал он, идет вверх и вправо. По мере того как нейронная сеть анализирует все больше и больше исходных данных, она становится все более и более точной, независимо от того, распознает она образы, звуки или язык. А в чем у компании Google нет недостатка, так это во всевозможных исходных данных – тонны фотографий, видео, голосовых команд и текста, собранных с помощью таких сервисов, как Google Search, Gmail и YouTube, и за годы невозможно было бы исчерпать. Ын занимался темой глубокого обучения в своей лаборатории в Стэнфорде, и теперь он надеялся, что Google поддержит эти исследования всей своей мощью. Трун занимался созданием беспилотного автомобиля в новой секретной лаборатории перспективных исследований, получившей название Google X. То, что предлагал Ын, могло бы стать еще одним чрезвычайно перспективным проектом для этой лаборатории.

Родившийся в Лондоне и выросший в Сингапуре, Ын был сыном гонконгского врача. Он изучал компьютерные науки, экономику и статистику в Университете Карнеги – Меллона, Массачусетском технологическом институте и Калифорнийском университете в Беркли, после чего перебрался в Стэнфорд, где его первым крупным проектом были автономные вертолеты. Вскоре он женился на женщине, которая тоже занималась робототехникой. О своей помолвке они объявили¹¹⁰ на страницах отраслевого журнала IEEE Spectrum, сопроводив объявление цветными фотографиями. Хотя однажды он заявил в полной студентов аудитории, что Ян Лекун – единственный человек на Земле, который мог бы вытянуть из нейронных сетей что-то полезное, когда он увидел, как в итоге повернулось дело, то изменил свое мнение. «Он был одним из немногих, кто занимался другой работой и переключился на нейронные сети, потому что вовремя понял, что происходит, – говорит Хинтон. – Его научный руководитель даже назвал его предателем». Запросив приглашение, он присоединился к небольшому научному коллективу, созданному Хинтоном на средства канадского правительства для исследований по тематике «нейронных вычислений». Иногда Хинтон продвигал свою технологию в одном подразделении Google, Ын делал то же самое в другом подразделении, это не было случайным совпадением. Рассматривая эту технологию под тем же самым углом, он тоже видел, куда она движется. Но, предложив эту идею Ларри Пейджу, он придал ей дополнительный размах.

Взгляды Ына формировались не только под влиянием успехов Джеффа Хинтона; не меньшее влияние на его мировоззрение оказала книга «Об интеллекте», изданная в 2004 году¹¹¹ и написанная инженером из Кремниевой долины, предпринимателем и нейробиологом-самоучкой Джеффом Хокинсом. В 1990-е годы Хокинс изобрел карманный компьютер PalmPilot, предтечу айфона, но больше всего в жизни его интересовали исследования мозга. В своей книге он утверждал, что весь неокортекс¹¹² – часть мозга, отвечающая за зрение, слух, речь и разум, – управляется одним биологическим алгоритмом. Если бы ученые могли искусственно воссоздать этот алгоритм¹¹³, утверждал он, они могли бы смоделировать человеческий мозг. Ын принял это близко к сердцу. В своих лекциях, которые он читал в Стэнфорде в качестве аспиранта, он описывал опыт, проведенный над мозгом хорька. Если его зрительный нерв отсоединяют от зрительной коры (части мозга, управляющей зрением), а затем присоединяют к слуховой коре (управляющей слухом), хорек не утрачивает способность видеть. Как объяснял в своей лекции Ын, эти две части мозга опираются на один и тот же фундаментальный алгоритм, и этот единственный алгоритм может быть смоделирован в электронной машине. Развитие глубокого обучения, говорит он, было движением именно в этом направлении. «Студенты приходили ко мне в офис и говорили, что хотят работать над созданием мыслящих машин, а я насмешливо улыбался и давал им задания по статистике, – говорит он. – Но теперь я верю, что машинный разум удастся создать еще при нашей жизни».

После обеда с Ларри Пейджем в японском ресторане Ын за несколько дней подготовил для основателя Google свое официальное предложение, главным столпом которого была именно идея искусственного интеллекта. Он дал понять Пейджу, что глубокое обучение не только обеспечит такие функции, как распознавание образов, машинный перевод и понимание естественного языка, но и приблизит машины к обретению истинного интеллекта. Еще не закончился год, когда проект был утвержден. Он получил название «Проект Марвин» – в честь Марвина Мински. Любая ирония здесь была непреднамеренной.

Штаб-квартира Google находится в городе Маунтин-Вью, штат Калифорния, расположенном примерно в сорока милях к югу от Сан-Франциско по автостраде 101, на южном берегу залива Сан-Франциско. Главный кампус располагается на вершине холма рядом с шоссе. Он представляет собой группу зданий в красно-сине-желтых тонах, окружающих поросший травой внутренний двор, на котором, среди прочего, можно увидеть волейбольную площадку и металлическую статую динозавра. Когда Эндрю Ын присоединился к Google в начале 2011 года, работать ему довелось не здесь. Его направили в лабораторию Google X, которая располагалась тоже в Маунтин-Вью, но в другом месте, на самой окраине Google’овских владений в Северной Калифорнии. Но вскоре после прибытия они с Труном отправились в кампус на холме, чтобы встретиться с главой подразделения Google Search. В поисках бюджета, ресурсов и политического капитала, необходимых для внедрения идей Ына, Трун организовал для него встречи с несколькими ведущими фигурами в руководстве Google, и первая встреча была с Амитом Сингхалом, который почти десять лет курировал поисковую систему Google. Ын рассказал ему примерно то же самое, что и Ларри Пейджу, но сосредоточился непосредственно на поисковой системе, которая являлась жемчужиной в короне компании. Хотя поисковая система Google успешно работала на протяжении многих лет, став главным мировым шлюзом в интернет, она обслуживала запросы клиентов слишком упрощенно: по ключевым словам. Если вы искали информацию по пяти ключевым словам, а затем удаляли их из поисковой строки и вводили снова, то, вероятно, каждый раз получали бы те же самые результаты. Но глубокое обучение, сказал Ын Сингхалу, могло бы кардинальным образом улучшить их поисковую систему. Анализируя миллионы поисковых запросов Google, выискивая закономерности в том, на что люди реагируют, а на что нет, нейронная сеть может научиться обнаруживать информацию, которая будет гораздо ближе к тому, что людей на самом деле интересует. «Люди смогут задавать реальные вопросы, а не просто вводить ключевые слова», – сказал Ын.

Сингхала это не заинтересовало. «Люди не хотят задавать вопросы. Они хотят вводить ключевые слова, – сказал он. – Если я предложу им задавать вопросы, они просто растеряются». И даже если бы он хотел выйти за рамки системы ключевых слов, он был принципиально против самой идеи системы, которая бы умела действовать столь самостоятельно в таких масштабах. Нейронная сеть является «черным ящиком». Когда она принимает то или иное решение, например выбирает тот или иной результат поиска, нет никакой возможности узнать, почему она приняла именно это решение. Каждое решение основывается на многих днях или даже неделях вычислений с использованием десятков мощных компьютерных чипов. Никакой человек не способен охватить своим умом все то, чему научилась такая нейронная сеть. А изменить накопленное ею знание было делом далеко не тривиальным, требующим новых массивов данных и нового раунда проб и ошибок. Потратив десять лет жизни на Google Search, Сингхал не хотел терять контроль над работой своей поисковой системы. Когда он и его коллеги-инженеры вносили изменения в свою поисковую систему, они точно знали, что они меняют, и могли объяснить эти изменения любому, кто спрашивал. Но с нейронной сетью дело обстояло иначе. Ответ Сингхала был недвусмысленный. «Я не хочу это даже обсуждать», – сказал он.

Ын также встретился с руководителями сервисов поиска изображений и видео, и они ему тоже отказали. Он никак не мог найти, с кем можно было бы сотрудничать, пока не столкнулся с Джеффом Дином; они случайно встретились на мини-кухне¹¹⁴, как в Google называют разбросанные по всему кампусу общедоступные помещения, где сотрудники могут найти закуски, напитки, посуду, микроволновые печи и даже возможность пообщаться. В Google Дин был легендарной личностью.

Сын специалиста по тропическим болезням и медицинской антропологии, Джефф Дин еще в детстве объездил весь мир. С Гавайев, где он родился, профессиональный долг призвал его родителей в Сомали, где он, будучи школьником, помогал в лагере беженцев. Старшие классы школы он посещал уже в Атланте, штат Джорджия, где его отец работал в одном из центров по контролю и профилактике заболеваний (CDC). Тогда же Джефф создал для них программный инструмент¹¹⁵, который помогал исследователям собирать данные о болезнях и который почти четыре десятилетия спустя остается основным подспорьем для эпидемиологов развивающихся стран. После окончания аспирантуры, где он изучал программирование низкого уровня – так называемые компиляторы, которые переводят программный код на язык, понятный компьютеру, – он попал в научно-исследовательскую лабораторию Digital Equipment Corporation, а когда могущество этого бывшего гиганта компьютерной индустрии стало таять, оказался в числе лучших сотрудников DEC¹¹⁶, которые перебрались в Google – как раз в то время, когда компания стремительно расширялась. Первоначальный успех Google часто связывают с PageRank, алгоритмом поиска, который был разработан Ларри Пейджем, когда он и Сергей Брин, второй соучредитель Google, были аспирантами в Стэнфорде. Но стройный, с квадратной челюстью, классический красавец Дин, разговаривавший с вежливой застенчивостью и слегка шепелявивший, внес не меньший – если не больший – вклад в быстрый рост компании. Он и несколько других инженеров создали мощное программное обеспечение для поисковой системы Google, программы, которые управляли тысячами серверов и несколькими центрами обработки данных, позволяя PageRank мгновенно и ежесекундно обслуживать миллионы людей. «Его главным достижением было создание системы из миллионов компьютеров, которые работали как одно целое, – говорит Себастьян Трун. – В истории вычислительной техники этого еще никто никогда не делал».

Среди инженеров Дина уважали как мало кого в Кремниевой долине.

«Когда я был молодым инженером, о нем разговаривали за обедом. Мы сидели и говорили о его могуществе, – вспоминает Кевин Скотт, один из первых «гуглеров», который впоследствии стал техническим директором Microsoft. – У него была эта сверхъестественная способность докапываться до первичной сути сложнейших технических вопросов». Однажды к первому апреля¹¹⁷ – а День дурака был священным событием в компании в первые годы ее существования – во внутренней корпоративной сети появилась страничка с перечислением «Фактов о Джеффе Дине». Это была пародия на «Факты о Чаке Норрисе», популярный в интернете шутливый список достижений этой звезды боевиков 1980-х:

Джефф Дин однажды провалил тест Тьюринга, когда правильно определил 203-е число Фибоначчи быстрее чем за секунду.

Джефф Дин компилирует и прогоняет свои программные коды перед отправкой, но только для того, чтобы проверить на ошибки компилятор и процессор.

ПИН-код Джеффа Дина – последние 4 цифры числа пи.

Раньше скорость света в вакууме составляла около 35 миль в час. Затем Джефф Дин за выходные оптимизировал физику.

Остальным «гуглерам» предлагалось¹¹⁸ добавлять свои собственные факты, и многие включались. Кентон Варда, молодой инженер¹¹⁹, создавший этот сайт, старательно скрывал свою личность, но, собрав воедино несколько цифровых подсказок, спрятанных в журналах Google’овских серверов, Дин раскрыл его и послал ему благодарственную записку. То, что начиналось как первоапрельская шутка, переросло в мифологию Google¹²⁰, легенду, часто пересказываемую как в стенах компании, так и за ее пределами.

Эндрю Ын знал, что Джефф Дин привнесет в его проект такой уровень технических знаний и опыта, каким мало кто обладал, а также политический капитал, который обеспечит проекту необходимую поддержку внутри компании. Так что их встреча на мини-кухне – когда Дин спросил, что Ын делает в Google, а Ын шепотом ответил, что строит нейронные сети, – оказалась решающей. Согласно корпоративному фольклору, этот счастливый случай привел к созданию в Google лаборатории искусственного интеллекта. Ын, однако, вспоминал это по-другому. С первых дней работы в компании он знал, что его проект зависит от степени заинтересованности Джеффа Дина. Его постоянной заботой было сначала затащить Дина на борт, а потом удержать его там. Однако он не знал тогда, что у Дина была своя история отношений с нейронными сетями. Дин был почти на десять лет старше Ына, и он исследовал эту идею, еще будучи студентом Университета Миннесоты в начале 1990-х, в эпоху первого ренессанса коннекционистских исследований. Для своей дипломной работы он обучил нейронную сеть на компьютере Сaesar с шестьюдесятью четырьмя процессорами, который на то время казался невероятно мощным, но мощность которого на самом деле была слишком мала, чтобы эта технология могла привести к какому-нибудь полезному результату. «Мне казалось, что, если выполнять вычисления параллельно на шестидесяти четырех процессорах, это позволит добиться каких-то интересных результатов, – говорит он. – Но я был слишком наивен». Вычислительной мощности требовалось в миллион, а не в шестьдесят раз больше. Поэтому, когда Ын сказал, что работает над нейронными сетями, Дин хорошо понимал, о чем идет речь. Более того, на тот момент в Google эту идею изучали два специалиста, включая нейробиолога по имени Грег Коррадо. «У нас в Google много компьютеров, – сказал он Ыну в своей обычной прямолинейной манере. – Так почему бы нам не попробовать обучать действительно большие нейронные сети?» В конце концов, именно в этом Дин и был выдающимся специалистом: он знал, как объединить вычислительные мощности сотен и даже тысяч машин, чтобы применить их к одной задаче. Той зимой он поставил дополнительный стол в лаборатории Google X и занимался проектом Ына в свои «20 процентов времени» – так в Google называют один день в неделю, когда «гуглеры» традиционно вольны заниматься какими-то побочными проектами. Поначалу проект «Марвин» рассматривался лишь как очередной эксперимент, и Ын, Дин и Коррадо уделяли ему лишь часть своего внимания.

Они создали систему¹²¹, которая подражала очень популярному времяпрепровождению начала 2010-х: смотрела на YouTube видеоролики с кошками. Опираясь на мощь¹²² более шестнадцати тысяч компьютерных чипов, установленных на тысяче компьютеров по всем дата-центрам Google, она анализировала миллионы этих видеозаписей и училась распознавать кошек. Результаты, которые она показывала, далеко уступали в точности лучшим инструментам распознавания образов, которые существовали на то время, но это было большим шагом вперед в шестидесятилетней эволюции нейронных сетей. Ын, Дин и Коррадо опубликовали¹²³ свое исследование следующим летом, и среди специалистов по ИИ эта публикация получила известность как «Статья про кошек». Проект также попал¹²⁴ на страницы New York Times, где его назвали «моделированием человеческого мозга». Именно так сами исследователи рассматривали свою работу. Дин и нейробиолог Коррадо в конце концов с головой погрузились в проект Ына. Они также привлекли дополнительные научные силы из Стэнфорда и Торонто, и под этот проект была создана специальная лаборатория разработок ИИ Google Brain, выделившаяся из Google Х.

Не только посторонние, но даже многие сотрудники Google Brain не совсем представляли себе, к чему это все приведет. И Эндрю Ын тоже был в их числе. Лаборатория продолжила наращивать обороты, однако он решил уйти. У него был другой проект в разработке, который тоже требовал его внимания. Речь шла о стартапе Coursera, который специализировался на MOОК, «массовых открытых онлайн-курсах», дистанционном способе получения университетского образования через интернет. В 2012 году это была одна из тех витавших по Кремниевой долине идей, которые, по убеждению предпринимателей, инвесторов и журналистов, могли в один прекрасный момент полностью изменить мир. В то же самое время Себастьян Трун занимался созданием аналогичного стартапа под названием Udacity. Однако ни один из этих проектов не мог соперничать с тем, что вот-вот должно было развернуться в Google Brain.

Уход Ына косвенным образом катализировал проект. Перед отъездом он предложил себе замену: Джеффа Хинтона. Сегодня, оглядываясь назад, все участники тогдашних событий воспринимают это как совершенно естественный шаг. Хинтон был не только наставником Ына; именно ему лаборатория обязана своим первым большим успехом – ведь это он годом ранее командировал в Google Навдипа Джейтли, и тому удалось на практике реализовать технологию, которую Хинтон вынашивал десятилетиями. Но когда весной 2012 года ему предложили место в Google, он не захотел снова покидать Университет Торонто. Ему было уже шестьдесят четыре года, у него была преподавательская работа и длинная череда аспирантов и докторантов, которыми он руководил. Поэтому он согласился лишь на то, чтобы провести в новой лаборатории летние месяцы¹²⁵. Из-за особенностей правил найма, принятых в Google, компания пригласила его в качестве стажера – наравне с десятками студентов колледжей, стажирующихся у них на летних каникулах. В течение первой недели, когда стажеры знакомились с новым местом работы и проходили обучение, он ощущал себя динозавром¹²⁶: например, среди присутствующих он, казалось, был единственным, кто не знал, что для входа в компьютерную сеть Google используется LDAP-авторизация. «В скором времени они попросту приставили ко мне одного из четырех инструкторов», – вспоминает он. Но за эту ознакомительную неделю он обратил внимание на еще одну группу людей, которые явно были не местные: они имели начальственный вид, ходили в сопровождении личных помощников и, казалось, постоянно улыбались до ушей. Однажды за обедом Хинтон подошел к ним поинтересоваться, что они делают среди стажеров, и они ответили, что их компания только что была приобретена Google. «Продать свою компанию Google, – подумал он тогда, – чем не повод для широкой улыбки?»

Тем летом штат Google Brain расширился до десяти с лишним исследователей, и лаборатория переехала в здание, расположенное рядом с главным корпусом, где размещались Ларри Пейдж и остальные директора. Хинтон знал одного из сотрудников, бывшего постдока из Торонто по имени Марк’Аурелио Рандзато, и тот был под впечатлением от Джеффа Дина. Он сравнивал Дина с Барнсом Уоллесом, ученым и изобретателем двадцатого века, о котором рассказывает британский фильм о войне «Разрушители плотин». В одном из эпизодов фильма Уоллес просит чиновника¹²⁷ предоставить в его распоряжение бомбардировщик Wellington. Он хочет провести испытания бомбы¹²⁸, которая прыгает по воде – сколь бы нелепой и неосуществимой эта идея ни казалась. Чиновник отказывается¹²⁹, объясняет, что идет война и что каждый бомбардировщик на счету. «Да они на вес золота»¹³⁰, – говорит он. Но когда Уоллес напоминает¹³¹, что бомбардировщики Wellington – тоже его рук дело, ему дают то, что он хочет. Во время летней стажировки Хинтона один из проектов столкнулся с проблемой: был достигнут потолок доступной вычислительной мощности, установленный в соответствии с принятыми в Google правилами. Когда исследователи сообщили об этом Джеффу Дину, он заказал под этот проект компьютеров еще на 2 миллиона долларов. Он был создателем инфраструктуры Google, и это означало, что он мог использовать ее так, как считал нужным. «Он создал своего рода убежище, в котором команда Google Brain могла спокойно работать, не думая ни о чем другом, – говорит Хинтон. – Если тебе что-то нужно, скажи об этом ты Джеффу, и он обеспечит». Необычным в Дине Хинтон находил то, что в отличие от большинства столь же умных и могущественных людей, ему были неведомы эгоистические мотивы. Он всегда был готов помочь, всегда стремился к сотрудничеству. Хинтон сравнивал его с Исааком Ньютоном, вот только Ньютон был человеком малоприятным. «Большинство ученых, таких как Ньютон, например, – люди злобные и завистливые. Характер Джеффа Дина, кажется, лишен этой черты».

Ирония ситуации заключалась в том, что вся эта огромная компьютерная сеть со всей ее производительностью работала большей частью вхолостую, потому что компьютеры были не те. Система распознавания речи Навдипа Джейтли успешно обучалась с использованием компьютеров, оснащенных графическими процессорами. Однако Дин и другие основатели Google Brain обучали свою систему, получившую название DistBelief, на компьютерах, из которых складывалась глобальная сеть Google’овских центров обработки данных и которые были оснащены тысячами центральных процессоров¹³² – но не графических. Себастьян Трун пытался было добиться от руководителя отдела инфраструктуры установить в центрах обработки данных машины с графическими процессорами, но ему было отказано на том основании, что это усложнит работу дата-центров компании и увеличит их расходы. Когда Джефф Дин и его команда представили свои методы на одной из крупных конференций по искусственному интеллекту, Ян Гудфеллоу, тогда еще студент Монреальского университета, присутствовавший в аудитории, встал и упрекнул докладчиков за то, что они не используют графические процессоры, хотя вскоре он пожалеет о том, что позволил себе публично – и так небрежно – критиковать Джеффа Дина. «Я тогда понятия не имел, кто он такой, – говорит Гудфеллоу. – Теперь-то я почти боготворю его».

Для функционирования системы DistBelief не только компьютеры были неправильные. Как оказалось, неправильно был выбран и тип обучаемых нейронных сетей. Обычно исследователям в процессе обучения нейронной сети приходилось аннотировать каждое изображение, чтобы оно было правильно воспринято. Необходимо было идентифицировать каждую кошку как кошку, обводя каждую кошачью морду на снимке ограничивающей рамкой. Но в «Статье о кошках», на принципах которой строилась работа в Google’овской лаборатории, речь шла о системе, способной учиться распознавать кошек – или другие объекты – без предварительной аннотации изображений¹³³. Хотя Дин и его коллеги показали, что можно обучать систему без предварительной разметки¹³⁴, это не отменяло того факта, что нейронные сети проявляют себя гораздо более точными, надежными и эффективными, если исходные данные, которые они получают в процессе обучения, предварительно аннотируются. Вернувшись той же осенью в Университет Торонто после летней стажировки в Google, Хинтон – и двое студентов, которые помогали ему, – показали, что компания Google выбрала неверный путь. Они построили систему, которая анализировала размеченные изображения и училась распознавать объекты с точностью, намного превосходившей любую из существовавших на тот момент технологий, и тем самым показали, что машины гораздо более эффективны, когда их направляют люди. Нейронные сети обучались гораздо быстрее, если кто-то показывал им, где именно на фотографии находятся кошки.

Весной 2012 года Джефф Хинтон позвонил Джитендре Малику, профессору Калифорнийского университета в Беркли, который публично критиковал Эндрю Ына за его заявления о том, что глубокое обучение является будущим компьютерного зрения. Несмотря на успех глубокого обучения с распознаванием речи, Малик и его коллеги скептически относились к его возможностям в деле распознавания изображений. И когда Хинтон позвонил ему, большой удачей было то, что он вообще снял трубку, потому что звонили ему преимущественно телемаркетеры. Состоявшийся разговор имел почти судьбоносное значение. «Я слышал, вы негативно относитесь к глубокому обучению», – сказал Джефф Хинтон. Малик ответил: да, это правда. Когда Хинтон спросил о причинах этого, Малик ответил, что нет никаких научных доказательств, которые бы подтверждали, что глубокое обучение способно превзойти любую другую технологию компьютерного зрения. Хинтон указал на недавние испытания, свидетельствовавшие о высокой эффективности глубокого обучения при идентификации объектов. Малик сказал, что в этих испытаниях использовались устаревшие наборы исходных данных и что это никому не интересно. «Это не убедит никого из тех, кто не разделяет ваши идеологические пристрастия», – сказал он. Хинтон спросил, что же его убедит.

Малик сказал, что глубокое обучение должно уметь работать с европейским набором данных под названием PASCAL. «PASCAL слишком мал, – возразил Хинтон. – Чтобы метод эффективно работал, нам нужен большой объем обучающих данных. Как насчет ImageNet?» Малик согласился. В рамках проекта ImageNet в Стэнфорде, примерно в сорока милях к югу от Беркли проводился ежегодный конкурс¹³⁵. В Стэнфордской лаборатории была собрана обширная база¹³⁶ тщательно аннотированных фотографий различных объектов, от собак до цветов и автомобилей, и каждый год исследователи со всего мира соревновались в создании системы, которая могла бы распознать наибольшее количество изображений. Победа в конкурсе ImageNet, решил Хинтон, завершит спор. Он не стал говорить Малику, что его лаборатория на тот момент уже создавала нейронную сеть для конкурса; более того, благодаря двум его ученикам – Илье Суцкеверу и Алексу Крижевскому – эта работа уже близилась к завершению.

Суцкевер и Крижевский олицетворяли собой международный характер исследований ИИ. Оба родились в Советском Союзе, потом переехали в Израиль, а оттуда в Торонто. Но по темпераменту они были очень разными. Суцкевер был честолюбив, нетерпелив и напорист. Крижевский был немногословен и замкнут. Он не был мечтателем и идеалистом, он был необычайно талантливым инженером-программистом и умел строить нейронные сети. Опираясь на опыт, интуицию и толику удачи, такие исследователи, как Крижевский, строили эти системы методом проб и ошибок, работая над тем, чтобы многочасовые или даже многодневные компьютерные вычисления, которые они никогда не смогли бы выполнить самостоятельно, принесли какой-то результат. Они назначали десяткам цифровых «нейронов» определенные математические операции, вводили в эту искусственную нейронную сеть тысячи фотографий собак и надеялись, что после многих часов вычислений она научится распознавать собаку. Когда это не срабатывало, они корректировали математические операции и пробовали снова и снова, пока не сработает. Крижевский был мастером того, что некоторые называли «темным искусством». Но еще важнее, по крайней мере на тот момент, было то, что он умел из машины, оборудованной графическими процессорами (которые все еще оставались не вполне обычной категорией компьютерного оборудования), выжать максимум производительности – все до последней капли. «Он очень хороший разработчик нейронных сетей, – говорит Хинтон. – Но он еще и потрясающий программист».

Суцкевер был другой породы. Он постучался в дверь кабинета Хинтона за девять лет до этого – когда еще был студентом Университета Торонто и подрабатывал приготовлением картофеля фри в местном ресторане быстрого питания, – и со своим резким восточноевропейским акцентом с порога попросился в руководимую Хинтоном лабораторию глубокого обучения.

– Давайте сначала договоримся о встрече, и тогда поговорим об этом, – попросил Хинтон.

– Хорошо, – сказал Суцкевер. – А может, прямо сейчас?

Делать нечего, Хинтон пригласил его войти. Суцкевер был студентом-математиком и сразу показался человеком сообразительным. Хинтон дал ему копию статьи об алгоритме обратного распространения ошибки – статьи, которая двадцатью пятью годами ранее наконец раскрыла потенциал глубоких нейронных сетей, – и сказал прийти, когда прочитает ее. Суцкевер вернулся через несколько дней.

– Я не понимаю, – сказал он.

– Но это же элементарный матанализ, – произнес удивленный и разочарованный Хинтон.

– Нет-нет, я не понимаю, почему не взять производные и не применить методы оптимизации.

«Мне потребовалось пять лет, чтобы додуматься до этого», – подумал про себя Хинтон и протянул двадцатиоднолетнему студенту вторую статью.

Суцкевер вернулся через неделю.

– Я не понимаю, – снова сказал он.

– А теперь что не так?

– Вы обучаете нейронную сеть решать определенную задачу, а затем, если вам нужно решить другую задачу, вы начинаете все сначала с другой нейронной сетью и обучаете ее работать с другой задачей. Должна быть одна нейронная сеть, которая обучается на решении всех этих задач одновременно.

Увидев, как быстро Суцкевер приходит к идеям, поиск которых даже у опытных исследователей занимал годы, Хинтон пригласил двадцатиоднолетнего студента влиться в коллектив его лаборатории. Изначально, когда он только пришел в лабораторию, по своим знаниям он сильно отставал от остальных студентов и аспирантов – быть может, отставал на годы, казалось Хинтону, – но он наверстал отставание за несколько недель. Хинтон приходил к нему как к единственному своему ученику, у которого было больше хороших идей, чем у него самого, и Суцкевер – темноволосый, всегда коротко стриженный и вечно казавшийся хмурым, даже если хмуриться не было причин, – извергал эти идеи с почти маниакальной энергией. Когда ему в голову приходили действительно великие идеи, он отмечал эти моменты отжиманиями на руках посреди квартиры в Торонто, которую снимал на пару с Джорджем Далем. «Успех гарантирован», – говорил он в таких случаях. В 2010 году он прочитал статью, написанную сотрудниками швейцарской лаборатории Юргена Шмидхубера, и стал всех убеждать, что нейронные сети способны решить проблему компьютерного зрения – нужно лишь, чтобы кто-то выполнил необходимую для этого работу.

Хинтон и Суцкевер – люди идеи – теоретически понимали, каким образом нейронные сети могли бы одержать победу в конкурсе ImageNet, но для практического осуществления этого им было не обойтись без Крижевского с его навыками программирования. Крижевский даже не слышал о конкурсе ImageNet, пока Суцкевер не рассказал ему об этом, и, когда он узнал, какой у них план, это не вызвало у него такого же энтузиазма. Суцкевер неделями «массировал» данные, чтобы с ними было легче работать, а Хинтон в это время объяснял Крижевскому, что за каждый процент повышения производительности нейронной сети, он будет получать дополнительную неделю отсрочки по курсовому проекту, который ему давно было пора сдать. («Это была шутка», – говорит Крижевский. «Может, он и думал, что это шутка, но я не шутил», – говорит Хинтон.)

Крижевский, который все еще жил с родителями, занимался обучением нейронной сети из дома. Неделю за неделей он добивался все большей производительности от двух графических процессоров, которыми был оборудован компьютер, стоявший в его спальне, и это означало, что он мог тренировать свою нейронную сеть на все большем количестве входящих данных. Университету Торонто даже за электричество не приходилось платить, как любил повторять Хинтон. Каждую неделю Крижевский начинал новый раунд обучения и мог наблюдать за процессом, глядя на черный экран с непрерывно возрастающими белыми цифрами. В конце недели он проверял систему на новом наборе изображений. Поставленной цели достичь не удавалось, он вносил изменения в кодировку видеокарт, регулировал весовые характеристики нейронов и приступал к новому этапу обучения, продолжавшемуся всю следующую неделю. Потом еще. И еще. Кроме того, каждую неделю Хинтон собирал студентов в своей лаборатории. Это было похоже на собрание квакеров. Люди просто сидели там, пока кто-нибудь не выражал желание высказаться, поделиться, над чем он работает и какой прогресс достигнут. Крижевский заговаривал редко. Но когда Хинтону удавалось-таки вытянуть из него что-то, атмосфера в комнате сразу же заряжалась. «Он каждую неделю пытался выжать из Алекса Крижевского хоть какую-то информацию, – вспоминает Алекс Грейвс, еще один сотрудник лаборатории в те годы. – Он-то знал, насколько это было важно». К осени нейронная сеть Крижевского по своей эффективности превзошла все существовавшие на тот момент технологии. Она работала почти вдвое точнее¹³⁷, чем лучшая из конкурирующих систем. И она победила в конкурсе ImageNet.

После этого Крижевский, Суцкевер и Хинтон опубликовали статью, где рассказали о своей системе (позже получившей название AlexNet), а в конце октября Крижевский представил ее на конференции по компьютерному зрению во Флоренции. Обращаясь к аудитории, в которой собралось более ста исследователей, он рассказал о проекте – как всегда, тихим, почти извиняющимся тоном. Когда он закончил, началась бурная дискуссия. Поднявшись со своего места, профессор из Беркли Алексей Эфрос заявил, что конкурс ImageNet нельзя считать надежным испытанием технологии компьютерного зрения. «Это совсем не то, что реальный мир», – сказал он. Если системе AlexNet показать сотни фотографий футболок, она, возможно, научится идентифицировать эти футболки, – стал развивать Эфрос свою мысль, – но речь идет о футболках, которые аккуратно, без единой морщинки, разложены на столах, а не о тех реальных футболках, которые носят на себе реальные люди. «Возможно, вы научитесь узнавать эти футболки в каталоге Amazon, но это не поможет обнаруживать настоящие футболки». Его коллега из Беркли Джитендра Малик, который обещал Хинтону, что изменит свое мнение о глубоком обучении, если нейронная сеть выиграет конкурс ImageNet, сказал, что он впечатлен, но воздержится от суждений, пока технология не будет применена к другим наборам данных. У Крижевского не было никаких шансов защитить свою работу. Эту роль взял на себя Ян Лекун, который заявил, что наступил поворотный момент в истории компьютерного зрения. «Эта система является доказательством», – сказал он громким голосом из глубины зала.

Он был прав. И после многих лет скептицизма по поводу будущего нейронных сетей он имел все основания торжествовать. Для победы в конкурсе ImageNet Хинтон и его ученики использовали модифицированную версию сверточной нейронной сети, созданной Лекуном в конце 1980-х. Но для некоторых студентов и аспирантов в лаборатории Лекуна это событие было также и поводом для разочарования. После того как Хинтон и его ученики опубликовали статью об AlexNet, студенты Лекуна чувствовали себя обойденными; после тридцатилетней гонки с препятствиями они как будто споткнулись на последнем барьере, и это ввергло их в уныние. «Студенты из Торонто оказались расторопнее нью-йоркских студентов», – сказал Лекун Эфросу и Малику, когда они обсуждали статью позже тем же вечером.

В последующие годы Хинтон сравнивал историю глубокого обучения с теорией дрейфа материков. Альфред Вегенер впервые предложил¹³⁸ эту идею в 1912 году, и на протяжении десятилетий она отвергалась геологическим сообществом – отчасти потому, что сам Вегенер не был геологом. «У него были доказательства, но он был климатологом. Он был “не один из нас”. Над ним смеялись, – говорил Хинтон. – То же самое было и с нейронными сетями». Существовало множество доказательств того, что нейронные сети могут успешно решать самые разнообразные задачи, но их игнорировали. «Слишком трудно было поверить в то, что, если вы начинаете со случайных весовых коэффициентов, вводите большое количество данных и следуете градиенту, можно получить такой замечательный результат. Забудьте и думать про это. Не принимайте желаемое за действительное».

В конце концов правда Альфреда Вегенера восторжествовала, но сам он не дожил¹³⁹ до этого момента. Он погиб во время экспедиции¹⁴⁰ в Гренландию. В области глубокого обучения первопроходцем, который не дожил до этого момента торжества, был Дэвид Румельхарт. В 1990-х годах у него развилась болезнь Пика¹⁴¹, нейродегенеративное заболевание, приводящее к разрушению и атрофии мозга. Еще до того, как ему поставили диагноз, он развелся с женой после долгого и счастливого брака и оставил научную работу. Впоследствии он переехал в Мичиган¹⁴², к брату, который заботился о нем, и умер в 2011 году, за год до триумфа AlexNet. «Если бы он был жив, – говорит Хинтон, – именно он был бы главной фигурой». Статья об AlexNet стала одной из самых влиятельных в истории компьютерных наук; она цитировалась другими учеными более шестидесяти тысяч раз. Хинтон любит повторять, что его статью цитируют на пятьдесят девять тысяч раз чаще, чем любую из статей, когда-либо написанных его отцом. «Но кто это считает?» – добавляет он. Система AlexNet стала поворотной не только для глубокого обучения, но и для мировой IT-индустрии в целом. Она показала, что нейронные сети способны преуспеть во многих областях – а не только в распознавании речи – и что графические процессоры являются очень важным фактором этого успеха. Это изменило рынок не только программного, но и аппаратного обеспечения. Генеральный директор компании Baidu Робин Ли осознал важность этого, когда ему это все разъяснил Кай Юй, занимавшийся темой глубокого обучения. Изменила свое отношение к нейронным сетям и компания Microsoft, после того как Ли Дэн заручился поддержкой исполнительного вице-президента Ци Лу. То же самое можно сказать и про Google.

Именно в этот поворотный момент Хинтон вместе с двумя своими аспирантами создал компанию DNNresearch, которую в декабре того же года они продали за 44 миллиона долларов на аукционе, организованном в отеле на озере Тахо. Планировалось, что они втроем разделят вырученные деньги поровну. Но когда пришло время делить выручку, аспиранты сказали Хинтону, что он заслуживает большей доли: 40 процентов. «Это слишком большая жертва с вашей стороны, – сказал он им. – Не будем спешить, а пойдем лучше спать. Утро вечера мудренее».

Но утром они продолжали настаивать на том, что он должен взять себе большую долю. «Это говорит о том, что они за люди, – говорит Хинтон. – Но это не говорит о том, что за человек я».

Он пытается отшучиваться, но деньги берет. Но он никому не рассказывает о том, что свою долю из этих 44 миллионов долларов он намерен вложить в трастовый фонд для своего сына Томаса, который в свои двадцать три года – и со своими «особыми потребностями» – продолжал жить с Хинтоном и которому рано или поздно потребуется собственный источник дохода. Больше того, Хинтон и компанию-то решил создать в первую очередь ради того, чтобы обеспечить будущее своего сына.

Для Алана Юстаса приобретение DNNresearch было только началом. Как руководитель инженерного подразделения Google, он намеревался добиться господства на мировом рынке исследований глубокого обучения – или, по крайней мере, приблизиться к этой цели. Ларри Пейдж, генеральный директор, объявил эту задачу приоритетной несколькими месяцами ранее, когда все руководство Google собралось на стратегическое совещание на одном из островов (неизвестно на каком) в южной части Тихого океана. Глубокое обучение вот-вот изменит положение дел в этом секторе, сказал Пейдж своим помощникам, и компании Google нужно постараться добраться туда первой. «Давайте развернемся по-настоящему», – сказал он. Юстас был единственным из собравшихся, кто действительно понимал, о чем шла речь. «Они все стушевались, – вспоминает Юстас, – кроме меня». И тогда Пейдж предоставил Юстасу полную свободу действий, чтобы он перетащил в Google всех ведущих специалистов в этой все еще крошечной области исследований – потенциально сотни новых сотрудников. Хинтона, Суцкевера и Крижевского из Университета Торонто он уже заманил. И вот теперь – в последние дни декабря 2013 года – он летел в Лондон, чтобы начать переговоры о покупке DeepMind.

Основанная примерно в то же самое время, что и Google Brain, компания DeepMind была с самого начала устремлена к высочайшей цели. Ее основатели намеревались создать, как они это называли, «искусственный интеллект общего назначения» (AGI), то есть технологию, способную делать все, что может сделать человеческий мозг, – только лучше. Пускай путь к конечной цели займет годы, десятилетия, а то и столетия, но основатели этой крошечной компании не сомневались в том, что однажды эта цель все же будет достигнута, и, подобно Эндрю Ыну и другим оптимистично настроенным исследователям, верили, что многие из тех идей, что разрабатывались в различных научно-исследовательских лабораториях, включая лабораторию Хинтона в Университете Торонто, были мощной отправной точкой. Поэтому они тоже присоединились к торгам за фирму Хинтона, и, хотя карманы у них были не такие глубокие, как у их основных конкурентов, они смогли привлечь в свои ряды, пожалуй, самую славную когорту молодых разработчиков ИИ – даже по сравнению со стремительно разраставшейся командой Google Brain. Все это привело к тому, что потенциальный охотник сам стал объектом охоты со стороны крупнейших конкурентов Google: Facebook и Microsoft. Поэтому у Юстаса были все основания торопиться. Он, Джефф Дин и еще двое «гуглеров» планировали провести два дня в офисе DeepMind на Рассел-сквер в центре Лондона, чтобы оценить технические и человеческие ресурсы лаборатории. Они рассчитывали на то, что к ним присоединится еще один новоиспеченный «гуглер» – Джефф Хинтон. Но когда Юстас предложил Хинтону принять участие в их трансатлантической разведывательной вылазке, тот вежливо отказался, сославшись на свою спину. В самолетах его заставляют садиться в кресло во время взлета и посадки, сказал он, а садиться ему противопоказано. Если проблема только в этом, сказал Юстас Хинтону, то он найдет решение.

Юстас был не только инженером. Всегда подтянутый, с прямой спиной, в очках без оправы, он был еще пилотом, скайдайвером и искателем острых ощущений и любые свои приключения подготавливал с той же холодной рассудительностью и основательностью, с какой создавал компьютерные чипы. Пройдет немного времени, и он установит мировой рекорд¹⁴³, прыгнув в скафандре с воздушного шара, парящего в стратосфере в двадцати пяти милях над Землей. А еще недавно он в компании с другими скайдайверами прыгнул с парашютом с реактивного самолета «Гольфстрим» – чего еще никто никогда не делал, – и это навело его на мысль. Чтобы они могли совершить прыжок, кто-то должен был открыть дверь в задней части самолета, и, чтобы сразу же не погибнуть, полетев кувырком на тот свет, они облачились в альпинистские страховочные привязи, оснащенные двумя длинными черными ремнями, которые были прицеплены к металлическим кольцам на стенках внутри самолета. Если компания Google арендует частный самолет, подумал Юстас, они смогут обвязать Хинтона страховочными ремнями, уложить на импровизированную койку, прикрепленную к полу, и ремнями прицепить к стенкам салона. Именно так они и сделали. Они вылетели в Лондон на частном «Гольфстриме», где Хинтон, привязанный двумя ремнями, лежал на двух сиденьях с полностью опущенными спинками. «Все были довольны мной, – говорит Хинтон. – Ведь это благодаря мне они летели на частном, а не на рейсовом самолете».

Этот частный «Гольфстрим», базирующийся в Сан-Хосе, штат Калифорния, часто сдавался в аренду Google и другим технологическим гигантам из Кремниевой долины, и для каждого арендатора летный экипаж менял схему освещения в салоне – в соответствии с цветами корпоративного логотипа. Когда «гуглеры» поднялись на борт в один из декабрьских воскресных дней 2013 года, освещение было в сине-красно-желтых тонах. Хинтон не был уверен, что приготовленные страховочные ремни гарантируют личную безопасность, но, по крайней мере, они не дали ему сорваться с импровизированной кровати и навалиться на сидевших впереди коллег во время взлета и посадки. Вечером они приземлились в Лондоне, а на следующее утро Хинтон переступил порог DeepMind.

За DeepMind стояло несколько выдающихся умов. Двое из них, Демис Хассабис и Дэвид Сильвер, вместе учились в Кембридже, но впервые их пути пересеклись на юношеском шахматном турнире в родном городе Сильвера на восточном побережье Англии. «Я узнал Демиса раньше, чем он узнал меня¹⁴⁴, – говорит Сильвер. – Он приехал в наш город, выиграл турнир и уехал». Сын сингапурской китаянки и киприота-грека, державшего магазин игрушек в северной части Лондона, Хассабис в свое время занимал второе место в мировом рейтинге шахматистов в возрастной категории до четырнадцати лет145. Но его таланты не ограничивались шахматами. Он с отличием окончил Кембридж по специальности «Информатика» и добивался выдающихся успехов в любых интеллектуальных играх. В 1998 году, в возрасте двадцати одного года, он принял участие в чемпионате мире по интеллектуальному пятиборью (Pentamind), проходившем в лондонском Королевском фестивальном зале, в котором игроки со всего мира соревновались в пяти дисциплинах – шахматы, го, скрэббл, нарды и покер. Хассабис стал чемпионом с первой попытки. За последующие пять лет он одержал победу еще четыре раза. В тот год, когда он не выиграл, он не участвовал. «Несмотря на присущий интеллектуальным видам спорта ореол изысканности, борьба там идет нешуточная – как и в любом другом виде спорта, – написал он в своем онлайн-дневнике¹⁴⁶ после того, как стал двукратным чемпионом. – Все как везде. Попытки деморализации соперника обидными замечаниями, попытки жульничества – это в порядке вещей. На юношеских шахматных турнирах, которые я посещал, под столами устанавливают деревянные перегородки, не дающие соперникам пинать друг друга ногами. Джефф Хинтон позже говорил, что Хассабис мог претендовать на звание величайшего интеллектуального игрока всех времен, и многозначительно добавлял, что в этом проявляется не только его могучий интеллект, но также его непоколебимая воля к победе. После успеха в Pentamind Хассабис выиграл командный чемпионат мира по Diplomacy¹⁴⁷, настольной игре, сюжет которой разворачивается в Европе накануне Первой мировой войны. Здесь лучшие игроки полагаются на свои аналитические и стратегические навыки шахматной игры, а также проявляют хитрость, необходимую для того, чтобы успешно вести переговоры, проталкивать свои интересы и тихой сапой прокладывать себе путь к победе. «У него есть три качества, – говорит Хинтон. – Он очень умен, азартен и обаятелен в общении. Это опасное сочетание».

У Хассабиса было две страсти. Одной из них была разработка компьютерных игр. Во время академического отпуска он помогал знаменитому британскому разработчику Питеру Молинье в работе над игрой Theme Park, где игроки создают огромную виртуальную имитацию парка развлечений с колесом обозрения и американскими горками. Игра разошлась тиражом примерно в 10 миллионов экземпляров, став источником вдохновения для совершенно новой категории игр – Sims, в которых виртуально воссоздаются какие-то части физического мира, – и в значительной мере предвосхитив методы разработки ИИ основателями DeepMind и их подражателями. Искусственный интеллект как раз и был второй страстью Хассабиса. Он верил, что однажды создаст машину, способную имитировать человеческий мозг.

В Дэвиде Сильвере, который тоже учился в Кембридже, он нашел родственную душу. По окончании университета они основали компанию по разработке компьютерных игр¹⁴⁸, получившую название Elixir. Когда Хассабис занимался в Лондоне созданием этого стартапа, он постоянно вел онлайн-дневник¹⁴⁹, посвященный преимущественно внутренней жизни компании. Этот дневник был, конечно, инструментом пиара и рекламы – способом вызвать интерес к его компании и выпускаемым ею играм, – но автор местами отваживался быть предельно откровенным, и в его записях одновременно просматриваются обаяние ботана, хитроумие и железная воля к победе. Однажды он поведал о переговорах с Eidos¹⁵⁰, крупным британским издательством, которое согласилось распространять первую игру, созданную компанией Elixir. По словам Хассабиса, для разработчика игр жизненно важно¹⁵¹ добиться глубокого чувства доверия в отношениях с издателем, и он думал, что ему это удалось. Но когда это долгое совещание в лондонском офисе Eidos завершилось¹⁵², Иэн Ливингстон, председатель правления издательства, который позже будет удостоен Ордена Британской империи за его заслуги перед экономикой Великобритании, указал Хассабису на стол для настольного футбола, расположенный в другом конце комнаты, и предложил сразиться. Хассабис подумал было¹⁵³, не следует ли ему поддаться в игре – просто чтобы порадовать своего издателя, – но затем решил, что, нет, он постарается во что бы то ни стало победить. «Иэн неплохой игрок¹⁵⁴ – говорят, он вместе со Стивом Джексоном был чемпионом Халлского университета в парном разряде, – но я оказался в сложной ситуации, – писал в своем онлайн-дневнике Хассабис. – Достойно проиграть председателю Eidos (уступив его превосходящим навыкам игры) было бы просто счастливым билетом. Но есть черта, которую нельзя переходить. В конце концов, игра есть игра. Я выиграл со счетом 6:3».

В своем дневнике Хассабис писал не только о делах Elixir, но, казалось, и в будущее заглядывал. Уже первая запись начинается¹⁵⁵ с рассказа о том, как он сидит дома в мягком кресле и слушает музыкальную композицию из фильма «Бегущий по лезвию» (двенадцатый трек, «Слезы под дождем», на непрерывном повторе). Как Стэнли Кубрик в конце 1960-х вдохновил молодого Яна Лекуна, так же и этот научно-фантастический фильм Ридли Скотта, сразу же ставший классикой жанра, где властолюбивый ученый и его корпорация создают машины, которые ведут себя в точности как люди, завладел воображением молодого Хассабиса в начале 1980-х. Когда мелких разработчиков видеоигр начали активно вытеснять с рынка и Хассабису пришлось свернуть Elixir, он решил создать другой стартап, который будет гораздо более амбициозным, чем предыдущий, и позволит ему вернуться к своим корням – к нейробиологии и научной фантастике. Итак, в 2005 году он решил создать компанию, которая сможет искусственно воссоздать человеческий разум.

Он понимал, что ему потребуются годы, прежде чем он сможет сделать хотя бы первый шажок в этом направлении. Прежде чем приступить к реальному созданию компании, он поступил в аспирантуру Университетского колледжа Лондона (УКЛ) по специальности «Нейробиология», надеясь лучше понять устройство и работу мозга, прежде чем пытаться его моделировать. Дэвид Сильвер тоже вернулся за парту¹⁵⁶, но не как нейробиолог. Он стал изучать смежную дисциплину – искусственный интеллект – в Университете Альберты в Канаде. То, что их научные специализации сначала разошлись, чтобы вскоре снова сойтись в DeepMind, указывало на тесную связь между нейробиологией и искусственным интеллектом, по крайней мере, для тех ученых, которые добились за эти годы наибольших подвижек в разработке ИИ. Никто не мог по-настоящему понять мозг, и никто не мог воссоздать его, но некоторые верили в то, что эти два направления в конечном счете влияют друг на друга. Хассабис называл эту взаимозависимость «добродетельным кругом».

В УКЛ он изучал взаимосвязь памяти и воображения в мозге человека. В одной из работ он изучал примеры людей с посттравматической амнезией¹⁵⁷, которые не могли вспомнить прошлое, и показал, что при этом они изо всех сил пытаются представить себя в новых ситуациях, таких как посещение торгового центра или поездка на морской курорт. Распознавание, запоминание и воссоздание в памяти образов как-то связано с их созданием. В 2007 году Science¹⁵⁸, один из ведущих научных журналов мира, назвал его исследование одним из десяти важнейших научных прорывов года. Но это была всего лишь еще одна ступенька. Защитив диссертацию, Хассабис поступил в постдокторантуру в Gatsby Unit, лабораторию УКЛ, область исследований которой находилась на пересечении нейробиологии и ИИ. Она была основана профессором Джеффом Хинтоном при финансовой поддержке Дэвида Сейнсбери, британского магната, владельца супермаркетов.

Хинтон покинул свой новый пост всего через три года и вернулся к своей профессорской должности в Торонто, когда Хассабис все еще возглавлял компанию по разработке игр. Пройдет несколько лет, прежде чем они встретятся, и то лишь мимолетно. В Gatsby у Хассабиса был коллега по имени Шейн Легг – у них был общий научный руководитель, и они вместе проводили исследования. В то время, как он позже вспоминал, искусственный интеллект общего назначения еще не стал темой, которую бы серьезные ученые обсуждали вслух, даже в таком месте, как Gatsby. «Всерьез это никто не воспринимал, – говорит он. – Если бы вы заговорили с кем-нибудь об AGI, вас сочли бы в лучшем случае чудаком, а в худшем – шарлатаном и неучем». Но Легг, новозеландец по происхождению, который изучал информатику и математику, а в свободное время увлекался бальными танцами, вполне разделял взгляды Хассабиса. Он мечтал о создании сверхразума – технологии, которая могла бы затмить способности человеческого мозга, – хотя и тревожился о том, что такие сверхразумные машины могут однажды стать угрозой для будущего человечества. Сверхразум, писал он в своей диссертации¹⁵⁹, может доставить человечеству небывалые богатства и возможности – но в случае реализации «кошмарного сценария» может поставить под угрозу само существование рода человеческого. Даже если есть лишь крошечная возможность¹⁶⁰ создания сверхразума, полагал он, исследователи должны учитывать возможные последствия этого. «Если исходить из того, что роль по-настоящему умных машин¹⁶¹ в жизни людей, вероятно, будет весомой и что существует хотя бы небольшая вероятность того, что это осуществится в обозримом будущем, то имеет смысл попытаться подготовиться к этому заранее. Если мы будем дожидаться момента, когда вероятность скорого появления умных машин станет достаточно высокой, тогда уже будет слишком поздно обсуждать связанные с этим проблемы и вопросы, – писал он. – Нам нужно серьезно работать над этим уже сейчас». Он верил в то, что сам человеческий мозг послужит моделью для создания сверхразума, и именно это привело его в лабораторию Gatsby. «Мне казалось совершенно естественным пойти именно туда», – говорит он. Ведь именно здесь он имел возможность исследовать то, что он называл «взаимосвязью между человеческим мозгом и машинным обучением».

Когда годы спустя Джеффа Хинтона попросили рассказать о Шейне Легге, он сравнил его с Демисом Хассабисом: «Он не такой умный, не такой азартный и не такой обаятельный в общении, но это можно сказать практически о каждом». При всем том и в последующие годы идеи Легга по своей авторитетности и влиятельности не уступали идеям его более именитого партнера.

Амбиции у Хассабиса и Легга были одинаковые. Они хотели, по их словам, «разгадать тайны разума». Но они разошлись во взглядах на то, как этой цели лучше добиться. Легг предлагал идти по научной стезе, в то время как Хассабис считал, что у них нет другого выбора, кроме как заниматься бизнесом, настаивая на том, что это единственный способ добыть ресурсы, которых им очень много понадобится для решения такой экстремально сложной задачи. Он хорошо знал академический мир, но и мир бизнеса – благодаря Elixir – он знал не хуже. Он не хотел создавать стартап ради стартапа. Он хотел создать компанию, нацеленную конкретно на осуществление тех долгосрочных исследований, которые их интересовали. Они смогут собрать гораздо больше финансовых средств от венчурных капиталистов, чем могли бы рассчитывать получить в качестве грантов для научной деятельности, уговаривал он Легга, и это позволит им обзавестись самыми современными техническими средствами, которыми не обладают даже лучшие университеты. Легг, в конце концов, согласился. «Но в Gatsby мы о своих планах никому не сообщали, – говорит Хассабис. – Все бы решили, что мы сошли с ума».

За год работы в постдокторантуре они сблизились с предпринимателем и общественным активистом по имени Мустафа Сулейман. Когда они втроем решили основать DeepMind¹⁶², именно Сулейман стал финансовым мозгом новой компании, ответственным за получение доходов, необходимых для продолжения исследований.

Компания DeepMind была основана осенью 2010 года, и ее название – признательный кивок как глубокому обучению, так и нейробиологии – а еще и суперкомпьютеру Deep Thought, который нашел ответ на «главный вопрос жизни» в английском научно-фантастическом романе «Автостопом по Галактике». Хассабис, Легг и Сулейман отстаивали каждый свою собственную точку зрения на компанию, которая была устремлена в дальние дали AGI и одновременно занималась решением насущных проблем на ближайшую перспективу, при этом открыто выражая озабоченность по поводу угроз, таящихся в этой технологии как в настоящем, так и в будущем. Их стратегической целью – декларируемой в первой строке их бизнес-плана – было создание искусственного интеллекта общего назначения. Но в то же время они говорили всем, кто готов был их слушать, включая потенциальных инвесторов, что эти исследования могут быть опасными. Они заявляли, что никогда не поделятся своими технологиями с военными, и предупреждали, что сверхразум может стать угрозой для существования человечества (о чем Легг писал еще в своей диссертации).

Поддержкой своего самого важного инвестора они заручились еще до того, как компания была основана. Последние несколько лет Легг посещал ежегодные собрания футуристов, получившие название «Саммит сингулярности». «Технологическая сингулярность» – это (гипотетический) момент, когда технологии совершенствуются до такой степени, что выходят из-под человеческого контроля. Учредители этой крохотной конференции принадлежали к эклектичной группе ученых-маргиналов, предпринимателей и зевак, которые верили в то, что этот момент близок. Их интересовал не только искусственный интеллект, но и технологии продления жизни, исследования стволовых клеток и другие разрозненные направления футуризма. Одним из основателей этого движения был философ и эксперт-самоучка по имени Элиезер Юдковский, который познакомил Легга с идеей сверхразума в начале 2000-х, когда они вместе работали в нью-йоркской компании Intelligenesis. Но из участников этого движения главным объектом внимания со стороны Хассабиса и Легга был не он, а Питер Тиль.

Летом 2010 года Хассабис и Легг договорились выступить на Саммите сингулярности¹⁶³, зная, что каждый докладчик будет приглашен на частную вечеринку в таунхаус Тиля в Сан-Франциско. Тиль был частью команды основателей PayPal, онлайнового платежного сервиса, а впоследствии приобрел еще большую известность – и еще большее состояние – в качестве одного из самых первых инвесторов, вложившихся в Facebook, LinkedIn и Airbnb. Если им удастся попасть к нему домой, они смогут представить ему свою компанию и заручиться его инвестициями. У Тиля были не только деньги, но и определенные наклонности. Он был человеком, который охотнее верил в разного рода экстремальные идеи, чем любой венчурный капиталист Кремниевой долины. В конце концов, он даже Саммит сингулярности финансировал. В последующие годы он, в отличие от многих магнатов Кремниевой долины, будет активно поддерживать Дональда Трампа – как накануне, так и после президентских выборов 2016 года. «Нам нужен был человек достаточно сумасшедший, чтобы финансировать компанию, занимающуюся разработкой AGI, – говорит Легг. – Он всегда и во всем был (и остается) белой вороной, все делает наперекор большинству. И поскольку в нашем случае большинство наши планы не поддерживало, мы надеялись, что его дух противоречия сыграет нам на руку».

В первый день конференции, проходившей в одном из отелей в центре Сан-Франциско, Хассабис выступил с утверждением, что лучший способ создать искусственный интеллект – моделирование работы мозга. Он называл это «биологическим подходом»¹⁶⁴: когда инженеры разрабатывают технологии – будь то нейронные сети или какая-то другая электроника – по образу и подобию человеческого мозга. «Мы должны сосредоточиться на алгоритмическом уровне мозга¹⁶⁵, – сказал он, – извлекая те представления и те алгоритмы, которые мозг использует для решения тех же самых проблем, которые мы хотим решить с помощью AGI». Это должно было стать одним из столпов будущего здания DeepMind. Выступивший днем позже Шейн Легг описал второй столп. Он заявил, что разработчикам искусственного интеллекта нужны определенные критерии¹⁶⁶ оценки достигнутого ими прогресса. Иначе они не поймут, верной ли дорогой идут¹⁶⁷. «Мне нужно знать, куда мы движемся¹⁶⁸, – сказал он. – Нам нужно концептуальное понимание того, что такое интеллект, и нам нужен способ его измерения». Хассабис и Легг не просто так распинались о том, на каких принципах будет основываться их новая компания. Их выступления были, в первую очередь, способом добраться до Тиля.

Таунхаус Тиля стоял на Бейкер-стрит, выходя окнами на кишащий лебедями пруд, по другую сторону которого раскинулся похожий на старинный замок Дворец изящных искусств, возведенный примерно сто лет назад для всемирной выставки. Когда Хассабис и Легг переступили порог дома и вошли в гостиную, они первым делом увидели шахматную доску. Все фигуры стояли на своих местах – белые напротив черных, – приглашая желающих сыграть. Сначала они нашли Юдковского, который и познакомил их с Тилем. Но они не стали сразу же рассказывать ему о своей компании. Вместо этого Хассабис заговорил о шахматах¹⁶⁹. Он сказал Тилю, что он тоже заядлый шахматист¹⁷⁰, и они обсудили непреходящие достоинства этой древней игры. Интерес к шахматам не ослабевает на протяжении многих веков¹⁷¹, говорил Хассабис, благодаря присущему этой игре извечному противостоянию слона и коня, у каждого из которых есть свой набор сильных и слабых сторон. Тиль был настолько очарован этой беседой, что пригласил обоих мужчин прийти на следующий день, чтобы они могли подробнее рассказать о себе и своей компании.

Когда они вернулись на следующее утро, Тиль встретил их в спортивной форме, мокрый от пота после ежедневной тренировки. Дворецкий принес ему диетическую колу, после чего они сели за стол. Говорил в основном Хассабис. Он стал объяснять, что он не просто геймер, а нейробиолог, что они разрабатывают AGI по образу человеческого мозга, что намерены начать этот долгий поиск с систем, которые обучаются играть в игры, и что продолжающийся экспоненциальный рост вычислительной мощности компьютеров в глобальном масштабе позволит этим технологиям покорять всё новые и новые высоты. Эта презентация удивила даже привыкшего верить во всякие чудеса Питера Тиля. «Не слишком ли радужные перспективы?» – спросил он. Но диалог продолжался – и в этот день, и затем на протяжении еще нескольких недель, – и не только с самим Тилем, но и с его партнерами по венчурной фирме Founders Fund. В конечном счете главным возражением со стороны Тиля было не то, что компания была слишком амбициозна, а то, что она базировалась в Лондоне. В этих обстоятельствах ему будет труднее следить за своими инвестициями, а для венчурных капиталистов Кремниевой долины это всегда важный вопрос. Тем не менее он вложил 1,4 миллиона фунтов стерлингов¹⁷², что позволило собрать в общей сложности 2 миллиона фунтов посевного капитала, которые положили начало DeepMind. В последующие месяцы и годы в игру включились другие крупные инвесторы, в том числе Илон Маск, воротила Кремниевой долины, который наряду с Тилем участвовал в создании PayPal, а затем создал компанию SpaceX по производству космических ракет и компанию Tesla по производству электромобилей. «Это определенное сообщество, – говорит Легг, – и он был одним из миллиардеров, решивших вложить некоторую сумму денег».

С той поры компания DeepMind стала расти как снежный ком. Хассабис и Легг привлекли Хинтона и Лекуна в качестве технических советников, и в стартап быстро потянулись многие перспективные исследователи, включая Влада Мниха, который учился у Хинтона в Торонто, Корая Кавукчуоглу, который работал под руководством Лекуна в Нью-Йорке, и Алекса Грейвса, который учился у Юргена Шмидхубера в Швейцарии, а потом поступил в постдокторантуру к Хинтону. Как и было сказано Питеру Тилю, отправной точкой стали игры. Игры были испытательным полигоном для искусственного интеллекта с 1950-х годов, когда были созданы первые роботы-шахматисты¹⁷³. Поворотным моментом ученые называли 1990 год¹⁷⁴, когда удалось создать компьютерную программу Chinook, обыгравшую лучшего в мире игрока в шашки. Семь лет спустя суперкомпьютер Deep Blue от IBM обыграл шахматного гроссмейстера Гарри Каспарова. А в 2011 году другой IBM’овский компьютер, Watson¹⁷⁵, победил в телевикторине с вопросами из области общих знаний Jeopardy!, где его соперниками были два лучших игрока всех времен. И вот теперь команда разработчиков из DeepMind, возглавляемая Мнихом, приступила к созданию системы, которая могла бы играть в старые аркадные видеоигры от Atari, включая такие классические игры 1980-х, как Space Invaders, Pong и Breakout. Хассабис и Легг были непреклонны в том, что искусственный интеллект должен развиваться таким образом, чтобы можно было точно измерять его прогресс, – отчасти потому, что это поможет следить за потенциальными угрозами. Игры обеспечивали эту возможность. Очки, зарабатываемые компьютером, были абсолютной величиной. Результаты были неоспоримые. «Так мы водружаем наши флаги, – говорит Хассабис. – Куда нам двигаться дальше? Где наш следующий Эверест?» Кроме того, искусственный интеллект, хорошо играющий в различные игры, служил очень хорошей демонстрацией возможностей. Благодаря таким демонстрациям удается с выгодой продавать программные продукты – а иногда и целые компании. К началу 2013 года это стало очевидным и неоспоримым фактом.

В игре Breakout у игрока есть маленькая ракетка, с помощью которой он отбивает мяч, отскакивающий от стены цветных кирпичиков. Когда вы попадаете в кирпичик, он рассыпается, и вы выигрываете несколько очков. Но стоит вам несколько раз промахнуться по отскочившему мячу, игра заканчивается. В DeepMind Мних и его коллеги построили глубокую нейронную сеть, которая изучала все нюансы игры в Breakout путем множественных проб и ошибок, делая сотни попыток и внимательно отслеживая, какие движения оказываются удачными, а какие нет: этот метод называют «обучением с подкреплением». Эта нейронная сеть смогла освоить игру¹⁷⁶ чуть более чем за два часа. За первые тридцать минут она усвоила основные движения – направляться к мячу и отбивать его в сторону кирпичной стены, – хотя еще не овладела ими. Через час она была уже достаточно искусной, чтобы отбивать мяч каждый раз и набирать очки с каждым ударом. А через два часа система выучила трюк, который вообще «взламывал» игру. Она отбивала мяч за кирпичную стену, где он попадал в почти замкнутое пространство и мог скакать туда-сюда, разбивая кирпич за кирпичом и зарабатывая очко за очком и при этом не возвращаясь к ракетке. Таким образом, система в конечном счете научилась играть с нечеловеческой скоростью и точностью.

Вскоре после того, как Мних и его команда создали эту игровую систему, компания DeepMind отправила видеодемонстрацию инвесторам из Founders Fund, в том числе Люку Носеку. Наряду с Питером Тилем и Илоном Маском Носек получил первоначальную известность как участник группы создателей PayPal – так называемой «мафии PayPal». Как сам Носек впоследствии рассказывал одному из своих коллег, вскоре после получения от DeepMind видео с играющим в классические аркадные игры искусственным интеллектом: они с Илоном Маском летели на частном самолете и вместе смотрели видео и обсуждали DeepMind, и их разговор услышал еще один миллиардер из Кремниевой долины, оказавшийся в том же самолете, – Ларри Пейдж. Именно так Пейдж узнал о компании DeepMind и начал обхаживать ее, и кульминацией этого обхаживания стал его прилет в Лондон. Пейдж хотел купить стартап уже на этой ранней стадии. Хассабис не был к этому готов. Ему всегда хотелось иметь свою собственную компанию. По крайней мере, так он говорил своим подчиненным. Он утверждал, что DeepMind останется независимой компанией на протяжении следующих двадцати лет, если не дольше.

Лифт, на котором Хинтон и другие «гуглеры» поднимались на верхний этаж, застрял. Пока они ждали, Хинтон беспокоился, какие чувства может вызвать это досадное происшествие у тех, кто дожидался их в офисах DeepMind, – многих из которых он знал. «Как неловко вышло», – думал он. Когда лифт наконец заработал и «гуглеры» добрались до верхнего этажа, их встретил Хассабис и провел в комнату для совещаний, где стоял длинный стол. Он не столько испытывал неловкость, сколько нервничал, опасаясь раньше времени раскрыть все секретные разработки своей лаборатории перед компанией, которая своими огромными ресурсами могла бы эти разработки резко ускорить. Он не хотел распахивать пресловутое кимоно, пока не был уверен, что хочет продать свою компанию – и что Google хочет ее купить. Когда все собрались в конференц-зале, он выступил с речью, в которой рассказал о миссии DeepMind. Затем несколько сотрудников DeepMind раскрыли по крайней мере часть тех исследований, которыми занималась лаборатория, как в теоретической, так и в практической плоскости. Гвоздем программы стал Влад Мних со своей машиной, играющей в Breakout.

Пока Мних демонстрировал свой проект, измученный Джефф Хинтон лежал на полу рядом со столом, за которым сидели все остальные. Время от времени Мних замечал, как Хинтон поднимает руку, когда хочет задать вопрос. Совсем как в Торонто, когда они были там вместе, думал Мних. Когда демонстрация закончилась, Джефф Дин поинтересовался, действительно ли речь идет о том, что система обучается играть в Breakout. Мних подтвердил. Система усваивает и закрепляет определенные игровые стратегии, потому что они приносят наибольшее вознаграждение – в данном случае наибольшее количество очков. Этой методикой – обучением с подкреплением – в Google предметно не занимались, но именно это было основным направлением исследований в DeepMind. Шейн Легг увлекся этой концепцией после того, как его научный руководитель в постдокторантуре опубликовал статью, в которой утверждалось, что примерно так же работает человеческий мозг. Компания привлекла длинный список исследователей, которые специализировались на этой идее, включая Дэвида Сильвера. Именно обучение с подкреплением, по мнению Алана Юстаса, позволило DeepMind построить систему, которая стала первой реальной попыткой создания искусственного интеллекта общего назначения. «Они достигали сверхчеловеческой результативности примерно в половине игр, и в некоторых случаях успех просто поражал воображение, – говорит он. – Машине удавалось выработать стратегию игры, которая обеспечивала просто убийственный результат».

После демонстрации игр Шейн Легг выступил с докладом, основанным на его диссертации, где он описал разновидность программных агентов, или ботов, которые способны учиться решать новые задачи в любой среде. Влад Мних и его команда создали программы, которые могли обучаться новым правилам поведения в таких играх, как Breakout и Space Invaders, и то, что предложил Легг, было расширением этой деятельности за пределы игровой сферы – в более сложные виртуальные миры, а также и в реальный мир. Подобно тому как бот может научиться ориентироваться в игре Breakout, робот-слуга может научиться ориентироваться в гостиной или беспилотный автомобиль может научиться ориентироваться в населенном пункте. И примерно таким же образом один из таких ботов мог бы научиться ориентироваться в английском языке. Это гораздо более сложные проблемы. Игра – это замкнутая вселенная, где награды четко определены. Есть старт, и есть финиш. Реальный мир намного сложнее, и награды в нем труднее определить, но это тот путь, который компания DeepMind наметила себе. «Диссертация Шейна, – говорит Юстас, – заложила фундамент того, чем они занимались».

Это была цель на далекое будущее, но этот долгий путь складывается из множества маленьких шагов, которые найдут практическое применение в ближайшей перспективе. На глазах у «гуглеров» Алекс Грейвс, американец, выросший в Шотландии, продемонстрировал один из таких «шагов»: систему, которая писала «от руки». Анализируя паттерны, определяющие объект, нейронная сеть может научиться распознавать его. Если она понимает эти паттерны, она также может генерировать изображение этого объекта. Проанализировав базу написанных от руки слов, система Грейвса научилась создавать изображения рукописных слов. Это порождало надежду, что, анализируя фотографии собак и кошек, такая технология могла бы научиться также и генерировать фотографии собак и кошек. Ученые называют это «генеративным моделированием», и это тоже было важной областью исследований в DeepMind.

В то время, когда Google и другие гиганты платили за каждого исследователя сотни тысяч, если не миллионы долларов, компания DeepMind платила таким, как Алекс Грейвс, меньше 100 000 долларов в год. Это было все, что она могла себе позволить. Через три года после своего основания эта крошечная компания все еще не получала дохода. Сулейман и его команда пытались создать мобильное приложение, которое бы, опираясь на искусственный интеллект, помогало пользователям не упустить из виду последние веяния моды – в офисах DeepMind на Рассел-сквер иногда среди разработчиков ИИ можно было заметить редакторов и авторов модных журналов, – а отдельная группа исследователей была близка к тому, чтобы предложить через Apple App Store новую видеоигру, но доллары пока не поступали. В то время как Грейвс и другие ученые рассказывали о своей работе гостям из Google, Хассабис понимал, что нужно что-то менять.

Когда демонстрация закончилась, Джефф Дин попросил у Хассабиса разрешения взглянуть на программные коды. Хассабис сначала возражал, но потом согласился, и Дин сел за компьютер рядом с Кораем Кавукчуоглу, турком по происхождению, который курировал систему Torch, используемую компанией для создания и тренировки своих моделей машинного обучения. Примерно через пятнадцать минут работы с кодом Дин понял, что DeepMind подойдет для Google. «Это явно делали люди, которые знают свое дело, – говорит он. – Я понял, что их культура вполне совместима с нашей». К этому моменту исчезли всякие сомнения в готовности Google приобрести лондонскую лабораторию. Марк Цукерберг и Facebook недавно присоединились к Google, Microsoft и Baidu в их погоне за талантами, но руководство Google было исполнено решимости не уступить лидерство. Хотя Хассабис ранее обещал своим сотрудникам, что DeepMind останется независимой компанией, теперь у него уже не было другого выбора, кроме продажи. Если DeepMind не продать, компания погибнет. «Мы действительно не могли бы соперничать с этими мультимиллиардерами, которые твердо решили переманить к себе наши лучшие кадры, – говорит Легг. – Нам какое-то время удавалось отбивать натиск, но долго мы продержаться не смогли бы». Тем не менее, когда начались переговоры о продаже DeepMind Google, основатели компании постарались хотя бы частично выполнить те обещания, которые Хассабис дал своим сотрудникам. DeepMind уже не могла оставаться независимой не то что двадцать лет, но и три недели, но Хассабис, Легг и Сулейман настояли на том, чтобы их договор с Google включал в себя два условия, отражающие их жизненные принципы и идеалы. Один пункт запрещал Google использовать любые технологии DeepMind в военных целях. Согласно второму условию, компания Google должна была создать независимый совет по этике, который будет контролировать использование технологий AGI, когда они станут реальностью. Некоторые из тех, кто был посвящен в детали соглашения, сомневались в необходимости этих условий, и в последующие годы многие в сообществе исследователей ИИ воспринимали это как попытку руководства DeepMind набить себе цену перед продажей. «Они утверждали, что их технология опасна, а значит, она казалась более могущественной, и они могли просить за нее больше», – говорили злые языки. Но основатели DeepMind были непреклонны в том, что продажа не состоится, если эти требования не будут выполнены, и они продолжали бороться за эти свои идеалы в последующие годы.

Перед тем как подняться на борт «Гольфстрима» в Калифорнии, Хинтон уверял всех, что поедет поездом обратно в Канаду; эта «легенда» была призвана сохранить тайну экспедиции в Лондон. На обратном пути самолет сделал небольшой крюк в Канаду и приземлился в Торонто приблизительно в то самое время, когда должен был прибыть поезд, на котором он якобы ехал. Хитрость сработала. В январе Google объявила о приобретении DeepMind¹⁷⁷, компании из пятидесяти человек, за 650 миллионов долларов. Это был еще один фотофиниш. Им едва-едва удалось опередить компанию Facebook, которая тоже положила глаз на лондонскую лабораторию и предложила каждому из основателей DeepMind вдвое больше денег, чем они получили от Google.

В конце ноября 2013 года Клеман Фарабе сидел на диване в своей бруклинской квартире и писал программу на ноутбуке, когда зазвонил его айфон. На экране высветилось: «Менло-Парк, штат Калифорния». Ответив на звонок, он услышал: «Привет, это Марк из Facebook». Фарабе работал в лаборатории глубокого обучения при Нью-Йоркском университете. Несколькими неделями ранее с ним связался другой руководитель Facebook – как говорится, ни с того ни с сего, – но звонка от Марка Цукерберга он все равно никак не ожидал. В своей прямолинейной и бесцеремонной манере основатель и генеральный директор Facebook сказал Фарабе, что собирается приехать на конференцию NIPS на озеро Тахо и не могут ли, дескать, они встретиться там и поговорить. До NIPS оставалось меньше недели, и Фарабе не планировал ехать туда в этом году, но он все же согласился встретиться с Цукербергом в пентхаусе отеля-казино Harrah’s за день до начала конференции. Повесив трубку, он поспешил забронировать авиабилет через всю страну и ночлег, но все равно не совсем понимал, что происходит, пока не приехал в Неваду, не вошел в пентхаус отеля Harrah’s и не увидел человека, сидевшего на диване за спиной основателя и генерального директора Facebook. Это был Ян Лекун.

На Цукерберге не было обуви. Следующие полчаса он в одних носках расхаживал взад-вперед по гостиничному номеру, называя ИИ «следующим большим делом» и «следующим шагом для Facebook». Это было за неделю до того, как свита из Google вылетела в Лондон на переговоры с DeepMind. Компания Facebook как раз приступила к созданию собственной лаборатории глубокого обучения, и несколько дней назад они наняли Лекуна, чтобы он возглавил эту лабораторию. Теперь, вместе с Лекуном и еще одним человеком, который находился в номере, техническим директором Facebook Майком Шрепфером, которого все звали просто «Шрепом», Цукерберг набирал кадры для этого нового проекта. Фарабе, ученый родом из Лиона, специализировавшийся на технологиях распознавания изображений и много лет занимавшийся разработкой компьютерных чипов для обучения нейронных сетей, был лишь одним из многих исследователей, посетивших пентхаус Harrah’s, чтобы встретиться с Цукербергом. «Он знал имена всех исследователей, работавших в этой отрасли, и, в сущности, был не прочь нанять их всех», – говорит Фарабе.

В тот вечер «фейсбукеры» устроили частную вечеринку¹⁷⁸ в одном из бальных залов отеля. Когда в этом огромном зале с балконом собрались десятки приглашенных инженеров, компьютерщиков и ученых¹⁷⁹, Лекун объявил, что компания открывает собственную лабораторию искусственного интеллекта на Манхэттене, неподалеку от его офиса в Нью-Йоркском университете. «Это брак, заключенный на небесах¹⁸⁰, иначе именуемых Нью-Йорком», – сказал Лекун и поднял бокал «за Марка и Шрепа». К этому времени компания Facebook успела нанять еще одного профессора Нью-Йоркского университета, чтобы он работал вместе с Лекуном в новой лаборатории, получившей название FAIR (Facebook Artificial Intelligence Research). В скором времени к ним присоединились еще несколько славных имен, в том числе трое ученых, которых удалось переманить из Google. Но что касается Клемана Фарабе, то он, несмотря на давнюю историю отношений с Лекуном, тоже французом, предложение перейти в Facebook в конце концов отклонил. В то время вместе с несколькими другими учеными он занимался созданием новой компании – которую они назвали Madbits и которая тоже относилась к сфере глубокого обучения – и хотел довести это дело до конца. Шесть месяцев спустя, еще до того, как эта крошечная новая компания хотя бы приблизилась к выпуску своего первого продукта, она была перекуплена социальной сетью Twitter, еще одним гигантом Кремниевой долины. Битва за таланты становилась все жарче.

Территория корпоративной штаб-квартиры Facebook в Кремниевой долине чем-то напоминает Диснейленд. Благодаря постоянной ротации бригад муралистов, скульпторов, шелкографов и других художников каждое здание, комната, каждый коридор и фойе украшены в своей уникальной, порой экстравагантной манере, не менее интересны и своеобразны всевозможные заведения общественного питания, расположенные на территории кампуса – Big Tony’s Pizza в одном углу, The Burger Shack в другом. Ранее в том же году в Корпусе 16, что рядом с Teddy’s Nacho Royale, Марк Цукерберг встретился с основателями DeepMind. Питер Тиль, как один из первых инвесторов DeepMind и одновременно член совета директоров Facebook, был важным связующим звеном между ними. Тем не менее, у Цукерберга не было уверенности в том, как относиться к этому крошечному лондонскому стартапу. Незадолго до этого он уже встречался с основателями еще нескольких других стартапов, обещавшими «искусственный интеллект», как они его понимали, и он не видел, чем таким особенным компания DeepMind выделялась из их числа.

Как только встреча закончилась, инженер Facebook по имени Любомир Бурдев сказал Цукербергу, что то, что они услышали, не просто хвастовство и пустые обещания: у технологии, разрабатываемой Хассабисом и Леггом, действительно есть будущее. «Эти ребята реалисты и свое дело знают», – сказал Бурдев. Специалист по компьютерному зрению Бурдев возглавлял новый проект по созданию сервиса, способного автоматически распознавать объекты на фотографиях и видео, размещаемых в Facebook. После AlexNet, когда он, как и многие другие, понял, что глубокое обучение затмевает собой другие системы, над которыми они работали в течение многих лет, у него уже не было сомнений в том, что нейронные сети привнесут кардинальные перемены в цифровые технологии. DeepMind, сказал он Цукербергу, стоит того, чтобы стать частью Facebook.

В 2013 году это казалось странной идеей. Если говорить о широком IТ-сообществе, то большинство инженеров и руководителей, включая Facebook’овских, даже не слышали о глубоком обучении и, конечно, не понимали растущей важности этой технологии. Ведь компания Facebook в первую очередь была социальной сетью. Она создавала интернет-технологии для того, чтобы пользоваться ими здесь и сейчас, а ИИ общего назначения или любые другие технологии, которые вряд ли стали бы частью реального мира в обозримом будущем, в сферу ее интересов не входили. Девизом компании было: «Действуй быстро и круши», и этот лозунг бесконечно повторялся на плакатах и стенах по всему кампусу Facebook. Ее социальная сеть охватывала уже более миллиарда людей по всему миру, и компания была нацелена на скорейшее расширение и углубление этого сервиса. До недавних пор она не интересовалась разработками, которые были смыслом существования DeepMind, были больше связаны с неторопливым расширением научного знания и не обещали быстрых действий и скорых результатов. Но теперь, когда Facebook превратилась в одну из самых могущественных компаний в мире, Цукерберг был исполнен решимости не отставать от других гигантов – Google, Microsoft, Apple и Amazon – в их погоне за «следующим большим делом».

Так устроен мир высоких технологий. Крупнейшие компании вынуждены вести нескончаемую гонку за очередными инновационными технологиями, о чем бы ни шла речь. Каждая из них стремится добраться до цели первой, и если они видят, что кто-то опережает их, то это лишь подстегивает их стремление достичь желаемого как можно быстрее. Приобретя стартап, основанный Джеффом Хинтоном, компания Google первой из гигантов занялась глубоким обучением. К середине 2013 года Цукерберг решил, что ему тоже это нужно, даже если бороться приходится только за второе место. Неважно, что Facebook – это просто социальная сеть. Неважно, что пока не видно явных применений глубокого обучения в этой социальной сети, кроме как для целевой рекламы и распознавания образов. Неважно, что компания никогда раньше не занималась долгосрочными исследованиями. Цукерберг твердо решил, что и Facebook будет разрабатывать технологии глубокого обучения. И эту работу он поручил человеку, которого все называли Шрепом.

Майк Шрепфер присоединился к Facebook за пять лет до этого, заняв пост главного инженера, после того как Дастин Московиц, сосед Цукерберга по общежитию в Гарварде и соучредитель компании, ушел с этой должности. Он носил очки в черной оправе и коротко стригся под Цезаря – как и сам Цукерберг. Будучи почти на десять лет старше генерального директора Facebook, Шреп являлся ветераном Кремниевой долины и в свое время учился в Стэнфорде – бок о бок с другими ее ветеранами. Руководящего опыта он набрался в должности технического директора компании Mozilla, которая в начале 2000-х годов бросила вызов монополии Microsoft и ее браузеру Internet Explorer. Когда Шреп перешел в Facebook, его основной задачей было заботиться о том, чтобы аппаратное и программное обеспечение, поддерживающее крупнейшую в мире социальную сеть, справлялось со все возрастающими нагрузками, по мере того как число пользователей со ста миллионов человек увеличилось до миллиарда и продолжало расти. Но в 2013 году, когда его повысили до технического директора, его приоритеты изменились. Теперь его задачей было продвигать Facebook в совершенно новых технологических направлениях. «Это один из многих примеров того, как проницательно Марк смотрел в будущее», – говорил впоследствии Шреп. Правда, он умолчал о том, что в Google к этому видению будущего пришли еще раньше.

В конце концов Цукерберг и Шрепфер сделали предложение DeepMind и потерпели неудачу. Хассабис сказал своим коллегам, что он не чувствует никакой химии в отношениях с Цукербергом и не совсем понимает, какие у основателя Facebook планы насчет DeepMind, и что их лаборатория никак не вписывается в корпоративную культуру Facebook, одержимую непрерывным ростом. Но самая большая проблема для Хассабиса, Легга и Сулеймана заключалась в том, что Цукерберг не разделял их этических опасений, связанных с развитием искусственного интеллекта в ближайшей и в отдаленной перспективе. Он отказался принять условие контракта, гарантирующее, что технология DeepMind будет оставаться под контролем независимого совета по этике. «Мы могли бы заработать больше денег, если бы нас интересовали только деньги, – говорит Легг. – Но мы не такие».

Ян Гудфеллоу, ученый из Монреальского университета, который в скором времени станет одним из самых ярких имен в своей области науки, принадлежал к многочисленной когорте исследователей, приглашенных за это время на работу в Facebook, и, когда он, нанеся визит в штаб-квартиру компании, встретился лично с генеральным директором, его даже удивило, как много внимания Цукерберг уделил обсуждению DeepMind. «Наверное, я должен был догадаться, что он подумывал о приобретении этой компании», – говорит Гудфеллоу. Но, предвосхищая то же самое технологическое будущее, что и Google, компания Facebook столкнулась с проблемой курицы и яйца: она не могла привлекать лучших исследователей, потому что у нее не было соответствующей исследовательской лаборатории, а лаборатории не было потому, что не было возможности привлечь лучших исследователей. Выход удалось найти благодаря Марк’Аурелио Рандзато. Бывший профессиональный скрипач из Падуи, Рандзато попал в мир высоких технологий, потому что не мог нормально зарабатывать на жизнь в качестве музыканта и решил переквалифицироваться в звукорежиссера. И этот путь привел его в мир разработчиков искусственного интеллекта. Это худощавый, тихий итальянец учился у Лекуна в Нью-Йоркском университете, а затем у Хинтона в Университете Торонто, став завсегдатаем семинаров по нейронным вычислениям, которые Хинтон организовал в конце 2000-х. Когда была создана лаборатория Google Brain, Эндрю Ын пригласил его туда в числе первых сотрудников. Он был одним из соавторов «Статьи о кошках» и одним из создателей нового голосового помощника для телефонов на базе Android. И вот летом 2013 года ему позвонили из Facebook.

В том же году ежегодная неформальная встреча разработчиков компьютерного зрения из Кремниевой долины (называемая Bay Area Vision Meeting) прошла на территории Facebook. Этот мини-симпозиум был организован Любомиром Бурдевым, инженером Facebook, тем самым, который убеждал Цукерберга купить DeepMind, и, когда кто-то из его коллег из Facebook посоветовал ему кандидатуру Рандзато в качестве основного докладчика, Бурдев договорился встретиться с молодым итальянским ученым за ланчем в штаб-квартире Google, которая располагается примерно в семи милях к югу от кампуса Facebook вдоль автострады 101. Рандзато сначала было предположил, что Бурдев ищет место в Google, но по ходу обеда стало ясно, что инженер Facebook хочет, чтобы Рандзато не просто выступил с докладом на совещании Bay Area Vision, но и перешел в Facebook. Рандзато колебался.

Хотя он не был полностью счастлив в лаборатории Google Brain – ему приходилось тратить больше времени на инженерную работу и меньше на творческие исследования, которые он предпочитал, – переход в Facebook не сулил каких-то улучшений. Там даже лаборатории искусственного интеллекта не было. Но Бурдев не отставал и на протяжении следующих нескольких недель продолжал названивать и писать.

Терзаемый сомнениями, Рандзато позвонил Яну Лекуну, своему прежнему научному руководителю, чтобы поговорить о предложении Facebook. Лекун этого не одобрял. Он сам был в аналогичном положении еще в 2002 году, когда от компании Google, которой тогда было всего четыре года, получил предложение возглавить научно-исследовательский отдел. Он тогда отказался, потому что сомневался в способности компании проводить полноценные исследования (в то время в штате Google было всего около шестисот сотрудников). «Было ясно, что Google на подъеме, но масштабы были еще не те, чтобы компания могла позволить себе проводить серьезные научные исследования», – вспоминал он впоследствии. Кроме того, создавалось впечатление, что компания Google больше сосредоточена на достижении краткосрочных результатов, нежели на долгосрочном планировании. Многие видели в этом одну из сильных сторон компании. Именно это позволило Google всего за шесть месяцев внедрить на телефонах Android свою систему распознавания речи, основанную на глубоком обучении, обогнав Microsoft и IBM и захватив этот очень перспективный рынок. Но такая сосредоточенность на немедленных результатах беспокоила Лекуна тогда, и это же беспокоило его сейчас, когда компания Facebook, казалось, вела себя примерно так же. «Они же не занимаются наукой, – сказал Лекун Рандзато. – Убедитесь, что вы действительно сможете проводить исследования».

Тем не менее Рандзато согласился встретиться с Бурдевым еще раз, на этот раз в штаб-квартире Facebook, и ближе к концу их встречи Бурдев сказал, что есть еще один человек, с которым им нужно поговорить. Они прошли через кампус в другое здание и вошли в конференц-зал со стеклянными стенами, где их ждал Марк Цукерберг. Несколько дней спустя Рандзато согласился присоединиться к Facebook. Пообещав построить лабораторию для долгосрочных исследований, Цукерберг поставил для Рандзато стол рядом со своим. Эта, казалось бы, мелочь в последующие годы в значительной мере способствовала стремительному продвижению компании Facebook под руководством Цукерберга и Шрепфера в новые технологические сферы, от глубокого обучения до виртуальной реальности: каждая новая группа исследователей удостаивалась сидеть рядом с боссом. «Я могу дотянуться рукой до Марка и Шерил [Сэндберг] из-за своего стола, – говорит Шреп, – а команда разработчиков ИИ сидела прямо перед нами». Поначалу это вызвало в компании некоторое брожение. Остальные участники мозгового треста Facebook опасались, что такое сближение Цукерберга с лабораторией, нацеленной на долгосрочные исследования, идет вразрез с корпоративной культурой, выражающейся в мантре «Действуй быстро и круши» и может вызвать недовольство среди рядовых сотрудников. Но Цукерберг крепко держал поводья власти. Он был основателем и генеральным директором Facebook и, в отличие от генеральных директоров многих других компаний, контролировал большинство голосующих акций в совете директоров.

Месяц спустя Цукерберг позвонил Яну Лекуну. Он объяснил, чем занимается его компания, и попросил о помощи. Это польстило Лекуну, особенно когда Цукерберг сказал, что читал его научные работы. Но Лекун сразу дал понять, что доволен своим положением в Нью-Йорке и может лишь дать несколько советов, не более того. «Я мог бы вас консультировать, – сказал он, – но и только». В прошлом у него были подобные разговоры со Шрепом, и его позиция всегда оставалась неизменной. Однако Цукерберг продолжал настаивать. Компания Facebook снова оказалась в тупике. Шреп связался с несколькими другими видными учеными в этой области, от Эндрю Ына до Йошуа Бенжио, но у компании не было никого на место руководителя лаборатории – человека по-настоящему авторитетного, к которому потянулись бы лучшие исследователи всего мира.

Наконец, в конце ноября, Рандзато сообщил Цукербергу, что направляется на конференцию NIPS. «Что еще за NIPS?» – поинтересовался Цукерберг. Рандзато объяснил своему новому боссу, что сотни разработчиков ИИ съезжаются в отель-казино на озере Тахо, и Цукерберг спросил, может ли он присоединиться. Рандзато сказал, что заявиться на конференцию без приглашения и предварительного согласования было бы не совсем удобно, поскольку это может нарушить работу, учитывая огромную популярность Цукерберга как иконы поп-культуры, так что будет лучше, если Цукерберг договорится с организаторами о своем выступлении перед участниками. Цукерберг так и сделал и дополнительно предпринял еще один шаг. Зная, что профессор Нью-Йоркского университета Лекун за неделю до NIPS приедет на семинар в Кремниевую долину, он пригласил его на ужин к себе домой в Пало-Альто.

Цукерберг жил в белом, обшитом доской доме в колониальном стиле, в одном из тех тенистых, ухоженных кварталов, что окружают Стэнфордский университет. Ужиная наедине с Лекуном, Цукерберг ему объяснил свое грандиозное видение будущего искусственного интеллекта в Facebook. В ближайшем будущем, говорил он Лекуну, общение в социальной сети будет управляться технологиями, способными выполнять свои задачи совершенно самостоятельно. Уже скоро эти технологии позволят идентифицировать лица на фотографиях, понимать голосовые команды и переводить их с одного языка на другой. В более отдаленном будущем «интеллектуальные агенты», или «боты», будут патрулировать цифровой мир Facebook, получать инструкции и выполнять их по мере необходимости. Вам нужны билеты на самолет? Попросите об этом бота. Хотите заказать цветы для жены? Бот сможет и это для вас сделать. Когда Лекун спросил, есть ли какие-либо направления исследований ИИ, которые не интересуют Facebook, Цукерберг ответил: «Пожалуй, робототехника». Но все остальное им интересно.

Более существенным вопросом было само отношение Цукерберга к философии корпоративных научных исследований. Лекун был приверженцем «открытости» – чтобы концепции, алгоритмы и методы открыто вращались и обсуждались в широком сообществе, не скрываясь в стенах какой-то одной компании или университета. Смысл в том, что такой свободный обмен информацией ускоряет прогресс исследований в целом. Каждый может опираться на работу других ученых. Открытость исследований была нормой среди ученых в этой области, но крупные IT-компании, как правило, относятся к своим наиболее важным технологиям как к коммерческой тайне и ревностно охраняют детали от посторонних глаз. Facebook, объяснил ему Цукерберг, является в этом смысле важным исключением. Компания выросла в эпоху открытого программного обеспечения – то есть программного обеспечения с открытым исходным кодом, свободно распространяемого через интернет, – и расширила эту концепцию на всю свою технологическую империю. Она даже поделилась с миром спецификациями¹⁸¹ аппаратного обеспечения своих гигантских центров обработки данных. Цукерберг считал, что главную ценность Facebook составляют люди, которые пользуются социальной сетью, а не программное или аппаратное обеспечение. Даже зная исходники, никто не сможет повторить успех компании, но, если компания делится этими исходниками, другие могут помочь ей стать еще лучше. И здесь Лекун и Цукерберг нашли общий язык.

На следующий день Лекун посетил штаб-квартиру Facebook, и там в «Аквариуме», конференц-зале со стеклянными стенами, где босс Facebook проводил свои встречи, он еще раз обстоятельно пообщался с Цукербергом, Шрепом и другими. Теперь Цукерберг говорил без обиняков. «Нам нужно, чтобы вы создали в Facebook лабораторию искусственного интеллекта», – сказал он. Лекун ответил, что у него есть два условия: «Я не переезжаю из Нью-Йорка. И я не оставляю свою работу в Нью-Йоркском университете». Цукерберг сразу же согласился. В течение следующих нескольких дней компания также наняла Роба Фергуса, другого профессора Нью-Йоркского университета, который вместе с молодым аспирантом Мэттом Зилером только что выиграл очередной конкурс ImageNet. После этого Цукерберг полетел на конференцию NIPS. Перед началом конференции он организовал частную вечеринку, где анонсировал создание новой лаборатории в Facebook, а затем объявил об этом всему миру в своем выступлении в главном зале.

Когда Джефф Хинтон продал свою компанию Google, он договорился, что останется профессором в Университете Торонто. Он не хотел бросать своих учеников и уезжать из города, с которым успел сродниться. Это была уникальная договоренность. Ранее руководство Google всегда настаивало на том, чтобы все ученые, которых компания нанимала, либо брали отпуск у себя в университете, либо уходили оттуда насовсем. Но Хинтон стоял на своем, хотя с финансовой точки зрения это было не в его пользу. «Я понимал, что моя зарплата в Университете Торонто была ниже, чем была бы моя пенсия, если бы я ушел, – говорит он. – Получается, я платил им за то, что мне позволяли преподавать». Самой большой статьей расходов, которые понес стартап DNNresearch, был гонорар адвокату, что вел от имени Хинтона переговоры с Google, – около 400 000 долларов. Это соглашение послужило шаблоном для Лекуна и многих других ученых, которые пошли по стопам Хинтона. Подобно Хинтону, Лекун тоже делил свое время между Нью-Йоркским университетом и Facebook, хоть и не поровну. Один день в неделю он проводил в университете и четыре дня в компании.

Поскольку большинство ведущих исследователей пришли в Google и Facebook из академических кругов и многие из них оставались в академической среде – по крайней мере частично, – открытость исследований, которой добивался Ян Лекун, стала нормой. «Я не знаю, как проводить исследования, если нет открытости, если мы не являемся частью единого научного сообщества, – говорит Лекун. – Потому что, если вы занимаетесь этим тайно, о высоком качестве исследований не может быть и речи. Вы лишены возможности привлекать себе в помощь лучшие умы, способные продвигать науку вперед». Даже такие старые кадры, как Джефф Дин, воспитанные в культуре корпоративной секретности, пришли к пониманию преимуществ открытости¹⁸². Компания Google, как и Facebook и другие технологические гиганты, начала открыто делиться результатами своих исследований, публикуя научные статьи, с описанием своих новейших технологий и даже открывая доступ к большей части своих программных кодов. Это способствовало ускорению развития этих технологий и помогало привлекать ведущих исследователей, что еще больше ускоряло прогресс.

Проигравшей в этом дивном новом мире оказалась компания Microsoft. Когда Хинтон и его ученики соединили свои усилия с Ли Дэном в области распознавания речи и технология глубокого обучения стала быстро приобретать популярность, компания Microsoft была почти у истоков этого процесса. Эта технология была принята на вооружение в ее лабораториях распознавания речи в Соединенных Штатах и в Китае. В конце 2012 года, после того как Google запустила свой новый голосовой поисковик для телефонов на базе Android, Рик Рашид, руководитель научно-исследовательского отдела Microsoft¹⁸³, продемонстрировал аналогичную разработку компании на мероприятии в Китае, представив прототип, который был способен понимать произносимые слова и переводить их на другой язык. Он любит вспоминать, что многие из зрителей плакали, когда видели и слышали, на что способна эта технология. Затем, осенью 2013 года, давний Microsoft’овский исследователь машинного зрения Ларри Зитник пригласил аспиранта из Беркли Росса Гиршика для создания новой лаборатории разработок компьютерного зрения на основе глубокого обучения. На него произвел большое впечатление доклад Гиршика, в котором он описал систему, продвигающую распознавание изображений значительно дальше тех возможностей, которые Хинтон и его студенты демонстрировали в декабре. Среди тех, кто пополнил штат лаборатории, была молодая исследовательница по имени Мег Митчелл, которая начала применять подобные методы к разработке машинного перевода. Митчелл, уроженка южной Калифорнии, которая изучала компьютерную лингвистику в Шотландии, позже стала ключевой фигурой в движении глубокого обучения. Она особенно прославилась после того, как заявила в интервью Bloomberg News, что искусственный интеллект страдает от «мужского засилья» – что это новое технологическое направление не оправдывает возлагаемых на него надежд, потому что им всегда занимались почти исключительно мужчины, и эта проблема касается всех крупных интернет-компаний, включая Microsoft.

На тот момент эти трое исследователей работали над созданием системы, которая должна была распознавать фотографии и автоматически генерировать подписи к ним. Но хотя лаборатория старалась идти в ногу с культурными трендами того времени (члены команды работали бок о бок за столами в открытом офисном пространстве – для научно-исследовательского подразделения Microsoft такая организация труда в стиле Кремниевой долины была все еще чем-то необычным), существенного прогресса достичь не удавалось. Отчасти проблема заключалась в том, что они обучали свои нейронные сети на спрятанных под их столами машинах с достаточно скромными графическими процессорами. Другая часть проблемы была в том, что они использовали «неправильное» программное обеспечение.

В 1990-е годы, когда компания Microsoft доминировала в мировой индустрии программного обеспечения, основным источником ее могущества была операционная система Windows, которая устанавливалась на 90 с лишним процентах домашних и офисных компьютеров в мире и на большинстве серверов в мировых центрах обработки данных. Но к 2014 году такая тесная привязка Microsoft к операционной системе Windows стала для компании тяжелым бременем. Интернет-предприятия и ученые-компьютерщики новой волны уже не пользовалась Windows. Они использовали Linux, операционную систему с открытым исходным кодом, которую можно было свободно использовать и модифицировать. Система Linux служила гораздо более дешевым и гибким средством построения массивных распределенных систем, которые характеризовали эпоху интернета, включая технологию глубокого обучения. Создавая эти системы, мировое сообщество разработчиков ИИ свободно обменивалось всевозможными программными блоками на основе Linux, тогда как исследователи, работавшие на Microsoft, продолжали держаться за свою Windows, тратя массу времени на создание очередных кладжей, которые позволяли совмещать эти инструменты Linux с операционной системой Microsoft Windows.

Поэтому, когда им позвонили из Facebook, они с радостью туда ушли. Компания Facebook предлагала возможность создать этот новый искусственный интеллект гораздо быстрее, вывести его на рынок гораздо раньше и, что еще важнее, подключиться ко всей той научной работе, которая уже велась в Google и во многих других компаниях и университетских лабораториях. Это была не та гонка вооружений, которую Microsoft выиграла в 1990-е. Это была гонка вооружений, в которой компании делились вооружениями между собой – по крайней мере, многими из них. Пусть компания Microsoft раньше других поняла, что происходит, но затем конкуренты украли у нее ее преимущество. Сначала Гиршик и Зитник ушли в Facebook, а затем и Мег Митчелл отправилась в Google.

Еще одной проблемой – и не только для Microsoft – были огромные затраты на привлечение и удержание лучших исследователей. Поскольку таланты в этой области были чрезвычайно редки – а планка расценок на их услуги была установлена, когда Google купила DNNresearch и DeepMind, – гиганты отрасли платили исследователям миллионы, а то и десятки миллионов долларов на протяжении четырех или пяти лет, включая зарплату, бонусы и акции компаний. Согласно финансовой отчетности DeepMind в Великобритании, расходы на персонал составили за год 260 миллионов долларов¹⁸⁴ – и это на семьсот сотрудников! Это 371 000 долларов в расчете на одного работника. Даже молодые доктора, только что окончившие аспирантуру, могли зарабатывать полмиллиона долларов в год, а настоящие звезды могли требовать себе еще больше – отчасти из-за их уникальных знаний и навыков, но также и потому, что они своим авторитетом могли привлечь других ученых с такими же знаниями и навыками. Как сказал в интервью Bloomberg Businessweek вице-президент Microsoft Питер Ли¹⁸⁵, расходы на приобретение разработчика ИИ сопоставимы с расходами на приобретение квотербека в НФЛ. И эта атмосфера беспощадной конкуренции еще больше накалилась с появлением нового игрока. После того как компания Facebook объявила о предстоящем создании собственной научно-исследовательской лаборатории, а Google приобрела DeepMind, стало известно, что Эндрю Ын возглавит лаборатории¹⁸⁶, разворачиваемые одновременно в Кремниевой долине и в Пекине китайской компанией Baidu.

В один из дней 2012 года Алан Юстас летел на самолете через всю страну и, читая один из тех бесплатных журналов, которые можно найти в заднем кармане сиденья самолета, наткнулся на историю австрийского смельчака Феликса Баумгартнера. Баумгартнер и его команда планировали организовать прыжок из стратосферы, создав стратостат нового типа, который вознесет австрийца в небеса, словно астронавта. Но Юстас считал это сравнение ошибкой. Было бы лучше, полагал он, если бы они думали о Баумгартнере не как об астронавте, но как об аквалангисте: он считал, что снаряжение аквалангиста, в конечном счете, является более эффективным способом обеспечить человека всем необходимым, чтобы он оставался живым и здоровым в разреженном воздухе. Вскоре Феликс Баумгартнер установил мировой рекорд в прыжках с парашютом¹⁸⁷, выпрыгнув из капсулы стратостата на высоте двадцати четыре мили над Землей. Но Юстас уже в тот момент решил побить этот рекорд. В течение следующих двух лет большую часть своего свободного времени он в сотрудничестве с частной инженерной фирмой занимался созданием стратосферного акваланга и остального снаряжения, которое было необходимо, чтобы превзойти рекорд Баумгартнера. Он планировал совершить прыжок осенью 2014 года над заброшенным военным аэродромом в окрестностях Розуэлла, штат Нью-Мексико. Но прежде чем прыгнуть с парашютом, он совершил свой последний прыжок с Google.

Купив фирму Крижевского, Суцкевера и Хинтона за 44 миллиона долларов, а затем компанию DeepMind за 650 миллионов, Юстас собрал под свое крыло почти всех наиболее опытных разработчиков глубокого обучения. Чего компании по-прежнему не хватало, как это вскоре обнаружил Крижевский, так это оборудования, необходимого этим выдающимся исследователям для ускорения их работы в соответствии с их талантом и амбициями. Крижевский выиграл конкурс ImageNet с кодом, написанным для использования на графических процессорах, но когда он прибыл в Маунтин-Вью, то обнаружил, что Google’овская версия его системы, созданная Войцехом Зарембой, работала на стандартных процессорах. Весь аппаратно-программный комплекс Google под названием DistBelief, созданный специально для обучения нейронных сетей, работал на стандартных процессорах. Лаборатория Google Brain потратила месяцы на создание этой системы, но у Крижевского не было никакого интереса пользоваться ею.

Приступив к работе в компании, он купил в ближайшем магазине электроники компьютер с графическим процессором, поставил его в шкаф рядом со своим столом и начал обучать нейронные сети на этом единственном аппарате. Другие исследователи также обзавелись компьютерами с графическими процессорами и держали их у себя под столами. Это не сильно отличалось от того, как Крижевский работал у себя в спальне, еще будучи в Торонто, только теперь компания Google оплачивала счета за электричество. В то время как большинство остальных сотрудников компании создавали и запускали свои программы через мощную сеть корпоративных дата-центров – представляющую собой, наверное, самую большую частную коллекцию компьютеров в мире, – Крижевскому приходилось довольствоваться скромным собственным компьютером. Те руководители, в чьем ведении находились центры обработки данных компании, не видели причин оснащать свои компьютеры графическими процессорами.

Эти традиционно мыслящие руководители не понимали того, что за глубоким обучением будущее и что графические процессоры, в отличие от обычных компьютерных чипов, позволяют резко повысить эффективность этой новой технологии. Такое часто происходит в крупных технологических компаниях, да и в мелких тоже: большинство людей неспособны выходить за рамки привычного образа мышления и поведения. Поэтому Алан Юстас считал необходимым окружить себя людьми, способными применить новые подходы к проблемам, которые никак не удавалось решить старыми методами. «Большинство людей смотрят на конкретные проблемы с определенной точки зрения, под определенным углом и с высоты своего опыта, – говорит он. – Они не принимают во внимание иные точки зрения, способные изменить картину». Это была та же самая философия, которую он применил к подготовке своего прыжка из стратосферы. Когда он планировал прыжок, его жена была против. Она настояла на том, чтобы он снял видео и объяснил, зачем он так рискует, чтобы она могла показать это детям, если он погибнет. Видео он снял, но продолжал уговаривать жену, что риск минимальный, почти несущественный. Он и его команда нашли новый способ совершения таких прыжков, и, хотя многие не понимали его, сам Юстас не сомневался в том, что все получится. «Меня часто называют безрассудным, но на самом деле я полная противоположность безрассудству, – говорит он. – Я нанимаю лучших людей, каких только могу найти, и мы работаем вместе, чтобы исключить практически все возможные риски и постараться сделать так, чтобы то, что кажется очень опасным, стало совершенно безопасным».

Джефф Дин, сидевший в своем офисе чуть дальше по коридору от кабинета Крижевского, знал, что аппаратное обеспечение Google нужно менять. Компания не может продолжать раздвигать горизонты глубокого обучения, пока не перестроит систему DistBelief на основе графических процессоров. Поэтому весной 2014 года он встретился с «головой искусственного интеллекта» Google Джоном Джаннандреа, которого в компании все называли не иначе как Джей-Джи. Он курировал не только Google Brain, но также смежную команду специалистов по ИИ, которую помогал создавать в течение этих лет. Джей-Джи был человеком, к которому исследователи, подобные Крижевскому, приходили, когда им требовалось еще больше графических процессоров под столом или в шкафу. И вот они с Джеффом Дином сели обсудить, каким количеством графических чипов нужно оснастить компьютеры гигантского центра обработки данных, чтобы исследователи вроде Крижевского не требовали больше.

Первая прикидка была двадцать тысяч. Потом они решили, что этого будет слишком мало. Надо просить сорок тысяч. Но когда они отправили свой запрос в бухгалтерию Google, он был немедленно отклонен. Сеть из сорока тысяч графических процессоров обошлась бы компании примерно в 130 миллионов долларов, и, хотя Google регулярно вкладывала такие огромные суммы в оснащение своих центров обработки данных, она никогда не инвестировала в оборудование, подобное запрашиваемому. Поэтому Дин и Джаннандреа передали свою просьбу Алану Юстасу, который как раз готовился совершить прыжок из стратосферы. Юстас все понял. Он передал запрос Ларри Пейджу, и как раз перед тем, как побить рекорд Баумгартнера в прыжках с парашютом¹⁸⁸ в акваланге, получил 130 миллионов долларов на графические процессоры. Меньше чем через месяц после закупки эти процессоров все сорок тысяч уже работали круглосуточно, обучая одну за другой нейронные сети.

К тому времени Алекс Крижевский успел перейти в другое подразделение компании. Навещая родителей в Торонто во время каникул в декабре того же года, он получил электронное письмо от женщины по имени Анелия Ангелова, которая просила его помочь в работе с беспилотным автомобилем Google. На самом деле разработка автономного транспорта была не в ее ведении. Она работала вместе с Крижевским в Google Brain. Но она знала, что ведущие лаборатории исследования в области компьютерного зрения – продолжение дела, начатого Крижевским в Университете Торонто, – могли бы изменить подходы компании к разработке автономных транспортных средств. Проекту беспилотного автомобиля, известному внутри компании как Chauffeur, было почти пять лет. Это означало, что Google потратил почти пять лет на разработку автономных транспортных средств без использования технологии глубокого обучения.

В Университете Карнеги – Меллона еще в конце 1980-х Дин Померло разрабатывал автономный автомобиль на основе нейронной сети, но, когда компания Google почти два десятилетия спустя приступила к работе над автономными транспортными средствами, ядро научного сообщества, включая многих исследователей из Карнеги – Меллона, нанятых Google для реализации этого проекта, давно отказались от этой идеи. Нейронная сеть могла помочь построить автомобиль, который бы сам ездил по пустым улицам, но не более того. Это все любопытно, говорили специалисты, но это не приведет к созданию автономных транспортных средств, которые могли бы лавировать в интенсивном трафике, как это приходится делать машинам с водителями. Ангелова, однако, мнение этих исследователей не разделяла. И вот когда все сотрудники разъехались на рождественские каникулы и офисные здания Google опустели, она задумалась над тем, как технология глубокого обучения могла бы научить беспилотные автомобили замечать пешеходов, переходящих улицу или прогуливающихся по тротуарам. Поскольку все это было для нее в новинку, она обратилась к человеку, которого называла «мастером глубоких сетей». Крижевский согласился помочь, и за время каникул они вместе создали систему, которая научилась распознавать пешеходов, проанализировав тысячи сделанных на улицах фотографий. Когда компания вновь вернулась к работе после Нового года, они поделились своим новым прототипом с руководителями автомобильного проекта. Он оказался настолько эффективным, что их обоих пригласили в проект Chauffeur, который впоследствии выделился в отдельную дочернюю компанию, переименованную в Waymo. Рабочее место Крижевского в Google Brain в конце концов передали стажеру, потому что сам он в лаборатории почти не показывался, все время проводя в группе Chauffeur.

Инженеры из группы Chauffeur в шутку говорили о нем, что он исподтишка проталкивает свой искусственный интеллект, и очень скоро его методы распространились на все аспекты проекта. С помощью глубокого обучения беспилотный автомобиль Google учился замечать и распознавать на дороге все: дорожные знаки, дорожную разметку, другие транспортные средства. Это были еще цветочки, говорил Крижевский. В течение следующих нескольких лет он и его коллеги внедрили эту технологию во все элементы навигационной системы автомобиля. Используя правильно подобранные данные, глубокое обучение позволяло заблаговременно планировать маршрут и даже предсказывать будущие события. Предшествующие пять лет члены группы потратили на то, что вручную кодировали поведение автомобиля. Теперь они могли создавать системы, которые сами учились правильно вести себя. Вместо того чтобы пытаться объяснять машине, как выглядит пешеход, с помощью поочередно вводимых команд, теперь они могли бы обучить систему за несколько дней, используя тысячи уличных фотографий. Теоретически, если бы разработчики Google имели в своем распоряжении достаточное количество данных – снимков, иллюстрирующих каждый сценарий, с которым автомобиль может столкнуться на дороге, – и ввели всю эту информацию в гигантскую нейронную сеть, эта единая система могла бы управлять всеми элементами движения автомобиля. И хотя до этого светлого будущего нас отделяли еще долгие годы – в лучшем случае, – именно в эту сторону повернулась компания Google в 2014 году.

Этот момент знаменовал начало глобальных перемен в мировоззрении компании. Под влиянием идеи обучения нейронных сетей теперь менялся общий подход Google к развитию новых технологии в масштабе всей продолжавшей стремительно расти – как в физическом мире, так и в виртуальном – империи Google. С помощью тех сорока тысяч графических процессоров – а вскоре их стало еще больше – глубокое обучение проникло во все аспекты деятельности компании: от приложения Google Photos, где эта технология позволяла мгновенно обнаруживать нужные объекты в море изображений, до почтового сервиса Gmail, где она помогала предсказать слово, которое вы собирались ввести. Это также хорошо смазало колеса системы онлайн-рекламы AdWords, которая обеспечивала большую часть годового дохода компании в размере 56 миллиардов долларов¹⁸⁹. Анализируя данные, показывающие, на какие объявления люди реагировали в прошлом, технология глубокого обучения помогала предсказать, на что они будут реагировать – «кликать» – в будущем. Больше кликов – больше денег. Google тратила сотни миллионов долларов на покупку графических процессоров – и еще миллионы на оплату труда исследователей, – но эти затраты уже начали приносить отдачу.

В скором времени даже Амит Сингхал, глава Google Search, который так яростно сопротивлялся глубокому обучению, когда к нему обратились Эндрю Ын и Себастьян Трун в 2011 году, признал, что интернет-технологии меняются. У него и его инженеров не было другого выбора, кроме как отказаться от жесткого контроля над методами построения их поисковой системы. В 2015 году они представили систему под названием RankBrain¹⁹⁰, которая использовала нейронные сети для выбора результатов поиска. Она помогала направлять примерно 15 процентов поисковых запросов¹⁹¹ и в целом с большей точностью предсказывала, на что люди будут «кликать», чем даже самые опытные инженеры. Несколько месяцев спустя Сингхал покинул компанию¹⁹², обвиненный в сексуальных домогательствах, и на посту главы Google Search его сменил¹⁹³ глава подразделения искусственного интеллекта Джон Джаннандреа.

В Лондоне Демис Хассабис вскоре показал¹⁹⁴, что созданная DeepMind система позволила снизить энергопотребление сети Google’овских дата-центров, используя те же самые методы, которые лаборатория использовала, когда обучала нейронную сеть играть в Breakout. Эта система самостоятельно решала, когда включать¹⁹⁵ охлаждающие вентиляторы внутри отдельных компьютерных серверов и когда их выключать, когда открывать окна центра обработки данных для дополнительного охлаждения и когда закрывать их, когда требуется использовать системы водяного охлаждения, а когда серверы могут обойтись без них. По словам Хассабиса, центры обработки данных Google настолько велики¹⁹⁶, а технология DeepMind настолько эффективна, что это уже позволило сэкономить компании сотни миллионов долларов. Другими словами, стоимость приобретения DeepMind уже окупилась.

Совокупная мощность кластера графических процессоров Google была так велика, что позволяла компании экспериментировать с множеством различных технологий в огромных масштабах. Построение нейронной сети было делом проб и ошибок, и, имея в своем распоряжении десятки тысяч графических процессоров, разработчики могли исследовать больше возможностей за меньшее время. Примерно то же самое происходило и в других компаниях, что стимулировало научно-исследовательский процесс в целом. Заработав 130 миллионов долларов на графических процессорах, проданных Google, компания Nvidia сама увлеклась идеей глубокого обучения и в скором времени уже не просто продавала чипы для исследований ИИ другим компаниям, но проводила собственные исследования, как в области распознавания изображений, так и в сфере создания беспилотных автомобилей, надеясь в еще большей мере увеличить рынок сбыта для своих видеокарт. Возглавляемые Эндрю Ыном ученые из Baidu занимались всем подряд – от новых систем таргетированной рекламы до технологий, позволяющих предсказывать моменты, когда в центрах обработки данных требуется замена жестких дисков, которые вот-вот исчерпают свой ресурс и выйдут из строя. Но самым большим изменением стало появление виртуальных голосовых помощников. Эти сервисы не просто принимают ключевые слова, набранные в браузере, и отвечают ссылками на интернет-сайты, как это делают поисковые системы. Они выслушивают ваши вопросы и команды и отвечают на них вслух, словно человек. После того как Google переделал систему распознавания речи для телефонов на базе Android, затмив возможности Apple’овской Siri, эта технология распространилась по всей отрасли. В 2014 году компания Amazon представила голосового помощника Alexa, перенеся эту технологию из телефонов на журнальный столик в гостиной, и остальные участники рынка быстро последовали за ней. Технология Google, получившая название Google Assistant, работает как в телефонах, так и на журнальных столиках. Своих собственных голосовых помощников создали также Baidu, Microsoft и даже Facebook.

Все эти продукты, услуги и идеи распространялись все шире, и, поскольку маркетинговые подразделения этих и многих других технологических компаний рекламировали их с привычной гиперболизацией, «искусственный интеллект» стал одним из самых модным словечек десятилетия: его повторяли до бесконечности в пресс-релизах, блогах, новостях и на веб-сайтах. И, как всегда, это было преувеличением. В умах широкой публики словосочетание «искусственный интеллект» прочно ассоциировалось с научной фантастикой – говорящими компьютерами, разумными машинами, антропоморфными роботами, которые способны делать все, что может делать человек, и в конечном итоге могут уничтожить своих создателей. Этому способствовало и то, что СМИ, стремясь описать новую волну высоких технологий, то и дело вспоминали в заголовках, фотографиях и статьях фильмы вроде «Космической одиссеи 2001 года» и «Терминатора». Снова повторялась история с Фрэнком Розенблаттом и его «Перцептроном». Вместе с технологией глубокого обучения на передний план вышла также идея беспилотного автомобиля. И примерно в то самое время группа ученых из Оксфордского университета опубликовала исследование, предсказывающее, что автоматизация производства скоро вырубит гигантскую просеку на рынке труда¹⁹⁷. Каким-то образом из всего этого образовалось одно огромное, переливающееся через край месиво, включающее в себя наряду с совершенно реальными достижениями науки и техники необоснованную шумиху, нелепые предсказания и тревоги о будущем. Термин «искусственный интеллект» соединял в себе все перечисленное.

В этой шумихе вокруг искусственного интеллекта прессе нужны были герои. Чаще всего в качестве героев выбирали Хинтона, Лекуна, Бенжио, иногда Ына – во многом благодаря усилиям рекламных отделов Google и Facebook. На Юргена Шмидхубера, немецкого исследователя с озера Лугано, который был светочем нейронных сетей в Европе в 1990-е и 2000-е годы, эта сень славы не распространялась. То, что СМИ фактически игнорировали Шмидхубера, некоторым не нравилось, в том числе самому Шмидхуберу. После того как Хинтон, Лекун и Бенжио опубликовали статью о подъеме глубокого обучения в журнале Nature, Шмидхубер написал критическую статью, в которой утверждал, что «эти канадцы» на самом деле не столь влиятельны, какими кажутся, и что их успехи зиждутся на идеях ученых, работающих в Европе и Японии. И когда примерно в то же время Ян Гудфеллоу представил научному сообществу свое исследование генеративно-состязательных сетей, Шмидхубер встал и отчитал докладчика за то, что он не удосужился сослаться на аналогичные исследования, проводившиеся в Швейцарии в 1990-е годы. О своих обидах он напоминал так часто, что даже появилось выражение «быть отшмидхуберенным»¹⁹⁸. Но не он один пытался примкнуть к торжеству искусственного интеллекта. После того, как научное сообщество многие годы игнорировало их идеи, многие разработчики глубокого обучения испытывали желание громко раструбить о своем личном вкладе в эту настоящую технологическую революцию. «У каждого внутри есть свой маленький Трамп, – говорит Хинтон, – и хорошо, когда вы осознаете его».

Единственным исключением был Алекс Крижевский. Как сказал Хинтон, «в нем мало Трампа». Перешедший в группу Chauffeur Крижевский был в центре этого бума искусственного интеллекта, но он не видел в своей роли ничего такого особенного и даже не считал возможным говорить о предмете своих исследований как об ИИ. Речь шла о глубоком обучении, а глубокое обучение сводилось к простой математике, распознаванию паттернов, или, как он это называл, «нелинейной регрессии». Эти методы существовали десятилетиями. Просто такие люди, как он, появились в нужное время, когда накопилось достаточно исходных данных и достаточно вычислительной мощности, чтобы все это могло работать. Технологии, которые он создал, ни в коей мере не были «умными», никаким «интеллектом» они не обладали. Они работали лишь в совершенно особых условиях. «Глубокое обучение не следует называть искусственным интеллектом, – говорит Крижевский. – И в аспирантуре я занимался исследованием кривых, а вовсе не искусственным интеллектом». То, что он делал, сначала в Google Brain, а затем в отделе беспилотных автомобилей, сводилось к применению математики к новым ситуациям. Это не имело ничего общего с попытками искусственного воссоздания человеческого мозга – и было очень далеко от смутных опасений, что машины когда-нибудь выйдут из-под нашего контроля. Это всего лишь разновидность информатики. Многие соглашались с такой точкой зрения, но шум в прессе делала не она, а куда более громкий голос, принадлежавший прежнему коллеге Крижевского по торонтской лаборатории Илье Суцкеверу.

В 2011 году, еще будучи студентом Университета Торонто, Суцкевер прилетел в Лондон на собеседование с руководителями DeepMind. На Рассел-сквер он встретился с Демисом Хассабисом и Шейном Леггом, и те рассказали ему, что они пытаются делать. Они объяснили, что хотят создать AGI – искусственный интеллект общего назначения – и начинают с систем, которые играют в игры. Слушая их, Суцкевер думал, что они утратили связь с реальностью. AGI – не тема для разговора между серьезными исследователями. Поэтому он отказался от работы в компании и вернулся в университет. Но, оказавшись впоследствии в Google, он понял, что сама природа исследований ИИ изменилась. Речь уже не шла об одном-двух чудаках, возящихся с нейронными сетями в университетской лаборатории. Речь шла о больших командах людей, работающих над серьезными общими целями, имея в своем распоряжении огромные вычислительные мощности. Он всегда был приверженцем больших идей, и, когда он перебрался в Google Brain, идеи стали еще масштабнее. Проведя два месяца в офисе DeepMind в рамках программы трансатлантического сотрудничества между лондонской лабораторией и Google Brain, он пришел к убеждению, что единственный способ добиться реального прогресса – это устремиться к тому, что казалось недостижимым. То, что было у него на уме, отличалось как от представлений Джеффа Дина (больше интересовавшегося практическими приложениями, которые можно тут же выпустить на рынок), так и от того, о чем мечтал Ян Лекун (который хоть и любил заглянуть в будущее в своих исследованиях, но никогда не заходил слишком далеко). Виды на будущее Суцкевера были гораздо ближе к философии основателей DeepMind. Он говорил о далеком будущем так, словно оно было очень близко, – о машинах, которые умнее людей, о компьютерных центрах обработки данных, которые сами создавали новые центры обработки данных. Все, что ему и его коллегам было нужно, – это больше исходных данных и больше вычислительной мощности. Тогда они могли бы обучить систему делать что угодно – не просто управлять автомобилем, но читать, говорить, думать. «Он человек, который не боится верить, – говорит Сергей Левин, специалист по робототехнике, работавший вместе с Суцкевером в Google в эти годы. – Есть много людей, которые не боятся, но он особенно бесстрашен».

К моменту перехода Суцкевера в Google метод глубокого обучения привел к радикальным изменениям в технологиях распознавания речи и изображений. Следующим важным шагом стал машинный перевод – технология, позволявшая мгновенно перевести текст с любого языка на любой другой. Это была более сложная проблема. Речь уже не шла об идентификации какого-то одного объекта, например собаки на фотографии. Речь шла о том, чтобы взять одну последовательность объектов (например, слов, составляющих фразу) и преобразовать ее в другую последовательность (перевод этой фразы). Для этого требовалась нейронная сеть совершенно другого рода, но Суцкевер считал, что решение не за горами, и в этой оценке он был не одинок. Двое коллег из Google Brain разделяли его точку зрения. В этом же направлении начинали двигаться также и другие группы исследователей, в том числе в компании Baidu и в Монреальском университете.

Лаборатория Google Brain ранее уже разрабатывала методику «векторного представления слов»¹⁹⁹. Нейронная сеть использовалась для построения математической карты английского языка путем анализа обширной коллекции текстов – журнальных статей, статей из Википедии, книжного самиздата – и поиска взаимосвязей связей между всеми словами языка. Это была карта, которую невозможно визуализировать. Она была не двумерная, как дорожная карта, и не трехмерная, как видеоигры. Она имела тысячи измерений; ничего подобного вы никогда не видели и не могли увидеть. На этой карте слово «Гарвард» было близко к словам «университет», «Плющ» и «Бостон», хотя лингвистически эти слова не были связаны. Карта придавала каждому слову математическое значение, которое определяло его место в языке. Это называлось «вектор». Вектор для «Гарварда» был очень похож на вектор для «Йеля», но они не были идентичны. «Йель» был близок к «университету» и к «Плющу», но не к «Бостону». Система автоматического перевода Суцкевера стала продолжением этой идеи. Используя метод долгой кратковременной памяти (LSTM), разработанный Юргеном Шмидхубером и его студентами в Швейцарии, Суцкевер вводил в нейронную сеть множество английских текстов вместе с их французскими переводами. Анализируя как исходный текст, так и перевод, эта нейронная сеть училась строить вектор для английской фразы, а затем сопоставлять его с французской фразой, имеющей сходный вектор. Даже человек, не знающий французского, мог видеть в этом силу математики. Вектор фразы «Мэри восхищается Джоном»²⁰⁰ был очень близок к векторам «Мэри влюблена в Джона» и «Мэри уважает Джона» – и сильно отличался от вектора «Джон восхищается Мэри». Вектор фразы «Она дала мне карточку в саду»²⁰¹ соответствовал векторам «Мне карточку дала она в саду» и «В саду дала мне карточку она». К концу года система перевода, созданная Суцкевером и его сотрудниками, превзошла по эффективности²⁰² любую другую технологию перевода – по крайней мере, в отношении той небольшой коллекции английских и французских переводов, на которой они тестировались.

В декабре 2014 года, опять же на конференции NIPS, но на этот раз в Монреале, Суцкевер представил доклад²⁰³ с описанием своей работы перед полным залом исследователей со всего мира. Сила этой системы, говорил он аудитории²⁰⁴, в ее простоте. «Мы используем минимум инноваций для достижения максимальных результатов»²⁰⁵, – сказал он, и по залу прокатилась волна аплодисментов, заставшая врасплох даже его. Сила нейронной сети, объяснял он²⁰⁶, заключается в том, что вы просто снабжаете ее исходными данными и она сама учится правильно вести себя. Хотя обучение этих математических систем иногда напоминает черную магию²⁰⁷, про этот проект такого не скажешь. Система принимает данные, некоторое время обучается²⁰⁸, а затем выдает результаты – минуя обычный процесс проб и ошибок. Но Суцкевер видел в этом прорыв не только в области машинного перевода²⁰⁹. Он видел в этом прорыв с точки зрения возможностей решения любых задач ИИ, связанных с последовательностями данных²¹⁰, от автоматического создания подписей к фотографиям до мгновенного составления резюме новостной статьи в одном-двух предложениях. Все, что человек может сделать за долю секунды, сказал он²¹¹, может сделать и нейронная сеть. Ее лишь нужно снабдить правильными данными²¹². «Реальный итог²¹³ заключается в том, что, если у вас есть достаточно большой набор исходных данных и достаточно большая нейронная сеть, – заявил он, – успех гарантирован».

Джефф Хинтон слушал это выступление из глубины зала. Когда Суцкевер сказал, что «успех гарантирован», он подумал: «Только Илье такое может сойти с рук». Кое-кто счел это заявление чересчур смелым, но остальным слова пришлись по душе. Так или иначе, Суцкевер мог сказать это, не вызывая слишком резкого отпора. Такой уж он был человек, и если в устах другого человека это могло бы выглядеть как жалкое хвастовство, то в его исполнении это звучало вполне реально. И он к тому же оказался прав – по крайней мере, в части машинного перевода. В течение следующих восемнадцати месяцев лаборатория Google Brain, взяв на вооружение этот прототип, превратила его в коммерческую систему, которая теперь используется миллионами людей. Примерно повторилась история трехлетней давности с прототипом распознавания речи Навдипа Джейтли. Но в данном случае лаборатория так изменила уравнение, что это подняло еще одну волну шумихи, которая, в конечном счете, лишь укрепила и усилила амбиции Ильи Суцкевера и многих других исследователей.

«Нам нужен еще один Google», – сказал Джефф Дин Урсу Хёльцле, ученому-компьютерщику родом из Швейцарии, который курировал центры обработки данных компании. Он не шутил. Через несколько месяцев после того, как Google выпустила свой новый сервис распознавания речи, устанавливаемый на некоторых телефонах на базе Android, Дин осознал масштаб проблемы: если Google продолжит расширять этот сервис и в конечном итоге охватит более миллиарда Android-телефонов по всему миру и если каждый из этого миллиарда будет использовать их услугу хотя бы три минуты в день, компании потребуется вдвое больше дата-центров, чтобы обрабатывать весь этот дополнительный трафик. Это была проблема грандиозных масштабов. Компании Google уже принадлежало более пятнадцати центров обработки данных²¹⁴ – от Калифорнии до Финляндии и Сингапура, – и создание каждого из них обошлось ей в сотни миллионов долларов. Однако во время очередного совещания с участием Хёльцле и еще нескольких сотрудников Google, специалистов по инфраструктуре центров обработки данных, Дин предложил альтернативу: разработать новый компьютерный чип, предназначенный специально для работы с нейронными сетями.

Компания Google имела уже немалый опыт создания²¹⁵ собственного аппаратного обеспечения для своих центров обработки данных. Эти центры настолько большие и потребляют так много электроэнергии, что Хёльцле и его команда потратили годы на разработку компьютерных серверов, сетевого и иного оборудования, позволявших снизить затратность и повысить эффективность оказываемых компанией услуг. Это собственное производство, о котором мало кто знает, подрывало интересы крупных поставщиков компьютерного оборудования, таких как HP, Dell и Cisco, которые теряли значительные куски традиционных рынков сбыта. Поскольку компания Google создавала собственное оборудование, ей не нужно было покупать его на открытом рынке, а когда ее примеру последовали Facebook, Amazon и другие²¹⁶ интернет-гиганты, это привело к возникновению целой теневой индустрии компьютерного оборудования. Но ни Google, ни ее конкуренты никогда еще не заходили так далеко, чтобы разрабатывать собственные компьютерные чипы. Для этого требовались немалые знания, навыки, опыт и инвестиции, и это просто не имело экономического смысла. Такие компании, как Intel и Nvidia, производили чипы в таких огромных количествах и так дешево, что Google не могла и надеяться тягаться с ними, тем более что их чипы успешно делали свое дело. Именно графические процессоры производства Nvidia способствовали развитию глубокого обучения, помогая обучать такие системы, как голосовой сервис для Android. Но теперь Дин имел дело с новой проблемой: ему нужен был более эффективный способ обслуживания этой обученной системы ее работы и доставки ее через интернет по всему миру. Дин мог продолжать использовать в этих целях компьютеры с графическими или даже стандартными процессорами, но это не обеспечивало того уровня эффективности, который ему был нужен. Поэтому-то он и его команда решили создать новый чип, предназначенный специально для работы с нейронными сетями. Для решения этой задачи они мобилизовали все доступные ресурсы из других групп, включая «поисковиков». К этому времени все уже понимали, на что способно глубокое обучение.

На протяжении многих лет компания разрабатывала аппаратное обеспечение для своих дата-центров в полусекретной лаборатории в Мэдисоне, штат Висконсин. Хёльцле – бывший профессор информатики с бриллиантовой серьгой-гвоздиком и коротко стрижеными волосами с проседью – видел в этой работе истинное конкурентное преимущество компании и ревниво охранял свои разработки от глаз конкурентов, таких как Facebook и Amazon. Мэдисонская лаборатория, несмотря на свою удаленность, постоянно пополнялась свежими кадрами из числа талантливых выпускников инженерного факультета Висконсинского университета. И теперь Дин и Хёльцле бросили все эти таланты на создание нового чипа, переманив им в помощь опытных инженеров из компаний Кремниевой долины, таких как HP. В результате этих усилий родился тензорный процессор. Он был разработан специально для работы с тензорами – математическими объектами, лежащими в основе нейронной сети. Хитрость заключалась в том, что его вычисления были менее точными²¹⁷, чем у обычных процессоров. Количество вычислений, выполняемых нейронной сетью, огромно, но большая точность для каждого из этих вычислений не требуется. Вычисления происходят с целыми, а не с дробными числами. Вместо того чтобы умножать 13,646 на 45,828, тензорный процессор отсекает дробную часть и просто умножает 13 на 45. Благодаря этому он может выполнять триллионы дополнительных вычислений каждую секунду – а это именно то, что требовалось Дину и его команде не только для голосового сервиса, но и для машинного перевода.

То, что создал Суцкевер, имело научное значение, но еще не было продуктом, готовым к массовому потреблению. Его система хорошо работала с обычными словами, но не с расширенным лексиконом и не могла конкурировать с существующей системой машинного перевода – построенной на основе старых добрых правил языка и статистики, – которую компания Google предлагала пользователям в режиме онлайн уже более десяти лет. Но благодаря всем данным, которые он собрал, компания накопила огромное количество переводов, которые могли бы помочь обучить гораздо более крупную нейронную сеть, используя методы, продемонстрированные Суцкевером и его коллегами. Их объем был примерно в сто, если не в тысячу раз больше²¹⁸, чем тот, на котором Суцкевер обучал свою систему. И вот в 2015 году Дин нанял трех инженеров²¹⁹, чтобы они построили систему, которая могла бы обучаться на всех этих данных.

Существующий автоматический переводчик Google разбивал предложения на части, переводил эти части на другой язык, а затем пытался соединить полученные фрагменты в связное целое – недаром телеведущий Джимми Фэллон любил посмеяться над искаженными и порой совершенно бессвязными фразами, создаваемыми системой Google Translate. Например, оценка качества перевода с английского на французский²²⁰, измеряемая по стобалльной шкале BLEU, была ниже тридцати, и это означало, что перевод был так себе. За четыре года работы эту оценку удалось улучшить всего на три пункта. А вот команда Дина всего за несколько месяцев работы построила нейронную сеть, которая превзошла существующую систему на семь пунктов²²¹. Главная сила их метода, как и всех методов, связанных с глубоким обучением, заключалась в том, что система училась переводить фразы целиком, не разбивая их на фрагменты. «Внезапно непостижимое стало постижимым, – говорит Макдафф Хьюз, который руководил командой, создававшей прежнюю систему перевода. – Как будто кто-то включил свет».

Но была еще проблема. Чтобы перевести предложение из десяти слов, требовалось десять секунд²²². Для открытого интернета это было слишком медленно. Люди просто не станут этим пользоваться. Хьюз полагал, что компании потребуется еще три года²²³, чтобы отточить систему до такой степени, чтобы она могла выполнять переводы без малейшего промедления. Дин, однако, думал иначе²²⁴. «Мы можем сделать это к концу года, если постараемся»²²⁵, – сказал он Хьюзу во время широкого совещания, проходившего в одном из отелей Сан-Франциско. Хьюз был настроен скептически²²⁶, но поставил своей команде задачу подготовить новой сервис к концу года. «Я не собираюсь²²⁷ убеждать Джеффа Дина, что это неосуществимо», – сказал он.

Им нужно было успеть опередить Baidu. Специалисты китайского интернет-гиганта несколькими месяцами ранее опубликовали статью²²⁸ с описанием аналогичных исследований, а летом того же года появилась еще одна разработка, производительность которой не уступала системе, которую разрабатывали в Google Brain. Когда Джефф Дин и его команда создали новую версию Google-переводчика, они решили, что сервис должен дебютировать на английском и китайском языках. Из-за огромных различий между этими двумя языками именно в этой паре глубокое обучение обеспечивало наибольший прогресс. Кроме того, именно перевод с английского на китайский и обратно пользовался наибольшим спросом. В конце концов, речь шла о двух крупнейших экономических державах мира. Инженеры Google справились с задачей даже на три месяца раньше установленного Дином срока – и все благодаря тензорным процессорам. Фраза, перевод которой с использованием обычного оборудования еще в феврале занимал десять секунд, теперь, благодаря новому чипу, могла быть переведена за миллисекунды²²⁹. Первую доступную для пользователей версию нового переводчика выпустили сразу после Дня труда²³⁰, намного опередив Baidu. «Я был поражен тем, насколько удачно все получилось. Думаю, все были поражены, – говорит Хинтон. – Никто не ожидал, что все сработает так хорошо и так скоро».

Когда Джеффри Хинтон перешел в Google, они с Джеффом Дином занялись проектом²³¹, который они сами называли «Дистилляцией». Речь шла о том, чтобы взять одну из гигантских нейронных сетей, которые они обучали внутри компании, а затем сжать все, чему она научилась, до размера, который позволял бы Google использовать ее в режиме реального времени в онлайн-сервисах, мгновенно обслуживая миллионы людей по всему миру. Это был брачный союз долгой карьеры Хинтона (нейронные сети) и огромного опыта Дина (компьютеры и информатика). Затем Хинтон решил выйти за рамки изучения нейронных сетей, чтобы попробовать создать новую, более сложную модель, имитирующую человеческий мозг. Эта идея впервые пришла ему в голову еще в конце 1970-х годов, и он назвал ее капсульной сетью. Летом, после того как Google приобрела DeepMind, Хинтон запланировал провести три месяца в лондонской лаборатории, чтобы поработать над этой новой старой идеей.

Он купил два билета на лайнер Queen Mary 2 от Нью-Йорка до Саутгемптона – один для себя, другой для своей жены Джекки Форд, историка искусства, на которой он женился в конце 1990-х, после того как его первая жена, Розалинда, умерла от рака яичников. Они должны были отплыть из Нью-Йорка в воскресенье. В четверг перед отъездом из Торонто у Джеки обнаружили прогрессирующий рак поджелудочной железы. Врачи дали ей около года жизни и посоветовали немедленно начать химиотерапию. Зная, что шансов на выздоровление нет, она решила съездить в Великобританию, чтобы начать лечение, когда они вернутся в Торонто осенью. Ее семья и многие друзья оставались в Англии, и для нее это был последний шанс увидеться с ними. Поэтому они с Хинтоном отправились в Нью-Йорк, а оттуда в воскресенье в Саутгемптон. Хинтон действительно провел лето, работая над капсульными сетями, но существенного прогресса не достиг.

Четырнадцатого ноября 2014 года на сайте Edge.org появилось обращение Илона Маска²³². В лабораториях типа DeepMind, заявил он, искусственный интеллект развивается с тревожащей скоростью:

У кого нет прямого контакта с такими исследовательскими группами, как DeepMind, тот даже не представляет, как быстро он растет – в темпе, близком к экспоненциальному. Существует риск, что в течение пяти лет может произойти что-то очень опасное. Самое большее – десять лет. Не подумайте, что я кричу «волки!», не понимая, что происходит. Это не тот случай. Я не одинок в своих опасениях. Ведущие компании, занимающиеся ИИ, делают многое для обеспечения безопасности. Они осознают угрозу, но думают, что могут удерживать цифровой сверхразум под своим контролем и предотвращать проникновение его опасных форм в интернет. Это еще предстоит выяснить…

Час спустя сообщение исчезло. Но его содержание не сильно отличалось от того, о чем Маск говорил уже многие месяцы как на публике, так и в частных беседах.

Годом ранее в разговоре за ужином с обозревателем Bloomberg Businessweek Эшли Вэнсом Маск сказал, что больше всего боится²³³, что Ларри Пейдж создаст армию наделенных искусственным разумом роботов, которые могут в конечном итоге уничтожить человеческую расу. Нет, он не приписывал Пейджу злые намерения²³⁴. Пейдж был его близким другом, и Маску не раз случалось ночевать у него на диване. Проблема была в том, что Пейдж²³⁵ исходил из предположения, что все, создаваемое Google, может нести миру только благо. Но, как выразился Маск, «зло можно причинить и ненамеренно»²³⁶. Об этом приватном разговоре стало известно лишь через несколько лет, когда Вэнс опубликовал биографию Маска, но вскоре после их ужина Маск говорил почти то же самое по национальному телевидению и в социальных сетях. Во время выступления на канале CNBC он упомянул «Терминатора»²³⁷. «Об этом было много фильмов», – сказал он. В своем твиттере он назвал искусственный интеллект «потенциально более опасным, чем ядерное оружие»²³⁸.

В том же твите он призвал своих последователей прочитать книгу «Искусственный интеллект²³⁹. Этапы. Угрозы. Стратегии», незадолго до этого опубликованную философом из Оксфордского университета Ником Бостромом (Nick Bostrom, Superintelligence: Paths, Dangers, Strategies). Бостром считает²⁴⁰, что искусственный интеллект может обеспечить будущее человечества – или уничтожить его. «Пожалуй, нас ожидает самая серьезная и пугающая повестка²⁴¹, которую когда-либо получало человечество, – пишет он. – И независимо от того, победим мы или проиграем, – не исключено, что этот вызов станет для нас последним». Его беспокоит, что ученые²⁴² разрабатывают системы, призванные улучшить тот или иной аспект нашей жизни, не осознавая, что однажды это может обернуться хаосом, который никто не сможет остановить. В книге в качестве метафоры²⁴³ часто упоминается система ИИ, предназначенная для производства как можно большего количества канцелярских скрепок. Такая система, по его словам, «вначале превращает в фабрику по производству скрепок всю Землю, а потом и обозримую Вселенную»^244[3].

Той же осенью Маск появился на конференции Vanity Fair в Нью-Йорке, где в разговоре с журналистом Уолтером Айзексоном высказался об опасности²⁴⁵ искусственного интеллекта, способного к «рекурсивному самосовершенствованию». Например, если ученые разработают систему для борьбы со спамом²⁴⁶ в электронной почте, объяснил он, в конце концов система может прийти к выводу, что лучший способ избавиться от всякого спама – просто убрать людей. Когда Айзексон спросил, помогут ли его ракеты SpaceX спасти человечество²⁴⁷ от этих роботов-убийц, Маск ответил, что спасение может оказаться невозможным. «Если есть какой-то сценарий апокалипсиса²⁴⁸, – сказал он, – он может последовать за людьми с Земли в космос».

А еще через несколько недель Маск разместил то самое обращение²⁴⁹ на веб-сайте Edge.org, контролируемом организацией, которая занимается изучением новых научных идей и организует ежегодные мероприятия под общим названием «Ужин миллиардеров», в котором в разные годы участвовали такие светила, как Маск, Ларри Пейдж, Сергей Брин и Марк Цукерберг, и которая в скором времени оказалась в центре скандала, когда миллиардер Джеффри Эпштейн²⁵⁰, один из ее основных финансовых спонсоров, был арестован за участие в секс-торговле и вскоре покончил с собой в тюремной камере. В своем выступлении на веб-сайте Edge Foundation Маск был более откровенным, чем в прошлом. Он указал на деятельность лаборатории DeepMind²⁵¹ как на свидетельство того, что мир на всех парах мчится к созданию сверхразума. Он предупредил, что опасность нам грозит самое большее через пять-десять лет²⁵². И как один из инвесторов, он наблюдал за деятельностью DeepMind изнутри – до того, как эта лондонская лаборатория была внезапно приобретена Google. Однако было неясно, видел ли он что-нибудь такое, чего не видели другие.

Маск опубликовал обращение в пятницу. А уже в следующую среду он обедал с Марком Цукербергом. Это была их первая личная встреча. Цукерберг пригласил Маска в свой утопающий в листве деревьев белый дом в Пало-Альто, надеясь убедить этого предпринимателя с южноафриканскими корнями, что все эти разговоры об опасностях сверхразума не имеют большого смысла. Когда основатели DeepMind настаивали на том, что не продадут свою лабораторию без гарантии того, что независимый совет по этике будет контролировать разработки AGI, он отверг их требования, и теперь, когда Маск продолжал нагнетать страсти по телевидению и в социальных сетях, он не хотел, чтобы у законодателей и политиков сложилось впечатление, что такие компании, как Facebook, способны нанести миру вред своим разработками в сфере искусственного интеллекта. Себе в помощь он также пригласил Яна Лекуна, Майка Шрепфера и Роба Фергуса, профессора Нью-Йоркского университета, который работал вместе с Лекуном в новой лаборатории Facebook. «Фейсбукеры» на протяжении всего обеда пытались объяснить Маску, что в своих взглядах на ИИ он введен в заблуждение кликушами, которые остаются в явном меньшинстве. Философские размышления Ника Бострома, по словам Цукерберга и его коллег, не имели никакого отношения к тому, что Маск мог видеть в DeepMind или в любой другой лаборатории искусственного интеллекта. Нейронные сети все еще слишком далеки от сверхразума. DeepMind создавала системы, которые отлично играли в Pong или Space Invaders, но во всем остальном были совершенно бесполезны. И игры, в которые они играют, вы можете выключить в любой момент.

Но Маск остался при своем мнении. Проблема в том, сказал он, что ИИ слишком быстро совершенствуется. И есть риск, что эти технологии могут перейти рубеж, отделяющий безобидное от опасного, быстрее, чем мы поймем, что происходит. Он повторял все те же аргументы, которые уже приводил в своих твитах, телевизионных интервью и публичных выступлениях, и, когда он это говорил, никто не мог точно сказать, он действительно во все это верит или просто позерствует, преследуя какую-то свою цель. «Я искренне верю, что такая опасность существует», – говорил он.

Через несколько дней после обеда в Пало-Альто Илон Маск позвонил Яну Лекуну. Он сообщил, что его компания Tesla планирует заняться созданием беспилотного автомобиля, и попросил посоветовать ему кого-нибудь, кто мог бы возглавить этот проект. На той же неделе он связался с еще несколькими исследователями из Facebook, обращаясь к каждому с той же самой просьбой, и эта его уловка в конечном итоге вызвала гнев Марка Цукерберга. Лекун посоветовал Маску связаться с Урсом Мюллером, его бывшим коллегой по Bell Labs, который создал свой стартап для разработки автономных транспортных средств с помощью технологии глубокого обучения. Однако Маск не успел нанять этого швейцарского исследователя – его опередили. Дело в том, что через несколько дней после Маска к Лекуну с таким же запросом обратился Дженсен Хуанг, основатель и генеральный директор Nvidia. Лекун дал ему такой же совет, и Nvidia медлить не стала. Компания хотела создать собственную лабораторию, которая способствовала бы развитию технологии автономного транспорта, что в свою очередь позволило бы компании продавать еще больше графических процессоров.

Маск бил тревогу, что гонка за искусственным интеллектом может уничтожить нас всех, и при этом сам присоединялся к ней. Сначала его заинтересовала идея беспилотного автомобиля, но в скором времени он последовал примеру DeepMind и создал свою собственную лабораторию для разработки AGI. Маск видел во всем этом звенья одного технологического тренда. Сначала распознавание изображений. Потом машинный перевод. Потом автомобили без водителя. Потом AGI.

Он был частью растущего сообщества исследователей, руководителей и инвесторов, которые предупреждали об опасности сверхразума, в то время как сами пытались его создавать. В это же число входили основатели DeepMind и те, кто их с самого начала поддерживал, а также многие мыслители, вовлеченные в их орбиту. Сторонние эксперты считали все это чепухой. Не было никаких свидетельств тому, что идея сверхразума хоть сколько-нибудь близка к реализации. Современные технологии все еще боролись за то, чтобы так называемый искусственный разум был способен надежно управлять автомобилем, поддерживать беседу или сдать школьный экзамен по естествознанию. И даже если бы осуществление мечты об AGI было действительно близким, позиция таких людей, как Маск, выглядела противоречивой. «Если эта штука уничтожит нас всех, – спрашивали скептики, – тогда зачем ее создавать?» Но для тех, кто принадлежал к этому крошечному сообществу, казалось вполне естественным развивать эти исключительно важные технологии, но при этом учитывать связанные с ними риски. Если уж создавать сверхразум, то для всех будет лучше создавать его, одновременно остерегаясь любых непредвиденных последствий.

Еще в 2008 году Шейн Легг описал эту двойственную позицию в своей диссертации²⁵³, где утверждает, что хоть риск и велик, потенциальные выгоды его перекрывают²⁵⁴. «Если и может существовать что-то приближающееся к абсолютной власти²⁵⁵, то это будет машина, наделенная сверхразумом. По определению она способна к достижению самого широкого спектра целей в самых разных условиях, – писал он. – Если мы тщательно и заблаговременно подготовимся к такой возможности, то не только сумеем предотвратить катастрофу, но и приблизим эпоху процветания, не похожую ни на что виденное ранее». Он признавал, что такая позиция может казаться крайностью²⁵⁶, но при этом ссылался на авторитетных деятелей, которые придерживались такой же точки зрения. Создавая DeepMind, они с Хассабисом влились в это сообщество. Они добрались до Питера Тиля благодаря участию в конференции Singularity Summit. Потом они заручились поддержкой еще одного инвестора, Яана Таллинна – одного из основателей телефонного интернет-сервиса Skype, – который вскоре присоединился к группе ученых, создавших организацию под названием Институт будущего жизни (Future of Life Institute), призванную исследовать экзистенциальные риски искусственного интеллекта и других технологий. Затем Хассабис и Легг понесли эти идеи дальше: познакомили с ними Маска и пытались внушить их руководству Facebook и Google, когда два этих технологических гиганта боролись за право приобрести их молодую компанию. Пока они обхаживали инвесторов и покупателей, Легг не стеснялся излагать свои взгляды на будущее. Сверхразум появится в следующем десятилетии, говорил он, и связанные с этим риски тоже. Марк Цукерберг воспротивился этим идеям – его интересовали исключительно талантливые кадры, работавшие в DeepMind, – а вот Ларри Пейдж и Google их восприняли. Оказавшись внутри Google, Сулейман и Легг создали из числа сотрудников DeepMind специальную группу, занятую вопросами «безопасности ИИ», как они это называли, чтобы гарантировать, что технологии, разрабатываемые лабораторией, не причинят человечеству вреда. «Если этим технологиям суждено успешно служить человечеству в будущем, моральная ответственность должна быть заложена в них по умолчанию, – говорит Сулейман. – Этические соображения должны учитываться каждым, кто приступает к разработке подобной системы». Став инвестором DeepMind, Илон Маск присоединился к этому движению обеспокоенных и начал со своей стороны предпринимать усилия в этом направлении, пока не дошел до крайности.

Осенью 2014 года Институту будущего жизни было меньше года от роду, когда под его эгидой это растущее сообщество собралось на закрытый саммит²⁵⁷ в Пуэрто-Рико. Его организатором выступил Макс Тегмарк, космолог и физик из Массачусетского технологического института, и за образец была взята основополагающая конференция²⁵⁸, состоявшаяся в 1975 году в конференц-центре Asilomar, на которой ведущие генетики мира встретились, чтобы обсудить, не приведет ли их работа – редактирование генов – к уничтожению человечества. На приглашениях, разосланных институтом, были две фотографии: на одной был изображен пляж в Сан-Хуане, на другой – какой-то бедолага, раскапывающий свой «Фольксваген-жук», утонувший в снежном сугробе (смысл был такой: «В начале января в Пуэрто-Рико вам будет гораздо веселее»). Было также обещание, что прессы на мероприятии не будет (смысл такой: «Вы можете свободно обсуждать свои страхи по поводу будущего искусственного интеллекта, не опасаясь, что назавтра вас будут дразнить “Терминатором”»). Эта встреча за закрытыми дверями получила название «Будущее искусственного интеллекта: возможности и вызовы». Среди прочих, присутствовали Демис Хассабис и Шейн Легг. Илон Маск тоже. В первое воскресенье 2015 года, через шесть недель после обеда с Марком Цукербергом, Маск вышел на сцену, чтобы обсудить угрозу «интеллектуального взрыва»²⁵⁹, то есть момента, когда искусственный интеллект внезапно достигнет уровня, который не предвидели даже эксперты. В этом, по его словам, заключен большой риск²⁶⁰: технология может внезапно перейти в опасную зону, и никто этого не заметит. Это был отзвук предостережений Бострома, который также выступал на сцене в Пуэрто-Рико, но Маск даже усилил его посыл.

Яан Таллинн, когда основал Институт будущего жизни, обещал платить по 100 000 долларов в год. В Пуэрто-Рико Маск решил выделить 10 миллионов²⁶¹ долларов на проекты по изучению вопросов безопасности ИИ. Он собирался публично объявить об этом новом подарке²⁶², но передумал, опасаясь, что это новость отвлечет внимание от предстоящего запуска ракеты SpaceX и ее последующей посадки на автономный плавучий космодром в Тихом океане. Кто-то напомнил ему, что на конференции нет репортеров²⁶³ и что присутствующие были связаны «правилами Чатем-Хауса», то есть согласились не разглашать то, о чем говорилось на совещании в Пуэрто-Рико, но Маск все же был настороже. Поэтому он сделал объявление, не назвав конкретную цифру²⁶⁴. Через несколько дней, после того как его ракета разбилась во время попытки посадки, он сообщил о гранте в размере 10 миллионов долларов в своем твите²⁶⁵. Для Маска угроза со стороны сверхразума была лишь одной из многих забот. Главной же его заботой, казалось, было привлечь к себе максимум внимания. «Он очень занятой человек, и у него нет времени копаться в нюансах вопросов, но он понимает основные контуры проблемы, – говорит Таллинн. – Он также искренне наслаждается вниманием прессы, чем объясняются его твиты, похожие на лозунги, и многое другое. Между Илоном и прессой существует симбиоз, который раздражает многих исследователей ИИ, но это цена, которую наше сообщество должно заплатить».

На конференции Тегмарк распространил открытое письмо²⁶⁶, в котором стремился оформить общие взгляды тех, кто собрался в Пуэрто-Рико. «Мы считаем, что исследования²⁶⁷, нацеленные на то, как сделать системы искусственного интеллекта надежными и полезными, являются одновременно важными и своевременными», – говорилось в письме, а дальше шли разного рода рекомендации – от подготовки прогнозов состояния рынка труда до разработки инструментов, которые могли бы обеспечить безопасность и надежность технологий ИИ. Тегмарк отправил копию письма всем присутствующим, чтобы каждый мог под ним подписаться. Тон письма был сдержанным, а содержание простым – все было в рамках здравого смысла, – но его подписание фактически означало, что вы привержены идее безопасности ИИ или, по меньшей мере, готовы выслушать глубокие опасения таких людей, как Легг, Таллинн и Маск. Одним из тех, кто присутствовал на конференции, но не подписал письмо, был Кент Уокер²⁶⁸, главный юрисконсульт Google, который в Пуэрто-Рико был скорее наблюдателем, чем участником, поскольку его компания стремилась расширить свои усилия по разработки ИИ как в Калифорнии (силами Google Brain), так и в Лондоне (силами DeepMind). Но большинство других участников подписались, в том числе один из ведущих сотрудников Google Brain²⁶⁹ Илья Суцкевер.

Позже Макс Тегмарк написал книгу о потенциальной угрозе сверхразума²⁷⁰ для человечества и Вселенной. На первых страницах он описывает²⁷¹ встречу Илона Маска и Ларри Пейджа на званом ужине, состоявшемся после пуэрториканской конференции где-то в калифорнийской долине Напа. После еды и коктейлей Пейдж выступил в защиту того, что Тегмарк назвал «цифро-утопизмом»²⁷², сказав, что «цифровая жизнь – естественный и желательный новый этап космической эволюции, и если мы дадим ей свободу, не пытаясь удушить или поработить ее, то это принесет безусловную пользу всем»[4]. Пейдж беспокоился, что паранойя по поводу появления искусственного интеллекта отсрочит реализацию этой цифро-утопии, даже если она способна доставить жизнь в миры, находящиеся далеко за пределами Земли. Маск ощетинился и спросил, как это Пейдж может быть уверен, что этот сверхразум не уничтожит человечество. Пейдж упрекнул его в «видошовинизме», потому что он, дескать, отдает превосходство углеродным формам жизни, пренебрегая нуждами новых видов, относящихся к кремниевой форме жизни. По крайней мере, с точки зрения Тегмарка, эти ночные дебаты за коктейлем свидетельствовали о формировавшихся в самом сердце технологической индустрии коренных противоречиях.

Примерно через полгода после конференции в Пуэрто-Рико Грег Брокман шагал по Сэнд-Хилл-роуд, короткой асфальтированной дороге, которая петляет мимо более чем пятидесяти крупнейших венчурных компаний Кремниевой долины. Он направлялся в Rosewood – фешенебельный отель в стиле калифорнийского ранчо, где предприниматели делали свои предложения крупным венчурным капиталистам, – и при этом постоянно поглядывал на часы. После ухода с поста главного технического директора Stripe, успешного стартапа, предоставляющего услуги онлайн-платежей, двадцатишестилетний выпускник Массачусетского технологического института направлялся на ужин с Илоном Маском и опаздывал. Но когда Брокман вошел в приватный обеденный зал отеля Rosewood, оказалось, что Маск еще не прибыл: как это часто с ним случается, основатель и генеральный директор Tesla и SpaceX сам опаздывал больше чем на час. Но другой известный инвестор Кремниевой долины был уже на месте – Сэм Альтман, президент фонда Y Combinator, акселератора стартапов. Он поздоровался с Брокманом и представил его небольшой группе разработчиков ИИ, собравшихся во внутреннем дворике с видом на холмы к западу от Пало-Альто. Среди них был и Илья Суцкевер.

Когда они вошли внутрь и сели ужинать, появился Маск и сразу же заполнил помещение своими необычайно широкими плечами и бьющей через край энергией. Но он, как и все остальные, не совсем понимал, зачем они вообще собрались. Альтман собрал их вместе в надежде организовать новую лабораторию искусственного интеллекта, которая могла бы служить противовесом лабораториям, быстро расширяющимся внутри крупных интернет-компаний, но никто не знал, насколько это реалистично. Брокман после своего ухода из Stripe, одного из самых успешных стартапов, развивавшихся под опекой Y Combinator, был только «за». Он никогда не работал в области ИИ и только недавно купил компьютер с графическим процессором, чтобы обучить свою первую нейронную сеть, но, как он сказал Альтману за несколько недель до этого, был полон решимости присоединиться к новому движению. Маск тоже был «за» – после того как воочию увидел возможности технологий глубокого обучения в Google и DeepMind. Но никто толком не знал, как им войти в бизнес, где уже доминировали самые богатые компании Кремниевой долины. Не только Google и Facebook перетащили к себе лучших специалистов и платили им огромные деньги – к ним в последнее время примкнули также компании Baidu, которая начала энергичные разработки, когда заполучила Эндрю Ына в качестве руководителя по научным исследованиям, и Twitter, которая только что приобрела два заметных стартапа, занимавшихся глубоким обучением нейросетей. Альтман пригласил Суцкевера и нескольких других ученых-единомышленников в отель Rosewood, чтобы вместе изучить возможности, но они провели вечер, задавая друг другу вопросы, вместо того чтобы давать ответы. «Главный вопрос был такой: не слишком ли поздно пытаться создавать лабораторию с привлечением лучших специалистов? Возможно ли это? Никто не мог сказать, что это невозможно, – вспоминает Брокман. – Были люди, которые говорили: “Это действительно трудно. Нужно получить критическую массу. Нужно найти лучших людей. Как вы собираетесь это сделать? Это вопрос курицы и яйца”. Но я слышал только одно: это все-таки не невозможно».

Возвращаясь в тот вечер домой вместе с Альтманом, Брокман поклялся, что создаст новую лабораторию, которая, казалось, была нужна всем²⁷³. Для начала он обзвонил нескольких ведущих деятелей²⁷⁴ в этой области, включая Йошуа Бенжио, профессора Монреальского университета, который помогал развивать движение глубокого обучения вместе с Джеффом Хинтоном и Яном Лекуном. Бенжио ясно дал понять, что по-прежнему намерен заниматься наукой в своем вузе, но составил список перспективных молодых исследователей, и, когда Брокман связался с ними и многими другими, ему удалось заинтересовать некоторых из них – тех, кто хотя бы отчасти разделял тревоги Маска в отношении угроз искусственного интеллекта. Пятеро из них, включая Илью Суцкевера, недавно стажировались в DeepMind. Их привлекла идея лаборатории²⁷⁵, неподконтрольной крупным интернет-компаниям и, в отличие от них, совершенно свободной от стремления к прибыли. Они считали, что это лучший способ обеспечить безопасное развитие ИИ. «Мало кто из ученых задумывается о долгосрочных последствиях своей деятельности, – говорит Войцех Заремба, состоявший в числе исследователей, к которым обратился Брокман. – Я хочу, чтобы ученые серьезнее относились к возможности того, что искусственный интеллект, являясь невероятно увлекательной интеллектуальной головоломкой, может иметь серьезные негативные последствия для мира». Однако ни один из этих исследователей не был готов взяться за создание с нуля новой лаборатории – дескать, пусть это сделает кто-то другой, и тогда они подтянутся. Чтобы выйти из тупика²⁷⁶, Брокман пригласил десятерых лучших кандидатов провести осенний день на винодельне в долине Напа, к северу от Сан-Франциско. В группу входили, среди прочих, Суцкевер и Заремба²⁷⁷, перешедший в Facebook после стажировки в Google. Брокман нанял автобус, чтобы отвезти их из своей квартиры в Сан-Франциско в этот край виноделия, и эта поездка сама по себе, как он чувствовал, помогла укрепить их великую идею. «Многие недооценивают, как это сплачивает людей²⁷⁸, когда они вместе проводят время в ситуации, где нет никакой возможности ускорить достижение того, куда вы направляетесь, – говорит он. – Обстоятельства вынуждают вас общаться».

В долине Напа они обсуждали новую форму виртуального мира, своего рода виртуальный тренажер или игровую площадку, где интеллектуальные боты учились бы делать на персональном компьютере все то, что может делать человек. Это способствовало бы развитию методики обучения вроде той, которую использовала DeepMind, обучая нейронную сеть играть в Breakout, но в применении не только к видеоиграм, но и любым другим программным приложениям, от браузеров до Microsoft Word. Участники верили, что это путь к по-настоящему умным машинам. В конце концов, любой браузер открывает доступ ко всему интернету. И это доступ к любой машине и к любому человеку. Чтобы ориентироваться в этом мире, нужны были не только двигательные, но и языковые навыки. Это была задача, которая напрягла бы ресурсы даже крупнейших технологических компаний, но они решили справиться с ней без поддержки какой-либо коммерческой компании. Они хотели создать лабораторию, полностью свободную от корпоративного давления, некоммерческую, которая открыто делится всеми своими исследованиями, чтобы любой человек мог конкурировать со всеми гуглами и фейсбуками этого мира. В конце концов Брокман пригласил всех десятерых²⁷⁹ исследователей присоединиться к этой лаборатории и дал им три недели на размышление. Через три недели на борт поднялись девять человек²⁸⁰. Они назвали свою новую лабораторию OpenAI. «Думаю, это был нужный уровень радикализма, – говорит Суцкевер. – Мне нравится делать самые радикальные вещи. И это предприятие казалось самым радикальным из всего возможного».

Но, прежде чем они могли явить свою лабораторию остальному миру, такие исследователи, как Заремба и Суцкевер, должны были распрощаться с Facebook и Google²⁸¹. Прежде чем пройти стажировку в Google Brain, а затем в лаборатории искусственного интеллекта Facebook, Заремба успел поработать и в DeepMind. После того как он согласился присоединиться к OpenAI, интернет-гиганты предложили ему «граничащие с безумием»²⁸² – как он сам это назвал – суммы, чтобы побудить его передумать – в два или в три раза больше его «рыночной стоимости». И эти предложения были ничтожными по сравнению с цифрами, которые компания Google предложила Суцкеверу – многие миллионы долларов в год. Они оба отказались, но предложения со все нараставшими цифрами продолжали поступать – даже в тот момент, когда они летели в Монреаль на конференцию NIPS, где им предстояло объявить о создании новой лаборатории OpenAI. Конференция, которая когда-то привлекала внимание несколько сотен исследователей, теперь насчитывала почти четыре тысячи участников, которые заполняли собой лекционные залы, где выдающиеся мыслители выступали со своими выдающимися докладами, а представители бесчисленных компаний старались организовать дополнительные встречи в соседних комнатах, пытаясь переманить к себе лучших специалистов по высоким технологиям, какие только есть на планете. Все это напоминало старательский городок на Диком Западе во времена золотой лихорадки.

Приехав в Монреаль, Суцкевер встретился с Джеффом Дином, который сделал ему еще одно предложение, отчаянно пытаясь удержать его в Google. Это было предложение, от которого трудно отказаться. Google предложила в два или три раза больше, чем ему пообещали платить в OpenAI (почти 2 миллиона долларов за первый год²⁸³). Маску, Альтману и Брокману не оставалось ничего другого, как отложить объявление в ожидании решения Суцкевера. Он позвонил родителям в Торонто, и, пока он продолжал взвешивать все «за» и «против», Брокман бомбардировал его сообщениями, убеждая выбрать OpenAI. Так продолжалось несколько дней. Наконец, в пятницу, в последний день конференции, Брокман и остальные решили, что им нужно объявить о создании лаборатории с Суцкевером или без него. Объявление было назначено на три часа дня, но, когда условленный час настал, никакого объявления не последовало, как и решения со стороны Суцкевера. Лишь позже он написал Брокману, что остается с ними.

Маск и Альтман рисовали OpenAI как противовес²⁸⁴ тем угрозам, которые несут в себе крупные интернет-компании. В то время как Google, Facebook и Microsoft все еще держали некоторые технологии в секрете, OpenAI – некоммерческая организация, в которую Маск, Питер Тиль и другие финансисты обещали вложить сумму более миллиарда долларов²⁸⁵, – собиралась делиться своими будущими технологиями без каких-либо ограничений. Искусственный интеллект должен быть доступен каждому²⁸⁶, а не только самым богатым компаниям на Земле. Да, признавали Маск и Альтман, если они откроют доступ ко всем своим исследованиям, ими с таким же успехом смогут воспользоваться как злые люди²⁸⁷, так и добрые. Если они создадут искусственный интеллект, который можно будет применить как оружие, воспользоваться этим оружием сможет любой. Но, аргументировали они, угроза вредоносного ИИ будет ослаблена²⁸⁸ именно тем, что их технология будет доступна каждому. «Мы считаем гораздо более вероятным²⁸⁹, что большинство разработчиков ИИ будут стараться противодействовать этим потенциальным злым замыслам», – говорил Альтман. Это было идеалистическое видение, которое в конечном итоге оказалось совершенно непрактичным, но именно в это они верили. И исследователи, которые с ними работали, тоже в это верили. Независимо от того, насколько жизнеспособными были эти грандиозные мечты, Маск и Альтман, по крайней мере, проникли в самое сердце самого многообещающего технологического тренда, существующего в мире. Многие из лучших исследователей теперь работали на них. Заремба, который учился у Яна Лекуна в Нью-Йоркском университете, заявил, что эти «граничащие с безумием» финансовые посулы²⁹⁰ его не прельстили. Они, скорее, оттолкнули его²⁹¹ и еще больше приблизили к идеалам OpenAI. Он полагал, что эти посулы имели целью не столько удержать его самого²⁹², сколько предотвратить создание новой лаборатории. Суцкевер думал так же.

Не все разделяли идеализм, проповедуемый Маском, Альтманом и их товарищами. Хассабис и Легг в DeepMind были в ярости, считая, что их предали – и не только Маск, который вложил деньги в их компанию, но и многие исследователи, нанятые в OpenAI. Пятеро из них в свое время работали в DeepMind, и Хассабис с Леггом полагали, что новая лаборатория создаст нездоровую конкуренцию на пути к интеллектуальным машинам, что может иметь опасные последствия. Если лаборатории будут соревноваться между собой в погоне за новыми технологиями, будет возрастать опасность упустить момент, когда кто-то из них сбивается с пути. В последующие месяцы Хассабис и Легг убеждали в этом и Суцкевера, и Брокмана. Уже через несколько часов после открытия OpenAI Суцкевер услышал еще более резкие слова в свой адрес, когда пришел в конференц-отель на вечеринку, организованную Facebook, где к нему подошел Ян Лекун.

Они стояли возле лифта в углу просторного вестибюля, и Лекун, сказав Суцкеверу, что тот совершает ошибку, привел более десяти причин, почему это так. Исследователи, приглашенные в OpenAI, слишком молоды. Ни у кого из них нет такого опыта, как у него. У лаборатории нет той финансовой поддержки, обеспечить которую способны только такие гиганты, как Google или Facebook, а сама она, будучи некоммерческой структурой, зарабатывать деньги не сможет. Ей удалось привлечь несколько хороших исследователей, но в долгосрочной перспективе она не может соперничать с крупными корпорациями в борьбе за таланты. Идея же о том, что лаборатория будет открыто делиться всеми своими исследованиями, не столь уж значительна и привлекательна, как может кому-то казаться. Facebook и так уже делится большей частью результатов своих исследований с широким научным сообществом, и Google начинает делать то же самое. «Ты еще пожалеешь о случившемся», – напоследок сказал Лекун Суцкеверу.

31 октября 2015 года в напоминающей Диснейленд штаб-квартире компании Facebook ее технический директор Майк Шрепфер²⁹³ нависал над столом и обращался к заполнившим зал репортерам. В то время как на плоском дисплее, висевшем на стене рядом с ним, отображались слайды, он рассказывал о последних научно-исследовательских проектах компании²⁹⁴– экспериментах с дронами, спутниками, виртуальной реальностью, искусственным интеллектом. Как это часто бывает на таких тщательно подготовленных и отрепетированных мероприятиях, большинство новостей были уже не новыми. Далее он упомянул о том, что несколько исследователей, работающих в отделениях Facebook в Нью-Йорке и Калифорнии, обучают нейронные сети играть в го²⁹⁵. За последние десятилетия машины научились побеждать лучших игроков по шашкам, шахматам, нардам, реверси и даже в Jeopardy!. Но одолеть человеческий интеллект в игре го до сих пор не удавалось ни одной машине. Незадолго до этого журнал Wired опубликовал очерк о французском ученом-компьютерщике²⁹⁶, который потратил десять лет на создание ИИ, способного бросить вызов лучшим в мире игрокам в го. Как и большинство представителей международного сообщества разработчиков ИИ, он полагал, что должно пройти еще лет десять, прежде чем ему – или кому-то другому – удастся достичь таких высот в своих разработках. Но Шреп перед лицом заполонивших зал репортеров заявил: ученые Facebook не сомневаются²⁹⁷ в том, что, используя технологию глубокого обучения, смогут справиться с этой задачей гораздо раньше, и, если они это сделают, это будет означать огромный скачок вперед в развитии искусственного интеллекта.

В игре го два игрока сидят друг напротив друга перед доской, расчерченной девятнадцатью линиями по вертикали и по горизонтали. Они по очереди кладут камни на пересечения линий, стараясь окружить ими часть доски и при этом захватить камни соперника. Если шахматы имитируют сражение, то го можно скорее уподобить «холодной войне». Ход, сделанный в одном углу доски, оказывает влияние на всю позицию, тонким и зачастую непостижимым образом меняя весь ландшафт игры. В шахматах у игрока каждый раз есть около тридцати пяти возможных ходов на выбор. В го выбор увеличивается до двухсот возможных ходов. Игра го гораздо сложнее, чем шахматы, и именно вследствие этого до середины 2010-х годов ни одна электронно-вычислительная машина, сколь бы мощной она ни была, не могла просчитать за разумный промежуток времени последствия всех доступных ходов. Но, как объяснил Шрепфер, глубокое обучение позволило изменить ситуацию²⁹⁸. Анализируя миллионы лиц на миллионах фотографий, нейронная сеть может научиться отличать вас от вашего брата, вашего соседа, от всех остальных. Примерно таким же образом, сказал он, разработчики Facebook пытаются создать машину, имитирующую навыки профессионального игрока в го²⁹⁹. Вводя миллионы ходов го в нейронную сеть, они хотят научить ее отличать хорошие ходы от плохих. «Лучшие игроки в конечном итоге ищут на доске визуальные ключи³⁰⁰, поскольку именно визуальное положение камней помогает им интуитивно понять, какая позиция хорошая, а какая не очень, – объяснял он. – Таким образом, мы используем на доске наглядные шаблоны возможных позиций – аналог видеозаписей – для настройки потенциальных ходов, которые может сделать система».

С одной стороны, продолжал он, специалисты Facebook просто учат машину играть в го. С другой стороны, делая это, они развивают искусственный интеллект, который оказывает свое влияние на остальные направления деятельности Facebook. В частности, технология глубокого обучения вносит коррективы в методы таргетирования рекламы в социальной сети компании. Тот же ИИ анализирует фотографии и создает подписи для слабовидящих³⁰¹, а также управляет системой M³⁰² – виртуальным помощником для смартфонов, который разрабатывается компанией. Используя те же методы, которые лежали в основе их экспериментов с игрой го, ученые из Facebook создают системы, которые способны не просто распознавать произносимые слова, но в буквальном смысле понимать естественные языки. Одна группа исследователей недавно построила систему, которая читает отрывки из «Властелина колец»³⁰³, а затем отвечает на вопросы по тексту трилогии Толкина – сложные вопросы, уточнил Шреп, которые касаются пространственных взаимоотношений между героями, местами и вещами. Он также сказал, что пройдут годы, прежде чем технология компании сможет играть в го³⁰⁴ профессионально – и, конечно, прежде чем она научится по-настоящему общаться на естественных языках, – но путь к этим двум будущим целям уже проложен. Это путь, который ученые бороздили несколько десятилетий, хотя поначалу там было больше бахвальства, чем технологий, имеющих практическое значение. Теперь, сказал он, разработчики ИИ наконец-то приближаются к осуществлению своих высоких мечтаний.

Вот только он не удосужился сообщить этим репортерам, что по тому же пути двигались и другие компании. Через несколько дней после публикации репортажей, описывающих усилия, предпринимаемые командой Facebook, чтобы научить компьютер играть в го, одна из этих компаний напомнила о себе. Демис Хассабис появляется в онлайн-видеоролике³⁰⁵, где смотрит прямо в камеру и доминирует в кадре. Это было одно из редких появлений основателя DeepMind на экране. Лондонская лаборатория предпочитала рассказывать о себе в форме научных статей, публикуемых в престижных научных журналах, таких как Science и Nature, и обычно выходила на связь с внешним миром только после особенно крупных прорывов. В видеоролике Хассабис намекает на работу, все еще продолжающуюся в лаборатории³⁰⁶ и связанную с игрой го. «Я пока не могу говорить об этом³⁰⁷, – сказал он, – но, думаю, через несколько месяцев будет довольно большой сюрприз». Это свидетельствовало о том, что усилия компании Facebook, призванные привлечь к себе внимание прессы, заставили подсуетиться и ее самого главного конкурента. Через несколько недель после появления Хассабиса в этом видеоролике репортер спросил Яна Лекуна, существует ли вероятность того, что DeepMind построит систему, способную побеждать лучших игроков в го. «Нет», – ответил он. И он повторил это несколько раз – отчасти потому, что считал задачу слишком трудной, но также и потому, что ничего об этом не слышал. А ведь сообщество ученых, занимающихся этими вопросами, такое крошечное.

Некоторое время спустя в журнале Nature вышла статья, в которой Хассабис сообщил о том, что их система искусственного интеллекта AlphaGo³⁰⁸ сумела победить трехкратного чемпиона Европы по го. Матч прошел за закрытыми дверями в октябре 2015 года³⁰⁹. Лекун и Facebook пронюхали об этой новости накануне публикации. В тот же день, компания – под личным контролем Цукерберга – предприняла необычную и неудачную попытку упреждающего пиара, сообщив прессе о постах, опубликованных в социальных сетях Цукербергом и Лекуном, где они хвалятся собственными разработками Facebook, которые отнюдь не ограничиваются игрой в го, а прокладывают путь для других форм ИИ. Но факт оставался фактом: Google и DeepMind шли с опережением. В этом закрытом матче система AlphaGo выиграла все пять партий у чемпиона Европы³¹⁰, француза китайского происхождения по имени Фань Хуэй. А несколько недель спустя, уже в Сеуле, она бросила вызов Ли Седолю, лучшему в мире игроку в го последнего десятилетия.

Через несколько недель после того, как DeepMind была приобретена Google, Демис Хассабис и несколько других сотрудников DeepMind вылетели в Северную Калифорнию, чтобы встретиться с руководителями своей новой материнской компании и продемонстрировать им успешность технологии глубокого обучения на примере игры Breakout³¹¹. Как только встреча закончилась, ее участники разбились на неформальные группы, и Хассабис оказался в компании Сергея Брина. В процессе общения они обнаружили, что у них есть общее увлечение³¹²: игра го. Брин сказал, что, когда они с Пейджем создавали Google в Стэнфорде³¹³, он постоянно играл в го, так что Пейдж беспокоился, что их компания никогда не появится. Хассабис сказал, что при желании он и его команда могли бы создать искусственный интеллект, способный победить чемпиона мира по го³¹⁴. «Я был уверен, что это невозможно»³¹⁵, – говорит Брин. И тогда Хассабис твердо решил сделать это³¹⁶.

Джефф Хинтон сравнивал Демиса Хассабиса с Робертом Оппенгеймером, руководителем «Манхэттенского проекта», в рамках которого в годы Второй мировой войны была создана первая атомная бомба. Оппенгеймер был физиком мирового класса, и он понимал, какая сложнейшая научная задача стояла перед ними. Но он также обладал лидерскими качествами, необходимыми для того, чтобы мотивировать непрерывно разраставшуюся команду ученых, работавших под его руководством, соединить в кулак их разрозненные сильные стороны и одновременно каким-то образом нейтрализовать их слабости. Он умел управлять мужчинами и женщинами (в числе которых была Джоан Хинтон, родственница Джеффа Хинтона). Хинтон видел ту же комбинацию качеств и навыков в Хассабисе. «Он управлял проектом AlphaGo, как Оппенгеймер управлял “Манхэттенским проектом”, – говорит Хинтон. – Если бы этим занимался кто-то другой, все получилось бы не так быстро и не так хорошо».

Дэвид Сильвер, знавший Хассабиса еще по Кембриджу, и Айя Хуан, еще один сотрудник DeepMind, уже работали над го, и вскоре к ним присоединились Илья Суцкевер и стажер Google по имени Крис Мэддисон, который ранее начал свой собственный исследовательский проект в Северной Калифорнии. Четверо исследователей опубликовали статью о предварительных результатах своей работы³¹⁷ примерно в середине года, после чего интенсивность усилий значительно возросла, и их кульминацией стала победа в следующем году над Фань Хуэем, чемпионом Европы по го. Этот результат взволновал как мировое сообщество игроков и любителей го, так и мировое сообщество разработчиков ИИ, но анонсированный матч AlphaGo против Ли Седоля обещал стать еще большей сенсацией. Когда в 1997 году суперкомпьютер IBM Deep Blue в одном из манхэттенских небоскребов обыграл чемпиона мира Гарри Каспарова, это стало важной вехой в области компьютерных наук и широко и с огромным энтузиазмом освещалось мировой прессой. Но по сравнению с предстоящим матчем в Сеуле это было ничтожное событие. В Корее – не говоря уже о Японии и Китае – го является национальной игрой. Ожидалось, что за игрой AlphaGo против Ли Седоля будут наблюдать в прямом эфире более 200 миллионов человек³¹⁸ – а это вдвое больше аудитории Супербоула.

На пресс-конференции накануне первой из пяти партий матча Ли хвастался, что победит с легкостью – 4:1 или даже 5:0. Большинство специалистов по го соглашались с ним. Хотя система AlphaGo победила Фань Хуэя безоговорочно – так что не оставалось сомнений в ее превосходстве, – все же по уровню мастерства между Фань Хуэем и Ли Седолем была пропасть. По рейтингу Эло, позволяющему сравнивать потенциальную силу игроков, Ли был гораздо выше³¹⁹. Но Хассабис не сомневался в том, что все эти прогнозы ошибочны и исход игры будет совсем другой. Когда на следующий день, за два часа до первой партии, он встретился за ланчем с несколькими репортерами, у него в руках был номер Korean Herald, местной англоязычной газеты, печатающейся на бумаге персикового оттенка. На первой странице красовались он сам и Ли Седоль. Он не ожидал такого внимания. «Я ожидал, что интерес будет большой, – говорит этот сорокалетний англичанин, хрупкого мальчишеского телосложения, но с лысиной на макушке, – но не настолько». За ланчем, где подавали манты, кимчи и жареное мясо – которое он не ел, – Хассабис сказал журналистам, что он «сдержанно уверен» в успехе. Выступающие со своими прогнозами специалисты, пояснил он, не учитывают того, что система AlphaGo продолжала оттачивать свои навыки после октябрьского матча. Он сам и его команда изначально научили машину играть в го, загрузив в глубинную нейронную сеть 30 миллионов ходов³²⁰. После этого система AlphaGo играла матч за матчем против самой себя³²¹, каждый раз тщательно отслеживая, какие ходы оказались успешными, а какие нет. Это все очень похоже на те системы, которые лаборатория обучала старым аркадным видеоиграм. За месяцы, минувшие после победы над Фань Хуэем, машина успела сыграть сама с собой еще несколько миллионов раз. Она продолжала учиться играть и обучалась быстрее, чем это под силу любому человеку.

Во время этого предматчевого ланча на верхнем этаже отеля Four Seasons напротив Хассабиса сидел председатель совета директоров Google Эрик Шмидт и высокопарно рассуждал о достоинствах глубокого обучения. В какой-то момент кто-то назвал его инженером. Он поправил их. «Я не инженер, – сказал он. – Я компьютерщик». Он вспомнил, что в 1970-е годы, когда он еще только учился на компьютерщика, искусственный интеллект казался весьма многообещающим направлением, но потом наступили 1980-е, а затем и 1990-е, а обещания так и оставались обещаниями. И вот теперь они выполнены. «Это невероятно могущественная технология», – сказал он. Это ведь не просто средство обработки фотографий. В ИИ заложено будущее интернет-бизнеса Google стоимостью 75 миллиардов долларов³²², а также бесчисленных других отраслей, включая здравоохранение. Позже, когда они отправились наблюдать за игрой, проходившей несколькими этажами ниже, к Хассабису и Шмидту присоединился Джефф Дин. Само присутствие Шмидта и Дина показывало, насколько важен этот матч был для Google. Через три дня в Сеул прилетел и сам Сергей Брин³²³.

На протяжении первой партии Хассабис метался между приватным смотровым залом и аппаратным помещением в конце коридора, где размещалась система AlphaGo. Аппаратная была заполнена компьютерами, ноутбуками и дисплеями³²⁴, и все они были подключены к программе, запущенной одновременно на нескольких сотнях компьютеров в центрах обработки данных Google на другой стороне Тихого океана. За неделю до этого команда инженеров Google проложила в аппаратную собственный сверхскоростной волоконно-оптический кабель³²⁵, призванный обеспечить надежное подключение к интернету. Как оказалось, аппаратная не нуждалась в таком уж пристальном контроле: после нескольких месяцев тренировок система AlphaGo научилась играть совершенно самостоятельно, без участия человека. Да и не то чтобы Хассабис и его команда могли ей помочь, даже если бы захотели. Никто из них не играл в го на гроссмейстерском уровне. Им оставалось только наблюдать. «Не могу передать, какое это было напряжение³²⁶, – говорит Сильвер. – Трудно было понять, чему верить. С одной стороны, слушаешь комментаторов, с другой – смотришь на эволюцию AlphaGo. Да и среди комментаторов согласия не было».

В тот первый день матча они вместе со Шмидтом, Дином и другими важными персонами из Google стали свидетелями победы машины. На послематчевой пресс-конференции, сидя перед сотнями репортеров и фотографов, как местных, так и западных, Ли Седоль во всеуслышание заявил, что он в шоке³²⁷. «Я не представлял, что система AlphaGo будет играть в эту игру с таким совершенством», – сказал тридцатитрехлетний чемпион через переводчика. Игра продолжалась более четырех часов, и за это время машина доказала, что способна победить лучшего игрока мира, на что не была способна никакая другая машина. Ли сказал, что игровой талант AlphaGo застал его врасплох³²⁸. Во второй партии он изменит тактику³²⁹.

Примерно через час после начала второй партии Ли Седоль встал, вышел из игровой комнаты и вышел во внутренний дворик покурить. Пока он отсутствовал, Айя Хуан, тайваньский сотрудник DeepMind, который сидел в игровой комнате напротив Ли Седоля и физически делал ходы от имени AlphaGo, поместил черный камень в еще слабо заполненное пространство³³⁰ в правой части доски рядом с одиночным белым камнем, немного ниже его. Это был тридцать седьмой ход игры³³¹. В расположенной по соседству комментаторской Майкл Редмонд, единственный западный игрок в го, достигший девятого дана, то есть самого высокого ранга в этой игре, признался, что он в растерянности³³². «Я правда не знаю, хороший это ход или плохой»³³³, – сказал он, обращаясь к более чем двум миллионам англоязычных зрителей, наблюдавших за матчем в режиме онлайн. Его напарник Крис Гарлок, давний редактор интернет-журнала, посвященного го, и вице-президент Американской ассоциации го, впоследствии признался: «Я считал, что этот ход был ошибкой»³³⁴. Ли вернулся через четверть часа³³⁵ и потом столько же времени сидел в неподвижности, глядя на доску. Чтобы сделать ответный ход, ему потребовалось пятнадцать минут³³⁶ – а это была немалая часть общего двухчасового времени, выделенного ему на первую фазу партии. После этого неожиданного удара он так и не смог полностью прийти в себя. Четыре часа спустя он сдался³³⁷. Счет стал 2:0³³⁸.

Тридцать седьмой ход стал неожиданностью и для Фань Хуэя ³³⁹, который был разгромлен машиной несколькими месяцами ранее и после этого присоединился к команде DeepMind³⁴⁰, выступая в качестве спарринг-партнера для AlphaGo в преддверии матча с Ли Седолем. Ему ни разу не удалось обыграть искусственный интеллект DeepMind, но соперничество с AlphaGo открыло ему глаза на новые игровые приемы³⁴¹. Больше того, в течение нескольких недель после своего поражения от AlphaGo он одержал шесть побед подряд³⁴² над сильнейшими соперниками (в человеческом облике). Благодаря этому его мировой рейтинг резко вырос³⁴³. И вот теперь, когда он наблюдал за ходом игры рядом с комментаторской на седьмом этаже Four Seasons, ему потребовать несколько минут, чтобы осознать истинный смысл³⁴⁴ этого странного на первый взгляд 37-го хода. «Это нечеловеческий ход³⁴⁵. Я никогда не видел, чтобы человек так играл, – сказал он. – Прекрасный ход». И он продолжал повторять это слово³⁴⁶. Прекрасный. Прекрасный. Прекрасный.

На следующее утро Дэвид Сильвер проскользнул в аппаратную³⁴⁷, чтобы посмотреть, на какие такие расчеты опиралась система AlphaGo при выборе 37-го хода. В процессе каждой игры, опираясь на свой предыдущий анализ десятков миллионов сделанных людьми ходов, система AlphaGo рассчитывала вероятность того, что человек сделал бы тот или иной ход. Вероятность того, что на 37-м ходу человек поставил бы камень именно так, как это сделала машина, была один к десяти тысячам³⁴⁸. Таким образом, компьютер знал, что профессиональный игрок такой ход ни за что бы не сделал. И все же система сделала этот ход, опираясь на опыт миллионов игр, которые она провела сама против себя, – игр, в которых никакие люди не участвовали. Она пришла к пониманию, что, хотя ни один человек такой ход никогда бы не сделал, этот ход все равно был правильный. «Она открыла это для себя³⁴⁹, – говорит Сильвер, – в процессе самопознания и самоанализа».

Сладость победы, однако, была с привкусом горечи. Хотя Фань Хуэй назвал это момент прекрасным, чувство печали заполонило не только болельщиков, собравшихся в отеле Four Seasons, но и всю Корею. По дороге на послематчевую пресс-конференцию китайский журналист Фред Чжоу³⁵⁰ столкнулся с репортером журнала Wired, прилетевшим в Корею из США. Чжоу сказал, что он счастлив пообщаться³⁵¹ с другим журналистом, которого больше интересует техническая сторона вопроса, потому что большинство его коллег, пожаловался он, относятся к этому событию как к спортивному состязанию. А ведь они приехали сюда освещать успех искусственного интеллекта³⁵². Но затем его тон изменился. Он сказал, что, хотя победа AlphaGo в первой партии привела его в восторг³⁵³, после второй партии он испытывает глубокое отчаяние. При этом он постучал себя в грудь³⁵⁴, чтобы показать, что он имеет в виду. На следующий день О Хён Квон, владелец сеульского инкубатора стартапов, признался, что ему тоже грустно³⁵⁵. Не потому, что проигравший Ли Седоль тоже кореец³⁵⁶, а потому, что он человек. «Это поворотный момент³⁵⁷ для всего человечества, – сказал Квон, и при этом несколько его коллег согласно закивали. – Это заставляет нас осознать, что искусственный интеллект действительно рядом с нами, – и таящуюся в этом опасность осознать тоже». В последующие дни мрачное настроение только усилилось. Ли Седоль проиграл третью партию³⁵⁸, а значит, и весь матч. На послематчевой пресс-конференции кореец выглядел очень расстроенным. «Я не знаю, что мне сказать³⁵⁹, но думаю, что для начала я должен принести свои извинения, – сказал он. – Я должен был показать лучший результат, лучший счет, лучше играть». Через несколько минут, показывая, что он умеет достойно проигрывать, Марк Цукерберг опубликовал в своем Фейсбуке пост с поздравлениями Демису Хассабису и DeepMind. То же самое сделал Ян Лекун. Но, сидя рядом с Ли Седолем, Хассабис поймал себя на мысли³⁶⁰, что ему даже хочется, чтобы кореец выиграл хотя бы одну из двух оставшихся партий.

После семидесяти семи ходов в четвертой партии³⁶¹ Ли снова застыл. Повторялась ситуация, как во второй партии³⁶², только на этот раз корейцу потребовалось еще больше времени, чтобы найти следующий ход. Середина доски была заставлена камнями³⁶³, как черными, так и белыми, и почти двадцать минут он смотрел на эти камни, обхватив руками затылок и раскачиваясь взад-вперед. Наконец, он поставил свой белый камень³⁶⁴ между двумя черными в середине сетки, фактически разрезав доску надвое. После этого игра AlphaGo пошла наперекос³⁶⁵. По ходу каждой игры ИИ постоянно пересчитывал свои шансы на победу³⁶⁶, выводя их в процентной форме на дисплей в аппаратной. После семьдесят восьмого хода Ли машина ответила таким слабым ходом, что ее шансы на победу немедленно упали³⁶⁷. «Все расчеты, которые система делала до этого момента, оказались бесполезными³⁶⁸, – говорит Хассабис. – Надо было все начинать сначала». В этот момент Ли оторвал взгляд от доски и уставился на Хуана³⁶⁹, как если бы ему удалось переиграть этого человека, а не машину. После этого шансы машины продолжали падать³⁷⁰, и после почти пяти часов игры она сдалась.

Два дня спустя, проходя через вестибюль отеля Four Seasons, Хассабис на ходу объяснял, почему машина дала сбой³⁷¹. Система AlphaGo предполагала, что ни один человек³⁷² никогда не пойдет так, как пошел на 78-ом ходу Ли. Она оценивала вероятность такого развития событий как один к десяти тысячам³⁷³ – очень знакомая цифра. Подобно тому как это сделала машина до него, Ли Седоль вышел на новый уровень игры³⁷⁴, и он сказал об этом Хассабису во время их личной встречи в последний день матча. Кореец сказал, что игра с машиной³⁷⁵ не только разожгла его страсть к го, но и сняла с него шоры, открыла новые идеи. «Я уже стал лучше играть»³⁷⁶, – сказал он Хассабису, повторяя слова, сказанные несколькими днями ранее Фань Хуэем. После этого матча с компьютером Ли Седоль выиграл следующие девять матчей³⁷⁷ подряд против лучших игроков-людей.

Матч между AlphaGo и Ли Седолем стал моментом, когда новое движение искусственного интеллекта буквально взорвалось в общественном сознании. Это был знаменательный момент не только для разработчиков ИИ и технологических компаний, но и для простых людей на улице. Это можно отнести к жителям Соединенных Штатов, но еще больше к жителям Кореи и Китая – просто потому, что в этих странах умение играть в го рассматривается как вершина интеллектуальных способностей. Матч обнажил не только могущество этой технологии, но и существующие опасения, что однажды она затмит человека, но все же в первую очередь это был момент торжества оптимизма, показавший, в каких удивительных и неожиданных направлениях эта технология способна подтолкнуть человечество к новым высотам. В то время как Илон Маск продолжал предупреждать об угрозах, это был период самых высоких обещаний для ИИ. Прочитав о матче, Джорди Энсайн, сорокапятилетняя программистка из Флориды, сделала себе две татуировки³⁷⁸. На правой руке она наколола 37-й ход AlphaGo³⁷⁹, а на левой – 78-й ход Ли Седоля.

Офтальмологическая больница Aravind расположена на самом юге Индии, в центре многолюдного древнего города Мадурай. Каждый день более двух тысяч человек съезжаются в это обветшалое здание со всей Индии и даже из других стран. В больнице обслуживают каждого, кто переступает ее порог, вне зависимости от того, есть у него направление или нет и может ли он заплатить за обслуживание. Каждое утро десятки людей толпятся в залах ожидания на четвертом этаже, а еще десятки выстраиваются в коридорах, ожидая, когда их пригласят в крошечный кабинет, где лаборанты в халатах сделают снимки глазного дна. Это метод выявления признаков диабетического поражения глаз. В Индии около 70 миллионов человек страдают диабетом³⁸⁰, и все они подвержены риску ослепнуть. Это заболевание называется диабетической ретинопатией, и, если симптомы обнаружить достаточно рано, оно лечится и процесс можно остановить. Каждый год в таких больницах, как Aravind, сканируют миллионы глаз, а затем врачи исследуют каждый снимок, выискивая крошечные повреждения, кровоизлияния и тонкие изменения цвета, которые предвещают наступление слепоты.

Беда в том, что в Индии не хватает врачей. На один миллион человек приходится³⁸¹ всего одиннадцать офтальмологов, а в сельской местности это соотношение еще меньше. И большинству людей этот столь необходимый скрининг остается недоступен. Но в 2015 году инженер Google по имени Варун Гульшан решил попробовать изменить это положение вещей. Родившийся в Индии и получивший образование в Оксфорде, прежде чем присоединиться к стартапу из Кремниевой долины, который впоследствии был приобретен Google, он официально трудился над гаджетом виртуальной реальности под названием Google Cardboard. Но в свое свободное время, выделяемое компанией согласно правилу «20 процентов», он начал изучать диабетическую ретинопатию. Его идея состояла в том, чтобы создать систему глубокого обучения, которая могла бы автоматически – без помощи врача – проверять сетчатку глаз на признаки заболевания и таким образом выявлять гораздо больше людей, нуждающихся в лечении. Поэтому он связался с офтальмологической больницей Aravind, и там согласились поделиться тысячами цифровых снимков, которые были нужны для обучения его системы.

Гульшан и сам не понимал, как читать эти снимки. Он был компьютерщиком, а не врачом. Поэтому он и его босс связались с квалифицированным врачом и инженером-биомедиком по имени Лили Пэн, которая в то время работала над совершенствованием поисковой системы Google. Системы автоматического анализа снимков сетчатки пытались создавать в прошлом, но эти системы никак не могли заменить собой знания и навыки квалифицированного врача. На этот раз Гульшан и Пэн использовали глубокое обучение – и в этом была главная разница. Вводя в нейронную сеть тысячи снимков сетчатки из офтальмологической больницы Aravind, они научили ее автоматически распознавать признаки диабетической ретинопатии. Успех был такой, что Джефф Дин тут же переманил их в лабораторию Google Brain, и произошло это примерно в то же самое время, когда лаборатория DeepMind взялась за игру го. Пэн в связи с этим пошутила, что она рак, пустивший метастазы в гугловский мозг[5]. Это была не очень хорошая шутка, но аналогия была неплохая.

Тремя годами ранее, летом 2012 года, Merck & Co., одна из крупнейших в мире фармацевтических компаний, организовала конкурс на сайте Kaggle. Kaggle служит местом, где любая компания может организовать конкурс для специалистов по обработке данных, предлагая призовые деньги тем, кто справится с проблемой, требующей решения. Предложив приз в размере 40 000 долларов³⁸², компания Merck предоставила обширную базу данных, описывающих поведение определенного набора молекул, чтобы потенциальные участники попытались создать систему, способную предсказать, как эти группы молекул будут взаимодействовать с другими молекулами в человеческом теле. Смысл был в том, чтобы найти возможности ускорения процесса разработки новых лекарств. В конкурсе, который должен был продлиться два месяца, приняли участие двести тридцать шесть команд. Джордж Даль, бывший ученик Джеффа Хинтона, узнал об этом конкурсе, когда ехал на поезде из Сиэтла в Портленд, и решил принять участие. У него не было опыта в разработке лекарств, как не было и опыта в распознавании речи, пока он не создал систему, которая изменила судьбу всей этой отрасли. Он, правда, подозревал, что Хинтон не одобрит его участия в конкурсе. Но Хинтон сам любил говорить, что даже хочет, чтобы его ученики работали над тем, что ему самому не нравится. «Это что-то похожее на гёделевские парадоксы. Если он одобряет, что ты занимаешься тем, чего он не одобряет, это одобрение или неодобрение? – говорит Даль. – Джефф понимает пределы своих способностей. Его отличает интеллектуальная скромность. Он всегда открыт для сюрпризов, неожиданно возникающих возможностей».

Вернувшись в Торонто, Даль встретился с Хинтоном, и, когда тот спросил, над чем он работает, он рассказал ему о челлендже Merck.

– Я узнал об этом, когда ехал поездом в Портленд, и только начал обучать совершенно тупую нейронную сеть на данных, предоставленных Merck, – еще почти ничего не сделал, – как она уже на седьмом месте, – сказал Даль.

– А сколько еще продлится состязание? – спросил Хинтон.

– Две недели, – сказал Даль.

– Ну тогда ты должен победить, – сказал Хинтон.

Даль не был так уверен в своей победе. Он и не придавал этому проекту особого значения. Но Хинтон не унимался. Это был головокружительный этап в развитии техники глубокого обучения – как раз между успехами в области распознавания речи и триумфом с го, – и ему хотелось показать, насколько приспособляемыми и вездесущими могут быть нейронные сети. Теперь он называл эти сети «дреднетами» (отсылка к дредноутам, огромным боевым кораблям начала двадцатого века), убежденный в том, что они сметут все на своем пути. Далю же вспоминался старый русский анекдот, который рассказывал Илья Суцкевер: «У советских солдат, стрелявших по своим капиталистическим врагам, закончились снаряды. “Что значит – кончились снаряды? – говорит советский генерал сержанту, который докладывает ему о возникшей проблеме. – Ты же коммунист!” И армия продолжает стрелять». Раз Хинтон сказал, что они должны выиграть конкурс, Даль привлек себе в помощь Навдипа Джейтли и нескольких других разработчиков глубокого обучения из их лаборатории в Торонто – и они победили.

Этот конкурс позволил усовершенствовать метод разработки лекарств, называемый поиском количественных соотношений «структура-свойство», или QSAR, о котором Даль даже не слышал, пока работал над данными Merck. Как выразился Хинтон, «Джордж обыграл всех, даже не зная названия игры». Вскоре компания Merck добавила этот метод в свой арсенал долгих и извилистых процессов, необходимых для разработки новых лекарств. «Искусственный интеллект можно представить себе как большую математическую систему, которая видит закономерности там, где люди не видят ничего, – говорит Эрик Шмидт, бывший генеральный директор Google. – В биологии существует много паттернов, закономерностей, незаметных для человеческого глаза, и, когда их удается распознать, это позволяет нам разрабатывать лучшие лекарства и находить лучшие решения».

После успеха Даля бесчисленные компании бросились в эту обширнейшую сферу разработки и открытия лекарств. Среди них было множество стартапов, и в их числе компания из Сан-Франциско, основанная одним из коллег Джорджа Даля по Торонтскому университету. Были и фармацевтические гиганты типа Merck, которые, по крайней мере, много говорили о том, что эта работа коренным образом меняет весь их бизнес. Однако от того, чтобы полностью перестроить эту индустрию, все это было слишком далеко – хотя бы потому, что задача открытия лекарств невероятно сложна и отнимает много времени. Стоит иметь в виду, что успех Даля был обусловлен скорее некими техническими уловками, нежели реальным технологическим прорывом. Но это не означает, что потенциал нейронных сетей в медицине был менее интересен исследователям и предпринимателям, работающим в этой сфере.

Когда Илья Суцкевер опубликовал свою знаменитую статью «Последовательность к последовательности», которая привела к полной трансформации машинного перевода, он говорил, что на самом деле его статья вовсе не о переводе. Когда Джефф Дин и Грег Коррадо прочитали ее, они полностью огласились с этим. Они решили, что это идеальный способ анализа медицинских карт: если вводить в точно такую же нейронную сеть старые медицинские записи, она могла бы научиться распознавать признаки болезни. «Если сопоставить данные медицинской карты, на этой основе можно строить прогнозы, – говорит Дин. – Например, какова при таких-то медицинских показателях вероятность развития диабета в течение следующих 12 месяцев? Если их сегодня выписать из больницы, они вернутся через неделю?» Вскоре они с Коррадо создали специальную группу внутри Google Brain, чтобы изучить эту идею.

Именно в этой обстановке был запущен проект Лили Пэн, посвященный диагностике диабетической ретинопатии. Ему придавали такую значимость, что в лаборатории было создано специальное медицинское подразделение. Пэн и ее команда получили около ста тридцати тысяч цифровых снимков³⁸³ глаз из офтальмологической больницы Aravind и других источников и обратились к пятидесяти пяти американским офтальмологам, попросив их пометить³⁸⁴ те из снимков, на которых можно было заметить те крошечные повреждения сетчатки и кровоизлияния, указывавшие на опасность развития диабетической слепоты. После этого помеченные изображения были введены в нейронную сеть. А после такого тренинга система научилась самостоятельно распознавать признаки заболевания. Осенью 2016 года эта команда исследователей опубликовала статью в Journal of the American Medical Association, где представила систему, способную идентифицировать признаки диабетической ретинопатии³⁸⁵ так же точно, как это делают опытные врачи, – правильно определяя состояние пациента более чем в 90 процентах случаев³⁸⁶, что превышает стандарт точности (т. е. 80 процентов), рекомендуемый Национальными институтами здравоохранения США. Пэн и ее команда признали³⁸⁷, что в ближайшие годы этой технологии еще предстоит преодолеть многие нормативные и логистические препятствия, но к клиническим испытаниям она уже готова.

Одно испытание было проведено в офтальмологической больнице Aravind. Есть все основания надеяться на то, что система Google сможет помочь больнице справиться с постоянным притоком пациентов. Но еще больше надежд связывают с тем, что эта технология будет использоваться в масштабе всей сети Aravind, включавшей в себя более сорока офтальмологических центров, развернутых в сельских районах страны, где мало глазных врачей. Компания Aravind была основана в конце 1970-х годов Говиндаппой Венкатасвами, культовой фигурой, известной по всей Индии как «Доктор В.». Компания представляет из себя общенациональную сеть офтальмологических больниц и «центров», которые действуют наподобие франшиз McDonald’s, систематически обеспечивая недорогие формы офтальмологических услуг для людей по всей стране. Технология Google идеально укладывается в эту схему – если ее действительно смогут реализовать. Развернуть такую технологию – это не то, что раскрутить веб-сайт или приложение для смартфона. Основная трудность задачи заключается в необходимости убедить нужных людей, причем не только в Индии, но также в США и Великобритании, где тоже пытаются реализовать подобную технологию. Среди специалистов сферы здравоохранения и регулирующих органов широко распространено беспокойство, что нейронная сеть представляет собой непостижимый «черный ящик». Больничные врачи не имеют возможности объяснить, почему система выдала тот или иной диагноз, и это отличает новую технологию от предыдущих. Компания Google собрала специальную команду для поиска решения, но многие полагают, что это далеко не тривиальная проблема. «Не верьте тем, кто говорит, что это легко и просто»³⁸⁸, – заявил Джефф Хинтон в интервью журналу New Yorker, который посвятил подъему технологии глубокого обучения в сфере здравоохранения интереснейшую статью.

Тем не менее Хинтон считает, что по мере того, как Google продолжает работать над диагностикой диабетической ретинопатии, а другие исследователи разрабатывают системы для чтения рентгеновских снимков, МРТ и других цифровых форм диагностического исследования, глубокое обучение коренным образом изменит медицинскую отрасль. «Я думаю, что если вы работаете рентгенологом³⁸⁹, то вас можно сравнить с Хитрым койотом из известного мультфильма», – сказал он, выступая с лекцией в одной из больниц Торонто. – Ты уже выбежал за край обрыва, но еще не посмотрел вниз. А под тобой ничего нет». Он утверждал, что нейронные сети затмят³⁹⁰ собой даже самых опытных врачей, потому что будут продолжать совершенствоваться по мере того, как исследователи будут снабжать их еще большим количеством данных, и что с проблемой «черного ящика» людям нужно просто учиться уживаться. Хитрость в том, чтобы убедить мир, что никакой проблемы нет и что эффективность новой технологии проверяется на практике: нейронная сеть делает то, что должна делать, даже если вы не можете заглянуть вовнутрь и понять, как она это делает.

Хинтон верит, что машины, работающие бок о бок с врачами, в конечном итоге обеспечат немыслимый доселе уровень медицинского обслуживания³⁹¹. В ближайшее время, утверждает он, эти алгоритмы научатся читать рентгеновские снимки, результаты КТ и МРТ³⁹². Со временем они также научатся ставить диагнозы³⁹³, читать результаты цитологических мазков, выявлять шумы в сердце и предсказывать рецидивы психических заболеваний. «Здесь работы непочатый край³⁹⁴, – вздохнув, сказал Хинтон репортеру. – Своевременная и точная диагностика – нетривиальная проблема. Мы могли бы делать это лучше. Так почему бы не позволить машинам помочь нам?» Для него это особенно важно, добавил он, потому что у его жены рак поджелудочной железы обнаружили слишком поздно – когда вылечить его уже было нельзя.

После победы AlphaGo в Корее многие внутри Google Brain невзлюбили DeepMind, и между двумя лабораториями возник фундаментальный раскол. Возглавляемая Джеффом Дином лаборатория Google Brain ориентировалась на создание технологий, способных иметь непосредственное практическое применение: распознавание речи и изображений, машинный перевод, здравоохранение. Заявленной миссией лаборатории DeepMind был искусственный интеллект общего назначения, и она шла за этой звездой, обучая нейронные сети играм. Если лаборатория Google Brain была структурным подразделением Google, приносившим доход своей компании, то лаборатория DeepMind была практически независимым предприятием и руководствовалась своим собственным кодексом правил. Располагаясь в новом офисном здании Google, неподалеку от вокзала Сент-Панкрас в Лондоне, DeepMind занимала там отдельное крыло. Сотрудники DeepMind со своими фирменными бейджами могли попасть в отделение, занимаемое Google, а вот сотрудникам Google доступ на территорию DeepMind был закрыт. Это разделение еще больше усилилось после того, как Ларри Пейдж и Сергей Брин преобразовали несколько проектов и подразделений³⁹⁵ Google в отдельные предприятия и перевели их все под новую зонтичную компанию под названием Alphabet. Лаборатория DeepMind оказалась среди тех, кто приобрел самостоятельный статус. Напряжение между Google Brain и DeepMind было настолько велико, что обе лаборатории договорились провести своего рода саммит за закрытыми дверями в надежде разрядить ситуацию.

Мустафа Сулейман, которого все называли Лосем, был одним из основателей DeepMind, но по своим взглядам и характеру он, казалось, больше соответствовал Google Brain. Он хотел создавать технологии для сегодняшнего дня, а не для далекого будущего. Он не был ни геймером, ни нейробиологом, ни даже разработчиком искусственного интеллекта. Исключенный из Оксфорда, он создал телефон доверия для мусульманской молодежи и какое-то время работал в офисе мэра Лондона, занимаясь там вопросами прав человека. Он решительно не принадлежал к категории ботаников-интровертов, составлявших большинство среди тех, кто работал в сфере ИИ. Он был скорее хипстером и гордился тем, что знает все лучшие бары и рестораны как Лондона, так и Нью-Йорка, и всегда высказывал свое мнение громко и без обиняков. Когда Илон Маск праздновал свое сорокалетие на борту «Восточного экспресса», Сулейман был единственным представителем DeepMind на этой бурной вакханалии. Он любит повторять, что, когда они с Хассабисом росли вместе в Северном Лондоне, он не был занудой. Впрочем, они не были близкими друзьями. Позже Сулейман вспоминал, что в молодые годы, когда они с Хассабисом обсуждали, как они могли бы изменить мир, им редко удавалось найти общий язык³⁹⁶. Хассабис предлагал сложные модели³⁹⁷ глобальной финансовой системы, которые могли бы решить крупнейшие мировые социальные проблемы в отдаленном будущем, а Сулейман в облаках не витал, а концентрировался на настоящем. «Мы должны взаимодействовать с реальным миром уже сегодня»³⁹⁸, – говорил он. Это означало, что он по своему мировоззрению был еще дальше от другого основателя DeepMind, Шейна Легга, который так любил поговорить о перспективах сверхразума. По мнению некоторых сотрудников DeepMind, Сулейман в глубине души таил чувство зависти и обиды по отношению к Хассабису и Леггу, потому что они были учеными, а он – нет, и именно это побуждало его постоянно доказывать, что он не менее важен для DeepMind, чем они. По словам одного из их коллег, у него в голове не укладывается, как столь разные люди могли основать одну и ту же компанию.

Как и многие в Google Brain, Сулейман невзлюбил AlphaGo. Но не сразу. Поначалу теплое сияние, исходившее от этой машины, так хорошо игравшей в го, добавляло блеска и его собственному любимому проекту. Дело в том, что через три недели после того, как стало известно, что система AlphaGo победила Фань Хуэя, чемпиона Европы, Сулейман объявил о создании медицинского подразделения³⁹⁹, которое получило название DeepMind Health. Он вырос в Лондоне, рядом с Кингс-Кросс, и его мать работала медсестрой в системе Национальной службы здравоохранения (NHS), государственной организации, которая вот уже более семидесяти лет предоставляет бесплатное медицинское обслуживание всему населению Великобритании. Теперь его целью было поставить искусственный интеллект на службу мировым поставщикам медицинских услуг, начиная с NHS. И в каждом сообщении в СМИ, где упоминалось это новое подразделение, успех AlphaGo служил лишним доказательством того, что лаборатория DeepMind свое дело знает.

Первым крупным проектом DeepMind Health стала система прогнозирования острой почечной недостаточности. Каждый год у каждого пятого пациента, поступающего в больницу, развивается состояние, когда его почки внезапно перестают нормально работать и оказываются не в состоянии должным образом выводить токсины из кровотока. Иногда это приводит к необратимому повреждению почек, а в некоторых случаях заканчивается смертью. Но если это заболевание почек достаточно быстро выявляется, его можно остановить и вылечить. В рамках проекта DeepMind Health Сулейман хотел создать систему, которая могла бы прогнозировать острую почечную недостаточность, анализируя медицинскую информацию о пациенте, включая анализы крови, жизненно важные показатели и прошлую историю болезни. Но ему нужны были исходные данные для обучения системы.

Прежде чем представить новый проект, DeepMind подписала соглашение⁴⁰⁰ с Royal Free London NHS Foundation Trust, государственным трастовым фондом, в ведении которого было несколько британских больниц. Это позволило исследователям DeepMind получать данные о пациентах, которые они могли вводить в нейронную сеть, чтобы она могла понять, какие именно паттерны, то есть особые сочетания вводимых данных, позволяют прогнозировать острую почечную недостаточность. После того как проект был представлен общественности, машина AlphaGo отправилась в Корею и одолела Ли Седоля, отчего ее теплое свечение стало еще ярче. Затем, всего через несколько недель, журнал New Scientist опубликовал подробности соглашения между DeepMind и Royal Free London NHS Foundation Trust, из которого стало известно, какое количество данных было передано в лабораторию. Эта сделка дала DeepMind доступ к медицинским записям 1,6 миллиона пациентов⁴⁰¹, проходивших через три лондонские больницы, а также к записям за предыдущие пять лет, включая информацию о передозировке наркотиков, абортах, тестах на ВИЧ, патологических тестах, рентгенологических сканированиях и информацию обо всех случаях посещения ими больниц. Лаборатория DeepMind должна была удалить всю эту информацию после завершения обучения, но в Великобритании, которая придает особенно большое значение конфиденциальности цифровой информации, эта история вызвала дух недоверия, который будет следовать за DeepMind Health и Мустафой Сулейманом в течение многих лет. В июле следующего года британский регулятор постановил⁴⁰², что соглашение, согласно которому фонд Royal Free NHS Trust поделился своими данными с DeepMind, было незаконным.

В один из весенних дней 2016 года Ци Лу катался на велосипеде по парку в центре Бельвью, окруженном со всех сторон стеклянными небоскребами. Он с трудом ехал по велодорожке, постоянно раскачиваясь и едва удерживая равновесие. Это был необычный велосипед. Когда руль поворачивался влево, он двигался вправо, а когда руль поворачивал вправо, велосипед двигался влево. Ци Лу называл это «велосипедом, переворачивающим мозг», ведь для того, чтобы ездить на нем, нужно думать наоборот. Существует поверье, что если уж научился ездить на велосипеде, то разучиться невозможно, потому что вы уже никогда не забудете этот навык. Но именно этого Ци Лу и добивался – пытался забыть. Спустя десятилетия после того, как он, выросший в Шанхае, научился ездить на велосипеде, он стремился теперь стереть из сознания все, что знал раньше, и закрепить в своем мозгу совершенно новое поведение. Он полагал, что это покажет его компании путь вперед.

Лу работал в Microsoft. После прихода в компанию в 2009 году он курировал создание Bing, многомиллиардного ответа Microsoft на монополию поисковой системы Google. Семь лет спустя он был уже одним из самых влиятельных руководителей компании и возглавлял ее последний прорыв в области искусственного интеллекта. AlphaGo только что победила Ли Седоля в Корее, и Microsoft в соревновании с Google все время оставалась в роли догоняющей. Беда Microsoft, как Лу прекрасно знал, заключалась в том, что компания потратила годы на то, чтобы пробиться с новыми технологиями на новые рынки. Почти десять лет компания боролась за место на рынке смартфонов. Для этого ей пришлось перекроить свою операционную систему Windows, чтобы она могла конкурировать с Apple iPhone и целым миром телефонов на базе Google’овской операционной системы Android, создать виртуального голосового помощника, который мог бы бросить вызов технологиям распознавания речи, разрабатываемым в недрах Google Brain, и потратить не менее 7,6 миллиарда долларов на приобретение Nokia⁴⁰³, компании с десятилетним опытом разработки и продажи мобильных телефонов. Но из этого все равно ничего не вышло. Телефоны от Microsoft все равно воспринимались как старомодные ПК, и рынок они не заинтересовали. Проблема Microsoft, думал Лу, в том, что она пыталась решать новые задачи старыми методами. Она разрабатывала, внедряла и продвигала технологии для рынка, которого больше не существовало. Прочитав серию эссе одного профессора Гарвардской школы бизнеса, в которых он разбирал недостатки стареющих корпораций, Лу пришел к выводу, что Microsoft по-прежнему управляется процедурной памятью. В мозгах ее инженеров, руководителей и менеджеров среднего звена накрепко запечатлелись реалии, существовавшие тогда, когда они впервые встретились с компьютерным миром – а было это в 1980-е и 1990-е годы, еще до появления интернета, смартфонов, программного обеспечения с открытым исходным кодом и искусственного интеллекта. Компании необходимо было изменить свой образ мышления, и Лу надеялся продемонстрировать это со своим хитроумным велосипедом, заставляющим мыслить наоборот. Потому-то он и катался на нем по парку рядом со штаб-квартирой Microsoft, расположенной в Бельвью, в десяти милях к востоку от Сиэтла.

Велосипед сконструировал его коллега по Microsoft Билл Бакстон, которому помогала его подруга Джейн Каридж. Когда Лу выехал на первое испытание этого алогичного аппарата, они сопровождали его. В то время как Лу – крошечный человечек с коротко стриженными черными волосами, в очках в тонкой металлической оправе, в красной футболке и синей толстовке – катил по аллеям парка мимо тенистых деревьев и пруда с водопадом, Бакстон и Каридж снимали поездку на свои айфоны: кто-то спереди, кто-то сзади. Идея состояла в том, чтобы поделиться этим опытом с остальными руководителями Microsoft, доказать им, что это возможно, и в конечном итоге заставить их тоже сесть на велосипед: пусть все тридцать пять топ-менеджеров сделают это и на себе прочувствуют, каково это – изменить свое мышление столь фундаментальным образом. Лу понимал, что для того, чтобы научиться ездить на этом необычном велосипеде, потребуются недели, – и он знал, что как только он научится, те якобы незабываемые навыки езды на обычном велосипеде окончательно сотрутся из его памяти. Но он надеялся, что его пример станет тем толчком, который нужен Microsoft, чтобы устремиться в будущее.

Он уже двадцать минут боролся с этим непослушным велосипедом и, собираясь закругляться, решил в последний раз проехать по набережной. Поворачивая руль, он упал и сломал бедро.

За четыре года до этого, осенью 2012 года, Ли Дэн сидел за своим столом в Корпусе 99, в самом сердце научно-исследовательской лаборатории Microsoft, и читал еще не опубликованную статью с описанием масштабной аппаратно-программной системы⁴⁰⁴, которую новая лаборатория Google Brain использовала для обучения нейронных сетей. Это была система DistBelief, и, как член комиссии, рассматривавшей материалы для участия в предстоящей конференции NIPS, Дэн имел возможность изучить эти чертежи и описания на несколько недель раньше остального мира. С тех пор как Джефф Хинтон и его ученики по приглашению Дэна создали для лаборатории Microsoft нейронную сеть, способную распознавать произносимые слова с беспрецедентной точностью, Дэну оставалось лишь издалека наблюдать за тем, как Google опережает Microsoft на рынке с помощью той же самой технологии. Теперь он понимал, что применение этой технологии отнюдь не ограничится распознаванием речи. «Когда я прочитал статью, – вспоминает Дэн, – я наконец понял, чем занимается Google».

Компания Microsoft более двадцати лет вкладывала огромные средства в искусственный интеллект, платила большие деньги многим ведущим исследователям мирового масштаба, и, когда глубокое обучение вышло на первый план, это поставило компанию в невыгодное положение. На протяжении десятилетий мировое сообщество разработчиков ИИ делилось на разные фракции, исповедовавшие разные философские подходы. В своей истории искусственного интеллекта под названием «Верховный алгоритм» (Pedro Domingos, The Master Algorithm), профессор Вашингтонского университета Педро Домингос называет эти отдельные фракции «племенами»⁴⁰⁵. Каждое племя лелеяло свою собственную философию и смотрело свысока на философию других. Одно племя составляли коннекционисты, которые верили в глубокое обучение. Им противостояли символисты, которые верили в символические методы, отстаиваемые такими учеными, как Марвин Мински. Были и другие племена, верившие в разные идеи – от статистического анализа до «эволюционных алгоритмов», имитирующих естественный отбор. Microsoft включилась в погоню за ИИ как раз в то время, когда коннекционисты не были господствующим племенем. Компания нанимала людей из других племен, и это привело к тому, что даже тогда, когда глубокое обучение добилось оглушительных успехов и стало ясно, что другим технологиям за ним не угнаться, многие из ведущих исследователей компании продолжали относиться с глубоким предубеждением к самой идеи нейронных сетей. «Честно говоря, никто из ведущих специалистов Microsoft Research не верил в эту технологию, – говорит Ци Лу. – Такая вот сложилась обстановка».

Не только Ци Лу беспокоила культура, укоренившаяся в Microsoft. У Хинтона тоже были серьезные возражения. Ему не нравилось то, что в Microsoft, в отличие, скажем, от Google, исследователи работают сами по себе, делают что хотят, совершенно не испытывая давления со стороны других подразделений, движимых коммерческими интересами. «Когда я сам работал в чисто академической вузовской среде, я думал, что это здорово, потому что нам не нужно пачкать руки практикой, – говорит Хинтон. – Но если вы хотите реально распространить разрабатываемую технологию на миллиард человек, то здесь подход Google намного эффективнее». Его в свое время очень взволновала статья в Vanity Fair под названием «Потерянное десятилетие Microsoft»⁴⁰⁶, в которой десятилетний срок правления генерального директора Стива Балмера рассматривался глазами нынешних и бывших руководителей Microsoft. Одним из главных откровений в этой статье стало то, как при Балмере компания использовала систему жесткого ранжирования сотрудников⁴⁰⁷: по результатам аттестации работники формально делились на лучших и худших. От последних избавлялись, и компания потеряла из-за такой политики немалое количество многообещающих молодых специалистов. После того как Microsoft отказалась от борьбы за стартап Хинтона, он сказал Дэну, что в любом случае никогда бы не стал частью такой компании. «Дело тут не в деньгах. Дело в их отношении к людям, – сказал Хинтон. – Такая система отбора может быть эффективна по отношению к торговым агентам, но не к научным работникам».

Как бы то ни было, многие в Microsoft скептически относились к технологии глубокого обучения. Вице-президент компании по научно-исследовательской работе Питер Ли видел эту технологию в действии – когда Ли Дэн привез в Редмонд Джеффа Хинтона и тот создал новую систему распознавания речи для их лаборатории, – но все равно не верил. Он считал, что это был разовый успех. У него не было никаких оснований полагать, что эта технология окажется столь же удачной и в других научных направлениях. И вот однажды он отправился в Сноуберд, штат Юта, на слет руководителей кафедр информатики и компьютерных наук американских вузов. Хотя Ли давно ушел с поста заведующего кафедрой в Университете Карнеги – Меллона, он продолжал посещать эту ежегодную конференцию, чтобы идти в ногу с последними научными тенденциями, и на этом последнем совещании выступил Джефф Дин – как раз с докладом на тему глубокого обучения. Вернувшись, он договорился о встрече с Дэном в небольшом конференц-зале Корпуса 99 и попросил его объяснить, чем же так воодушевлен Дин. Дэн начал пересказывать ему статью о DistBelief и об огромных амбициях Google, объясняя, что главный конкурент Microsoft вовсю создает новую инфраструктуру для нового будущего. «Они тратят на это большие деньги», – сказал он. Но Ли остановил его, зная, что по правилам конференции NIPS Дэну не разрешалось обсуждать статью, пока она не опубликована. «Это научная работа, – сказал он Дэну. – Вы не должны мне ее показывать». Дэн больше не упоминал о статье, но продолжал говорить о Google, о Microsoft и о том, куда движется научно-технический прогресс. Однако Ли продолжал считать амбиции Google необоснованными. Распознавание речи – это одно, распознавание образов – совсем другое, и оба эти направления составляют лишь малую часть того, что должна уметь делать умная машина. «Я просто хотел узнать, что происходит», – сказал он. Но вскоре после этого разговора он попросил Дэна выступить на большом совещании руководства, где соберутся ведущие научные сотрудники и руководители Microsoft Research.

Они собрались в другом здании на территории кампуса, в гораздо более просторном зале. Дэн стоял на подиуме перед двумя дюжинами ученых, разработчиков и руководителей, а его ноутбук был подключен к плоскому экрану, который висел на стене за его спиной, готовый проиллюстрировать каждую важную мысль графиком, диаграммой или фотографией. Но когда он начал рассказывать о развитии технологии глубокого обучения – от создания системы распознавания речи в лаборатории Microsoft до ее распространения по всей отрасли, – его прервал голос из глубины зала. Это был Пол Виола, один из ведущих экспертов компании в области компьютерного зрения. «Нейронные сети никогда не работали», – сказал он. Дэн принял это возражение к сведению и вернулся к своей презентации. Виола снова перебил его, поднялся со своего места, вышел вперед, отключил ноутбук Дэна от плоской панели на стене и присоединил свой. На экране появилась обложка книги, преимущественно оранжевого цвета, с фиолетовыми завитками и названием из одного слова, напечатанного маленькими белыми буквами. Это были «Перцептроны» Марвина Мински. Уже несколько десятков лет назад, сказал Виола, Мински и Пейперт доказали, что нейронные сети имеют фундаментальные недостатки и никогда не достигнут обещанных многими высоких вершин. В конце концов Дэн продолжил свое выступление, но Виола продолжал ему мешать. Он перебивал так часто, что из зала раздался другой голос, попросивший его заткнуться. «Это чья презентация – Ли или ваша?» – произнес голос. Принадлежал он Ци Лу.

Ци Лу являет собой яркий пример космополитизма, присущего сообществу исследователей искусственного интеллекта, но, если оглянуться на его бэкграунд, кажется почти чудом, что ему удалось в это сообщество попасть. Он рос под воспитанием деда⁴⁰⁸ в нищей сельской глуши в разгар маоистской «культурной революции», мясо ел только раз в год, когда семья отмечала праздник прихода весны, и посещал школу, где на одного учителя приходилось 400 учеников. Однако он преодолел все эти трудности и сумел-таки в конце 1980-х годов получить диплом по специальности «Информатика» в Фуданьском университете в Шанхае, а затем привлечь к себе внимание американского ученого-компьютерщика Эдмунда Кларка, как раз в то время приехавшего в Китай в поиске талантов, которых он мог бы переманить в Питтсбург. В один из воскресных дней Кларк выступал с докладом в Фуданьском университете. Лу по воскресеньям обычно ездил через весь город на велосипеде навестить своих родителей, но в тот день шел сильный дождь, и он остался дома. И тогда же кто-то постучал к нему и убедил сходить на лекцию Кларка, дескать, из-за дождя слишком много мест в аудитории пустует. Так Лу попал на лекцию Кларка. Там он сразил лектора наповал своими вопросами из зала, и его пригласили подать заявление на место в аспирантуре Университета Карнеги – Меллона. «Мне очень повезло, – вспоминает он. – Если бы не дождь, я бы поехал к родителям».

Став аспирантом Университета Карнеги – Меллона, Лу еще плохо говорил по-английски. Одним из его преподавателей был Питер Ли, с которым они потом будут вместе работать в Microsoft. После первого года обучения Ли поручил своим аспирантам в качестве экзамена составить программу, способную отыскать по «зову природы» кратчайший путь до ближайшего туалета из любой точки университета. Когда задание было получено, Ци Лу встал, подошел к экзаменатору и спросил: «А что такое зов природы? Я никогда не слышал о такой программной процедуре». Несмотря на проблемы с языком, Ли сразу понял, что имеет дело с необычайно талантливым программистом. По окончании аспирантуры, Лу быстро сделал карьеру в компании Yahoo, а потом и в Microsoft. На тот момент, когда Ли Дэн выступал со своей презентацией перед ученым советом компании, Лу курировал разработку поисковика Bing и некоторые другие подразделения компании, тесно сотрудничающие с Microsoft Research.

Он видел себя редким техническим директором, который разбирается в технике, стратегом, а также системным архитектором, визионером, который читает научные статьи, публикуемые ведущими лабораториями мира. Он умел излагать свои идеи в форме четких, емких, немного странных технологических аксиом:

Информатика – это сознательное манипулирование информацией с определенной целью.

Информация становится основным средством производства.

Глубокое обучение – это информатика на новом субстрате.

Еще до совещания с руководством Microsoft Research он знал, куда движется эта отрасль науки. Как и Питер Ли, он незадолго до этого присутствовал на закрытом собрании компьютерщиков, где один из основателей Google Brain с воодушевлением рассказывал о росте технологии глубокого обучения. На мероприятии под названием Foo Camp, которое ежегодно проводится в Кремниевой долине и имеет статус «неконференции», где повестка дня не заранее готовится, а создается по ходу дела, он стал частью фракции, которая поддержала Эндрю Ына, когда тот отстаивал идеи, лежащие в основе «Статьи о кошках». Уже попав в Microsoft, Лу познакомился с новыми технологиями распознавания речи, которые принесли в компанию Хинтон и его ученики, но только после знакомства с Ыном он до конца осознал, что происходит. Работавшие под его началом инженеры кропотливо создавали каждую часть поисковой системы Microsoft Bing вручную. Но, как объяснил Ын, они могли бы создать системы, которые бы осваивали эти части самостоятельно. После он в типичной для себя манере начал методично штудировать научную литературу, поступающую из таких центров глубокого обучения, как Нью-Йоркский университет и Университет Торонто. В тот день, когда Дэн выступал с докладом о развитии глубокого обучения, Лу слушал и задавал правильные вопросы. Поэтому Дэн знал, что надо делать, когда несколько недель спустя получил письмо от Джеффа Хинтона, в котором тот сообщал, что компания Baidu предлагает ему 12 миллионов долларов. Он переслал письмо Ци Лу, и уже Лу призвал руководителей Microsoft Research присоединиться к аукциону и попробовать перекупить Хинтона и его учеников. Однако руководители Microsoft Research по-прежнему были настроены скептически.

Через несколько месяцев после несчастного случая в парке Бельвью Ци Лу вернулся на работу, но все еще ходил с тростью. Тем временем машина AlphaGo победила Ли Седоля, и всю технологическую индустрию охватила своего рода лихорадка из-за ИИ. Даже менее крупные компании Кремниевой долины – Nvidia, Twitter, Uber – старались найти себе место в этих гонках. Компания Twitter приобрела Madbits⁴⁰⁹, фирму, основанную Клеманом Фарабе из Нью-Йоркского университета, который отверг притязания Facebook, а компания Uber купила стартап под названием Geometric Intelligence⁴¹⁰, где организовалась группа ученых, собранных психологом Нью-Йоркского университета Гэри Маркусом. Технология глубокого обучения и ее разработчики стали самой ходовой валютой. И только Microsoft оставалась в стороне. Она не была интернет-компанией, не занималась производством смартфонов и не разрабатывала беспилотные автомобили. Она вообще не занималась ничем таким, где можно было бы использовать новейшие разработки в области искусственного интеллекта.

Придя в себя после первой операции на бедре, Лу призвал мозговой трест Microsoft принять идею беспилотного автомобиля. Многие технологические и автомобилестроительные компании уже имели огромную фору в этом направлении, и у Лу не было уверенности в том, что Microsoft сможет пробиться на этот и без того уже переполненный рынок. Но дело было не в этом. Его идея была не в том, чтобы Microsoft занялась продажей беспилотных автомобилей, а в том, чтобы Microsoft такой автомобиль создала. Это наделило бы компанию знаниями, навыками и технологиями, необходимыми для достижения успеха во многих других направлениях. Лу считал, что компания Google добилась превосходства на многих рынках, потому что создала свою поисковую систему в эпоху бурного расширения интернета. Инженеры вроде Джеффа Дина, как первопроходцы, были вынуждены создавать технологии, которые никто никогда не создавал, и в последующие годы эти технологии стали основой всего – от Gmail до YouTube и Android. «Дело не в том, что в Google пьют другую воду, – сказал он. – Работа над поисковой системой потребовала от них решения ряда научно-технических задач». Создание самоуправляемого автомобиля, по мнению Лу, точно так же станет заделом на будущее для Microsoft. «Мы должны поставить себя в такое положение, из которого можно увидеть будущее информационных технологий».

Идея выглядела нелепой, но она была не более нелепой, чем те, которые толкали вперед крупнейших конкурентов Microsoft. Разве не «нелепостью» выглядело то, что Google заплатила 44 миллиона долларов Хинтону и его ученикам? А всего несколько месяцев спустя, когда остальным компаниям, охотившимся за лучшими специалистами, приходилось раскошеливаться на куда более высокие суммы, эта покупка стала выглядеть очень даже выгодной. Победа AlphaGo в Корее, казалось, открыла целый мир новых возможностей, и теперь вся IT-индустрия гонялась за этой технологией, словно та содержала в себе ответ на все вопросы, хотя на самом деле ее будущее в других областях, помимо распознавания речи и изображений и машинного перевода, оставалось неясным. Лу так и не удалось убедить мозговой трест Microsoft заняться созданием беспилотного автомобиля, но перед лицом «лихорадки», охватившей индустрию, они хотя бы согласились: что-то в этом направлении предпринять необходимо.

Крупнейшие фигуры «революции глубокого обучения» уже работали на конкурентов. В Google оказались Хинтон, Суцкевер и Крижевский, а также Хассабис, Легг и Сильвер. У Facebook был Лекун. У Baidu – Эндрю Ын. И в этом мире, где такие фигуры, как Хинтон или Хассабис, были на вес золота – потому что обеспечивали понимание грядущих перемен, создание новых технологий, привлечение лучших талантов и, в довершение всего, способствовали продвижению корпоративного бренда, – у Microsoft ни одной фигуры такого масштаба не было.

Для Ци Лу единственной оставшейся кандидатурой был Йошуа Бенжио, третий отец-основатель движения глубокого обучения, который возглавил лабораторию в Монреальском университете, пока Хинтон и Лекун трудились в Торонто и Нью-Йорке. В отличие от Хинтона и Лекуна, Бенжио специализировался на теме понимания естественного языка – на создании систем, способных складывать слова воедино так, как это естественным образом делает человек. Он и его ученики стали соучастниками нового важного прорыва, когда создали – одновременно с Google и Baidu – новую систему машинного перевода. Загвоздка была в том, что, как и Лекун, под началом которого Бенжио когда-то работал в Bell Labs, он свято верил в свободу науки от коммерции. К лету 2016 года он уже отверг авансы всех крупных американских технологических компаний. Но Лу надеялся, что возможность переманить его в Microsoft все еще была – и Microsoft была готова заплатить за это столько, сколько потребуется. И вот в один прекрасный день, той же осенью, с благословения нового генерального директора компании Сатьи Наделлы, Ци Лу, Ли Дэн и еще один научный сотрудник Microsoft сели в самолет и с самого утра отправились в Монреаль.

Они встретились с Бенжио в его кабинете в университете, крошечной, заполненной книгами комнате, которая едва могла вместить их четверых. Бенжио – выделявшийся своими густыми бровями и курчавыми черными с проседью волосами – сразу же сказал им, что не станет работать в Microsoft, сколько бы денег они ни предлагали. Он говорил по-английски с едва заметным французским акцентом и держался очень серьезно, что одновременно придавало ему шарма и немного отпугивало. Он сказал, что предпочитает жить в Монреале, где может говорить на своем родном французском, и что ему дорога открытость академических исследований, для которой все еще нет места в корпоративном мире. Но разговор продолжался. Помимо работы в университете, у Бенжио были также другие направления деятельности, и, когда он сказал, что часть своего времени посвящает консультированию нового канадского стартапа под названием Maluuba, специализирующегося на системах распознавания речи, это дало Лу повод подойти к вопросу с другой стороны. Если Maluuba перейдет под контроль Microsoft, сказал он, тогда Бенжио сможет ту же часть своего времени продолжать работать консультантом, но уже по отношению к Microsoft. Еще не наступило обеденное время, когда Лу получил по электронной почте добро со стороны Наделлы и сделал устное предложение о приобретении Maluuba. Затем, ссылаясь на слова Наделлы, он добавил, что, если основатели стартапа согласятся на продажу, он уже сегодня же готов доставить их и Бенжио в Сиэтл, чтобы вечером подписать сделку.

Два основателя Maluuba согласились пообедать с ними в университетской столовой, но в Сиэтл они не полетели. Они отклонили предложение, заявив, что их стартапу, созданному всего несколько месяцев назад, еще надо немного подрасти. Лу продолжал давить, но они не поддавались, и Бенжио тоже. Он вообще не хотел говорить о бизнесе. Он хотел говорить об искусственном интеллекте. И когда они обсуждали ИИ и робототехнику и куда все это ведет, он мимоходом сказал, что роботам будущего нужно будет спать. Они должны спать, утверждал он, потому что им нужно видеть сны. Он считал, что будущее исследований ИИ – в системах, которые могут не только распознавать картинки и произносимые слова, но и синтезировать их самостоятельно. Сновидения играют жизненно важную роль в том, как люди учатся. Ночью мы мысленно проигрываем пережитое за день, фиксируя все это в памяти. То же самое однажды станет верно и для роботов.

Когда обед подошел к концу, Лу сказал всем троим, что его предложение остается в силе и они могут воспользоваться им когда захотят. Затем, прихрамывая и опираясь на трость, он покинул столовую. Примерно через год основатели Мaluuba все-таки согласились на предложение, и Бенжио стал консультантом Microsoft. Но сам Лу к тому времени уже покинул компанию. Первая операция на бедре, как оказалось, не дала желаемого результата: искривление позвоночника, из-за которого он не мог ходить ровно, отчего боль распространялась по всему телу, исправить не удалось. Когда он вернулся из Монреаля и врачи сообщили, что ему нужна еще одна операция, он сказал Наделле, что ему больше нет смысла оставаться в Microsoft. Процесс реабилитации займет слишком много времени, и он не больше сможет посвящать всего себя компании. Microsoft объявила о его уходе в сентябре 2016 года⁴¹¹. Пять месяцев спустя он вернулся в Китай и занял должность операционного директора в компании Baidu⁴¹².

Яна Гудфеллоу пригласили на собеседование в Facebook осенью 2013 года, и, прогуливаясь с Марком Цукербергом по двору кампуса, он слушал его философствования насчет DeepMind. В конце концов от предложения Цукерберга он отказался, отдав предпочтение работе в Google Brain. Но на тот момент его профессиональная жизнь зависла на паузе. Он решил остаться в Монреале, чтобы разобраться в своих отношениях с женщинами, с которыми он тогда только начал встречаться. И в любом случае ему нужно было ждать, когда соберется ученый совет для обсуждения его диссертации. Ранее он совершил ошибку, пригласив присоединиться к ученому совету Яна Лекуна – как раз перед тем, как компания Facebook представила свою новую лабораторию искусственного интеллекта. А еще он писал учебник по глубокому обучению, но работа шла не слишком гладко. По большей части он сидел, рисовал слонят и выкладывал их в интернет.

Он резко вышел из этого состояния ленивого дрейфа, когда один из его коллег по университетской лаборатории получил работу в DeepMind и в его честь устроили прощальную вечеринку в баре Les 3 Brasseurs («3 пивовара») на авеню Мон-Руаяль. Это было такое место, куда двадцать человек могли явиться без предупреждения, сдвинуть несколько столов вместе и залиться крафтовым пивом. Гудфеллоу был уже навеселе⁴¹³, когда коллеги начали спорить о том, как создать машину, которая могла бы сама синтезировать изображения с фотографической точностью – изображения собак, лягушек или человеческих лиц, которые выглядели бы совершенно реальными, хотя в реальности не существуют. Несколько сотрудников лаборатории уже пытались создать такую систему. Они знали, что могут обучить нейронную сеть распознавать изображения, а затем развернуть этот процесс в противоположную сторону, так чтобы система могла их генерировать. Именно этого добился сотрудник DeepMind Алекс Грейвс, когда создал систему, которая умела создавать текст, словно написанный от руки. Однако с детальными изображениями, требующими фотографической точности, система работала так себе. Результаты неизменно оказывались неубедительными.

Однако у коллег Гудфеллоу был план. Они намеревались статистически анализировать каждое изображение, выходящее из их нейронной сети, – определять частоту появления определенных пикселей и их яркость и выяснять, как они коррелируют с другими пикселями. Затем они хотели сравнить эту статистику с тем, что можно видеть на реальных фотографиях, а затем показать нейронной сети, где что не так. Загвоздка была в том, что они понятия не имели, как все это запрограммировать и занести в систему – ведь для этого могло потребоваться огромное количество статистических данных. Гудфеллоу считал проблему, с которой они столкнулись, непреодолимой. «Нужно будет отслеживать слишком много различных статистических данных, – сказал он. – И это не проблема программирования. Это проблема разработки алгоритма».

Он предложил радикально иное решение. Им нужно построить нейронную сеть, объяснил он, которая будет учиться у другой нейронной сети. Первая нейронная сеть создает изображение и пытается убедить вторую сеть, что речь идет о реальной фотографии. Вторая сеть замечает ошибки в изображении, созданном первой сетью, и указывает на них. Первая сеть делает очередную попытку, и так далее. Если эта дуэль между нейронными сетями продлится достаточно долго, им удастся создать изображение, неотличимое от реального. На коллег идея Гудфеллоу не произвела впечатления. Твоя идея, сказали они, еще хуже нашей. И если бы Гудфеллоу не был пьян, то наверняка пришел бы к такому же выводу. «Даже одну нейронную сеть сложно обучать, – сказал бы трезвый Гудфеллоу. – А уж сделать так, чтобы одна нейронная сеть, обучаясь сама, одновременно обучала другую сеть, вообще невозможно». Но на тот момент он был убежден, что все получится.

Домой он вернулся очень поздно, и его девушка уже спала. Когда он вошел, она проснулась, поздоровалась и снова заснула. Тогда он сел за свой рабочий стол рядом с кроватью. Так он сидел в темноте, все еще пьяноватый, и только экран ноутбука освещал его лицо. «Мои друзья ошибаются!»⁴¹⁴ – твердил он себе. За ночь, пока его подруга спала рядом, он составил программу для задуманной им дуэли сетей, используя старый программный код из других проектов, и обучил эту новую систему на нескольких сотнях фотографий. Через несколько часов все заработало, как он и предсказывал. Изображения были крошечными, не больше ногтя. Да, они были немного расплывчатыми. Но они выглядели как настоящие фотографии. Впоследствии он говорил, что это было счастливое стечение обстоятельств⁴¹⁵. «Если бы в тот момент у меня ничего не вышло⁴¹⁶, я, возможно, вообще отказался бы от этой затеи». В статье, которую он затем опубликовал по этой теме, он назвал их «генеративно-состязательными сетями», или GAN. С тех пор во всем мировом сообществе разработчиков ИИ его стали называть «The GANfather» («отцом gan», как godfather – «крестный отец»).

Ко времени своего перехода в Google летом 2014 года он уже продвигал идею генеративно-состязательных сетей как способа ускорения прогресса в разработке искусственного интеллекта. Обосновывая эту идею, он часто ссылался на Ричарда Фейнмана, который говорил: «Я не понимаю того, что не могу воссоздать». Именно об этом спорил Йошуа Бенжио, научный руководитель Гудфеллоу в Монреальском университете, в кафе рядом с университетом, когда его обхаживали эмиссары из Microsoft. Подобно Хинтону, Бенжио и Гудфеллоу считали, что искусственный интеллект неспособен понять то, что он не может создать. Все они утверждали, что именно созидание поможет машинам понять окружающий мир. «Если ИИ способен вообразить мир во всех реалистичных подробностях – если он может научиться создавать реалистичные образы и реалистичные звуки, – это поможет ему лучше понимать структуру мира, который действительно существует, – говорит Гудфеллоу. – Это поможет искусственному интеллекту лучше понимать образы, которые он видит, или звуки, которые он слышит». Как и распознавание речи, распознавание образов и машинный перевод, генеративно-состязательные сети были еще одним скачком вперед для глубокого обучения. По крайней мере, так считали исследователи глубокого обучения.

В своем выступлении в Университете Карнеги – Меллона в ноябре 2016 года Ян Лекун назвал генеративно-состязательные сети «самой крутой идеей в области глубокого обучения за последние двадцать лет»⁴¹⁷. Когда Джефф Хинтон услышал это, он сделал вид, что отсчитывает годы назад, как будто хотел сравнить генеративно-состязательные сети по степени «крутизны» с методом обратного распространения ошибки, и затем признал, что утверждение Лекуна было недалеким от истины. Работа Гудфеллоу повлекла за собой длинный ряд проектов, которые совершенствовали, расширяли и подвергали проверке его большую идею. Ученые из Университета Вайоминга создали систему⁴¹⁸, которая генерировала крошечные, но идеальные изображения насекомых, церквей, вулканов, ресторанов, каньонов и банкетных залов. Команда из Nvidia построила нейронную сеть⁴¹⁹, которая могла «проглотить» фотографию летнего дня и превратить ее в зимний пейзаж. Группа ученых из Калифорнийского университета в Беркли разработала систему⁴²⁰, которая преобразовывала лошадей в зебр, а картины Моне – в картины Ван Гога. Это были чрезвычайно интересные и удивительные проекты, как теоретического, так и прикладного характера. А потом все изменилось.

В ноябре 2016 года – в тот самый месяц, когда Ян Лекун в своем выступлении назвал генеративно-состязательные сети самой крутой идеей в области глубокого обучения за последние двадцать лет, – Дональд Трамп одержал победу над Хиллари Клинтон. И это вызвало настоящий сейсмический сдвиг не только во внутри- и внешнеполитической жизни США, но также и в сфере разработок искусственного интеллекта. Во-первых, введенные новой администрацией ограничения на иммиграцию вызывали беспокойство по поводу возможностей перемещения талантливых кадров. Число иностранных студентов, обучающихся в Соединенных Штатах⁴²¹, и без того сокращалось, а теперь резко пошло на спад, отчего начало страдать американское естественнонаучное и математическое сообщество, которое сильно полагалось на иностранные кадры. «Мы стреляем себе в голову, – говорил Орен Энциони, директор Института искусственного интеллекта имени Аллена, влиятельной научно-исследовательской лаборатории, базирующейся в Сиэтле. – Даже не в ногу. В голову».

Крупные компании уже расширяли свою деятельность за рубежом. Facebook открыла лаборатории искусственного интеллекта в Монреале и в Париже, родном городе Яна Лекуна. Microsoft в итоге купила стартап Maluuba⁴²², который стал ее собственной лабораторией в Монреале (с Йошуа Бенжио в качестве дорогостоящего консультанта). А Джефф Хинтон, вместо того чтобы проводить время в Маунтин-Вью, открыл лабораторию Google в Торонто. Он сделал это отчасти для того, чтобы иметь возможность заботиться о своей жене, которая продолжала бороться с онкологией. Она часто приезжала к нему в Северную Калифорнию, где они проводили выходные в Биг-Суре, одном из ее любимых мест отдыха. Но ее здоровье становилось все хуже, и приезжать она могла все реже. Но она непреклонно настаивала на том, чтобы Хинтон продолжал свою работу, и, когда он перенес свою работу в Торонто, это пошло на благо всем.

Последствия иммиграционной политики администрации Трампа ярко проявились уже в апреле 2017 года, всего через три месяца после его вступления в должность, когда Хинтон помог открыть в Торонто научный инкубатор под названием Институт искусственного интеллекта Vector⁴²³. Проект был подкреплен финансированием в размере 130 миллионов долларов⁴²⁴, включая поступления от таких американских гигантов, как Google и Nvidia, но смысл его существования состоял в том, чтобы способствовать появлению и развитию новых канадских стартапов. Премьер-министр Канады Джастин Трюдо пообещал 93 миллиона долларов⁴²⁵ на поддержку центров разработки ИИ в Торонто и Монреале, а также в Эдмонтоне. Тернистый карьерный путь одной из ключевых помощниц Хинтона, молодой исследовательницы по имени Сара Сабур, ярко иллюстрировал международный характер разработок ИИ и их восприимчивость к политическому вмешательству. В 2013 году, получив диплом по информатике в иранском Технологическом университете имени Шарифа, Сабур подала заявление в аспирантуру Вашингтонского университета, надеясь заниматься там компьютерным зрением и другими формами ИИ, и ее приняли. Но американские власти отказали ей в визе – только потому, что она выросла и училась в Иране и намеревалась специализироваться в области компьютерного зрения, технологии, которая потенциально может быть использована в военных и разведывательных целях. На следующий год она поступила в Университет Торонто, откуда пришла к Хинтону в Google.

Тем временем администрация Трампа продолжала наращивать политику сдерживания иммиграции. «Американские компании получают от этого краткосрочную выгоду, – говорил Адам Сигал, специалист по новым технологиям и национальной безопасности в Совете по международным отношениям. – Но в долгосрочной перспективе это Америке в ущерб, потому что технологии совершенствуются и новые рабочие места создаются где угодно, только не у нас». По словам Эндрю Мура, декана факультета информатики в Университете Карнеги – Меллона, одного из центров исследований искусственного интеллекта в Соединенных Штатах, ситуация была близка к тому, чтобы не спать из-за нее по ночам. Один из коллег Мура, Гарт Гибсон, покинул Университет Карнеги – Меллона, чтобы возглавить Vector Institute в Торонто. Семь других профессоров уехали в Швейцарию, потому что тамошние университеты предлагали гораздо лучшие условия для такого рода исследований, чем это было в США. «Ситуация напоминает вялотекущий “Спутниковый кризис”, и Соединенные Штаты проигрывают в этом соревновании», – утверждал Мур.

Но отток талантов был все же не самой главной переменой в исследованиях ИИ, связанной с приходом Трампа в Овальный кабинет. С момента окончания выборов национальные СМИ всерьез заговорили о том, какое влияние на исход выборов могла оказать кампания дезинформации в интернете, выражая глубокую озабоченность по поводу растущей роли «фейковых новостей». Марк Цукерберг поначалу отверг роль онлайновой дезинформации в своем публичном выступлении в Кремниевой долине через несколько дней после выборов, беспечно назвав «совершенно безумной» идею⁴²⁶ о том, что настроения избирателей могли быть были поколеблены фальшивыми новостями. Хор отвергающих эту идею репортеров, законодателей, ученых мужей и частных лиц, однако, вскоре поутих. Истина заключалась в том, что проблема массовой дезинформации во время выборов действительно имела место, особенно в социальной сети Facebook, где сотни тысяч, а возможно даже миллионы людей, распространяли выдуманные истории с громкими заголовками типа «Агент ФБР, подозреваемый в утечке электронной почты Хиллари, обнаружен мертвым: подозревается убийство-самоубийство»⁴²⁷ или «Папа Франциск шокирует мир, поддерживая кандидатуру Дональда Трампа на пост президента». Озабоченность только возросла, когда служба безопасности Facebook обнаружила, что российская компания⁴²⁸, имеющая связи с Кремлем, потратила более 100 000 долларов на объявления, которые распространялись на правах рекламы через четыреста семьдесят поддельных аккаунтов и страниц и были посвящены таким острым и болезненным вопросам, как расовая дискриминация, контроль над оружием, права геев и иммиграция. И все это заставило общественность под другим углом взглянуть на генеративно-состязательные сети и сходные технологии. Эти технологии, казалось, как раз и позволяли массово генерировать фальшивые новости.

Мало того, исследователи сами способствовали этой шумихе. Ученые из Вашингтонского университета⁴²⁹, один из которых вскоре перешел в Facebook, использовали нейронную сеть для создания фальшивого видеоролика, где в уста Барака Обамы вкладывались новые слова. Инженеры одного из китайских стартапов, использовали аналогичные методы⁴³⁰, чтобы «научить» Дональда Трампа говорить по-китайски. Фальсификация изображений сама по себе не была чем-то новым. Люди использовали различные технологии обработки фотоснимков с самого зарождения фотографии, а с возникновением в компьютерную эпоху таких инструментов, как Photoshop, у каждого появилась возможность редактировать как фотографии, так и видео. Проблема была в том, что благодаря новым методам глубокого обучения машины могли научиться решать эту задачу – или, по крайней мере, часть задачи – самостоятельно, что грозило значительно упростить процесс массовой фальсификации. Вместо того чтобы платить сотрудникам «фабрик троллей» за создание и распространение фальшивых изображений и фальшивых видео, организаторы политических кампаний, государственные органы, активисты и мятежники в потенциале могли бы создавать такие системы, чтобы они выполняли эту работу в автоматическом режиме.

На момент выборов до полной реализации потенциальных возможностей ИИ в плане манипулирования изображениями оставалось еще несколько месяцев. На то время генеративно-состязательные сети были способны генерировать только миниатюрные изображения, а для создания систем, которые вкладывали различные слова в уста политиков, все еще требовалось много человеческого труда и большой опыт. Но уже через год после победы Трампа, группа исследователей из лаборатории Nvidia в Финляндии представила⁴³¹ новую, «прогрессивную» модификацию генеративно-состязательных сетей, которая уже могла создавать полноразмерные изображения растений, лошадей, автобусов и велосипедов, внешне неотличимых от настоящих. Но основное внимание привлекло генерирование человеческих лиц. Проанализировав тысячи фотографий знаменитостей, система Nvidia могла создать лицо, которое походило бы на ту или иную знаменитость, но все-таки и отличалось бы от нее, – которое напоминало бы вам Дженнифер Энистон или Селену Гомес, но не было бы лицом ни той, ни другой. Эти выдуманные лица казались совершенно настоящими, со своими морщинами, порами, тенями и собственным характером. «Технология развивалась стремительно, – говорит Филлип Изола, профессор Массачусетского технологического института, который участвовал в разработке этих методов. – Она очень быстро прошла путь от “Что ж, это действительно интересная академическая задача, но это невозможно использовать для создания фальшивых новостей, ведь получаются лишь маленькие размытые пятна” до “Ого, вы действительно можете создавать фотореалистичные лица”».

Спустя несколько дней после того, как Nvidia представила технологию, и за несколько минут до начала выступления Яна Гудфеллоу на небольшой конференции⁴³² в Бостоне, кто-то из репортеров попросил его поделиться своим мнением о происходящем. Гудфеллоу признал, что любой человек⁴³³ уже может создавать фальшивые изображения с помощью Photoshop, но он также сказал, что задача становится все проще. «Мы просто ускоряем процесс, который и так уже возможен»⁴³⁴, – заявил он. Одетый в черную рубашку и синие джинсы, с эспаньолкой и челкой, он сочетал в своем облике и манере разговора образ ботана и одновременно «крутизны». По мере того, как эти методы будут совершенствоваться, объяснил он, они положат конец эпохе⁴³⁵, когда фотографии и видео были доказательством того, что что-то действительно имело место. «В историческом разрезе возможность полагаться на видеозаписи как на свидетельство того, что что-то действительно произошло, надо признать мимолетной удачей⁴³⁶, – сказал он. – В прошлом нам приходилось много размышлять над тем, кто что сказал и почему он так сказал и кому в каких вопросах можно доверять. И теперь мы, кажется, возвращаемся к тем временам». Но это возращение будет трудным⁴³⁷. «К сожалению, в наши дни люди разучились критически мыслить⁴³⁸. В вопросе о том, кто заслуживает доверия, а кто нет, мы, как правило, руководствуемся трайбализмом». Наверняка нас ждет тяжелый переходный период⁴³⁹, период адаптации. «Есть много других направлений, где искусственный интеллект открывает двери⁴⁴⁰, которые мы никогда раньше не открывали. И мы действительно не знаем, что находится по ту сторону, – сказал он. – Но в данном случае складывается впечатление, что ИИ, наоборот, закрывает некоторые из тех дверей, которые наше поколение привыкло держать открытыми».

Этот период адаптации начался почти мгновенно – когда некто, называющий себя Deepfakes⁴⁴¹, начал вставлять лица знаменитостей в порнофильмы и выкладывать их в интернет. После того как этот анонимный шутник распространил программное приложение, которое позволяло делать такие фокусы, подобные видео начали массово появляться на онлайновых форумах, в социальных сетях и на видеосайтах, таких как YouTube. Кто-то использовал лицо Мишель Обамы, кто-то проделывал эти фокусы с Николасом Кейджем. Такие сервисы, как PornHub, Reddit и Twitter, вскоре запретили подобную практику⁴⁴², но не раньше, чем идея просочилась в мейнстримные СМИ. Термин deepfake («дипфейк») вошел в лексикон, став обозначением для любого видео, созданного с использованием ИИ и распространяемого онлайн.

Сам будучи активным разработчиком искусственного интеллекта, Ян Гудфеллоу начал разделять растущее в обществе беспокойство по поводу слишком быстрого развития этой технологии, и речь шла о более приземленных, непосредственных опасностях, нежели потенциальная глобальная угроза со стороны сверхразума, о которой предостерегает Илон Маск. Генеративно-состязательные сети были только частью проблемы. Когда Гудфеллоу только перешел в Google, он начал изучать особый метод работы с нейронными сетями⁴⁴³, называемый «состязательными атаками», и показал, что нейронную сеть можно обмануть, заставив ее видеть или слышать то, чего на самом деле нет. Просто меняя несколько пикселей на фотографии слона⁴⁴⁴ – поправка, совершенно незаметная для человеческого глаза, – он мог обмануть нейронную сеть, заставляя ее думать, что этот слон на самом деле является автомобилем. Когда нейронная сеть обучается на достаточно большом множестве образцов, такие мелкие, совершенно незаметные искажения могут вкрадываться в процесс обучения⁴⁴⁵ – и об этом никто не догадывается. Этот феномен особенно тревожил в той связи, что эти алгоритмы используются при разработке беспилотных автомобилей, помогая им распознавать пешеходов, транспортные средства, уличные знаки и другие объекты на дороге. Вскоре группа исследователей показала⁴⁴⁶, что, прикрепив несколько бумажных наклеек на знак «Стоп», они могут обмануть беспилотный автомобиль, заставив его думать, что никакого знака там нет. Гудфеллоу предупредил, что то же самое явление⁴⁴⁷ может подорвать доверие также и к другим практическим приложениям этой идеи. Финансовые фирмы, сказал он⁴⁴⁸, могли бы применять этот метод к автоматическим торговым системам, совершая несколько сделок, предназначенных для того, чтобы обманом побудить своих конкурентов сбросить акции по сниженной цене, а затем начать снова скупать акции, наращивая их цену, прежде чем они рухнут до своей истинной стоимости.

Весной 2016 года Гудфеллоу покинул компанию Google, не проработав там и двух лет, чтобы продолжить свои исследования в новой лаборатории OpenAI, куда его привлекла заявленная ими миссия: создавать искусственный интеллект на этических принципах и открыто делиться своими открытиями и разработками с внешним миром. Его работа, включающая как генеративно-состязательные сети, так и состязательные атаки, идеально соответствовала этой миссии. Он хотел показать, какими могут быть последствия этих явлений и как мир мог бы с этим справиться. Кроме того, как позже стало известно из налоговой документации лаборатории, он получил 800 000 долларов⁴⁴⁹ только за последние девять месяцев года (включая бонус за подписание контракта в размере 600 000 долларов). Но проработал он в OpenAI немногим больше девяти месяцев. В следующем году он вернулся обратно в Google, когда Джефф Дин создал новую группу внутри Google Brain, посвященную вопросам безопасности ИИ. Учитывая высокий авторитет Гудфеллоу в научном сообществе и в технологической индустрии в целом, этот шаг стал болезненным ударом для OpenAI. Эта история также показала, что бесконтрольное развитие искусственного интеллекта волновало уже не только одну лабораторию.

Весной 2017 года, через год после матча в Корее, AlphaGo сыграла свой следующий матч в Учжэне, древнем городе на воде в восьмидесяти милях к югу от Шанхая вдоль реки Янцзы. Живописные пруды с лилиями, каменные мосты и узкие лодочные каналы, змеящиеся между рядами небольших деревянных домов, увенчанных черепичными крышами – вот как выглядел городок Учжэнь столетия назад, и почти так же он мог бы выглядеть сейчас – если бы не гигантский конференц-центр площадью в почти двадцать тысяч квадратных метров⁴⁵⁰, раскинувшийся среди рисовых полей. По своей архитектуре он такой же, как и деревянные дома, разбросанные по всему Учжэню. На его крышу ушло более 2,5 миллиарда плиток черепицы⁴⁵¹. Он был построен для проведения Всемирной интернет-конференции⁴⁵², ежегодного собрания, где китайские власти трубят о развитии новых интернет-технологий и одновременно устанавливают новые методы регулирования интернета и контроля за распространением информации, и вот теперь стал местом проведения матча между системой AlphaGo и китайским гроссмейстером Кэ Цзе, на тот момент лучшим игроком в го в мировом рейтинге.

Утром в день первой игры в отдельной комнате, расположенной сбоку от напоминающего пещеру зрительного зала, где должен был состояться матч, Демис Хассабис сидел в огромном мягком кресле⁴⁵³ кремового цвета, стоявшем у стены, окрашенной в цвет послеполуденного неба. Это была тема оформления всего здания: затянутое облаками послеполуденное небо. Одетый в темно-синий костюм с маленькой круглой булавкой лазурного оттенка⁴⁵⁴ на лацкане и без галстука, он выглядел старше и элегантнее, чем год назад. Система AlphaGo за это время тоже стала старше, мудрее и талантливее, говорил он. После матча в Корее лаборатория DeepMind потратила несколько месяцев на дальнейшее совершенствование конструкции машины, а сама она потратила еще больше времени, играя матч за матчем против себя самой и осваивая новые навыки и хитрости, учась на собственных ошибках и удачах. Хассабис был уверен, что машине теперь не грозит своего рода внезапный нервный срыв, который случился с ней во время четвертой партии в Корее, когда Ли Седоль с 78-м ходом обнаружил большой пробел в ее понимании игры. «Занимаясь новой архитектурой, мы в основном и пытались закрыть эту брешь», – сказал Хассабис. Новая архитектура была также и более эффективной. Теперь машина могла тренировать себя гораздо быстрее и после обучения могла работать на одном процессоре (тензорном процессоре Google, естественно). Хотя Хассабис и не говорил этого напрямую, но уже тогда, перед первым ходом первой партии, было ясно, что у девятнадцатилетнего Кэ Цзе не было шансов на победу. Компания Google организовала этот матч как прощальный тур для AlphaGo – а заодно надеялась таким образом облегчить себе возвращение в Китай.

Дело в том, что в 2010 году Google внезапно и со скандалом ушла из Китая⁴⁵⁵ и перебазировала свою поисковую систему на китайском языке в Гонконг – после того, как обвинила правительство во взломе своей корпоративной сети и проникновении в почтовые аккаунты правозащитников. Ларри Пейдж, Сергей Брин и Эрик Шмидт дали понять китайским властям, что Google уходит не только из-за взлома, но и потому, что больше не может терпеть государственную цензуру новостей, веб-сайтов и социальных сетей в поисковой системе Google. Новые гонконгские серверы располагались за пределами того, что на Западе называют «Великим китайским файрволом». Несколько недель спустя, как и предполагали руководители Google, пекинские власти опустили занавес перед этими гонконгскими машинами, полностью заблокировав Google в материковой части Китая, и так продолжалось в течение семи лет. Но к 2017 году Google был уже не тем, что раньше. Создавая Alphabet, зонтичную компанию, которая курировала деятельность Google, DeepMind и других дочерних компаний, Пейдж и Брин отошли от непосредственного руководства технологическим гигантом, созданного ими за предыдущие два десятилетия, отдав каждую компанию в руки других руководителей и как будто готовясь уйти на покой. Новый генеральный директор Google Сундар Пичаи решил пересмотреть отношения с Китаем. Этот рынок слишком велик, чтобы его игнорировать. В Китае интернетом пользуется больше людей⁴⁵⁶, чем в Соединенных Штатах, – около 680 миллионов, – и это число продолжает расти с такой скоростью, с которой не может сравниться никакая другая страна. И компания стала искать возможности для возвращения.

Идеальным средством для достижения этой цели была AlphaGo. В Китае го является национальной игрой. По оценкам, 60 миллионов китайцев смотрели матч машины против Ли Седоля⁴⁵⁷, когда он транслировался по интернету. И когда компания Google вновь обратила свой взор на Китай, одной из ее главных целей было продвижение на тамошний рынок своих достижений в области искусственного интеллекта. Еще до поединка AlphaGo с Ли Седолем руководители Google и DeepMind обсуждали между собой возможность проведения матча в Китае, что проложило бы путь на китайский рынок для поисковой системы Google и многих других онлайн-сервисов компании, и после шумного успеха в Корее эта идея прочно завладела умами «гуглеров». Они рассматривали это как аналог «пинг-понговой дипломатии» – серии матчей по настольному теннису, организованной Соединенными Штатами в Китае в 1970-х годах в целях размораживания дипломатических отношений между двумя странами. Весь следующий год руководство Google готовилось к визиту системы AlphaGo и сопровождающих ее лиц в Китай, встрече с тамошним министром спорта и организации онлайновой и телевизионной трансляции матча. Сундар Пичай трижды ездил в Китай перед матчем и лично познакомился с Кэ Цзе, новым соперником AlphaGo. Они сфотографировались вдвоем на Великой Китайской стене. Помимо самого матча, Google организовала симпозиум по ИИ, который прошел в том же конференц-центре между первой и второй партиями. Джефф Дин и Эрик Шмидт тоже приехали в Китай, и оба были настроены выступить во время этой однодневной мини-конференции. На матч в Учжэнь съехались десятки китайских журналистов, и еще больше журналистов приехало из других стран. Когда Демис Хассабис проходил через конференц-центр перед первой партией, его фотографировали как поп-звезду.

Позже тем же утром, в то самое время, когда Хассабис описывал продолжающуюся эволюцию AlphaGo в комнате с изображенным на стене послеполуденным небом, в зрительном зале Кэ Цзе сделал первый ход матча. По всей стране миллионы людей приготовились наблюдать за происходящим с экранов телевизоров и компьютеров. Но не вышло. В соответствии с негласным распоряжением, разосланным всем китайским СМИ в Учжэне⁴⁵⁸, правительство запретило все онлайновые и телевизионные трансляции матча. В Китае матч могли увидеть только те несколько сотен человек, которые прошли через ворота, ведущие в Учжэнь, мимо вооруженной охраны, мимо контролеров с электронными считывателями бейджиков, а затем еще через металлоискатели перед конференц-центром. Газеты и новостные сайты могли освещать матч⁴⁵⁹, но при этом им запрещалось использовать слово «Google». Пока шли первые ходы матча, Хассабис продолжал рассказывать о будущем Google и DeepMind и их технологий. О запрете трансляции он даже не обмолвился.

Для Китая технология глубокого обучения была не в новинку. В начале декабря 2009 года Ли Дэн, в очередной раз посетивший конференцию NIPS в Ванкувере, оттуда отправился в Уистлер. Через год после того, как он там же случайно встретился с Джеффом Хинтоном и узнал о его исследованиях, связанных с глубоким обучением и распознаванием речи, Дэн организовал новый семинар по этой тематике на том же самом курорте на склонах канадских гор. Следующие несколько дней он собирался провести вместе с Хинтоном, чтобы объяснить тонкости «нейронного распознавания речи» другим исследователям, которые планировали собраться в Уистлере, и рассказать им о прототипе, который разрабатывался в лаборатории Microsoft в Редмонде. Трех участников предстоящего семинара Дэн вез из Ванкувера на север на своем внедорожнике, петляя по горным дорогам. Одним из них был Кай Юй, человек, который позже уговорил мозговой штаб Baidu повысить ставки в борьбе за Джеффа Хинтона.

Как и Дэн, Юй родился и получил образование в Китае, а потом устроился на исследовательскую работу в США. Дэн трудился в Microsoft в пригороде Сиэтла, в то время как Юй работал в Кремниевой долине, будучи сотрудником лаборатории, принадлежащей компании NEC, выпускающей электронную и компьютерную технику, но они оба были частью небольшого сообщества исследователей, которые часто пересекались на научных конференциях и семинарах, подобных тому, что был организован в Уистлере. В тот год они даже на одной машине добирались до места сбора. Юй был уже знаком с Джеффом Хинтоном: прошлым летом они вместе с Яном Лекуном и Йошуа Бенжио организовали в Монреале семинар по глубокому обучению. И вот теперь на петляющем по горному серпантину внедорожнике он направлялся на более крупное научное собрание, посвященное той же теме. С тех пор глубокое обучение перестало быть уделом теоретиков и перешло в практическую плоскость, и Кай Юй, оказавшийся в самой гуще событий, год спустя вернулся в Китай и привез эту идею с собой.

Пока Дэн, Хинтон и его ученики занимались темой распознавания речи в Microsoft, IBM и Google, Юй сделал то же самое в Baidu. Через несколько месяцев его работа привлекла внимание Робина Ли, генерального директора компании, который расхвалил могущество этой технологии в своем электронном обращении, разосланном по всей компании. Вот почему компания Baidu оказалась готова присоединиться к гонке за Хинтоном и его учениками в 2012 году, предлагая десятки миллионов долларов на аукционе на озере Тахо, и вот почему Кай Юй с оптимизмом смотрел в будущее: ведь несмотря на то, что компания Baidu в гонке за Хинтоном проиграла, в гонке за глубоким обучением она с дистанции не сойдет.

Он был не единственным, кто нашептывал на ухо Робину Ли, руководителю Baidu. Ли также издавна водил дружбу с Ци Лу, одним из руководителей Microsoft, который позже сломал бедро, катаясь на «неправильном» велосипеде. Они знали друг друга больше двадцати лет. Каждый год вместе с несколькими другими китайскими и китайско-американскими топ-менеджерами, включая генерального директора пекинского компьютерного гиганта Lenovo, они собирались на своего рода трансокеанский саммит в курортном городке Хаф-Мун-Бэй, расположенном неподалеку от Сан-Франциско, и в течение нескольких дней обсуждали последние новости и перемены в технологической отрасли. На встрече, состоявшейся вскоре после аукциона, организованного Хинтоном и его учениками, главной темой разговора было глубокое обучение. Выступая перед коллегами в отеле Ritz-Carlton, выходящем окнами на Тихий океан, Ци Лу рисовал на доске сверточную нейронную сеть (convolutional neural network) и объяснял Ли и остальным, что в аббревиатуру CNN отныне вкладывается совсем другой смысл. В тот же год компания Baidu открыла свой первый форпост в Кремниевой долине⁴⁶⁰, недалеко от Хаф-Мун-Бэй, надеясь привлечь североамериканских специалистов. Лаборатория получила название Институт глубокого обучения⁴⁶¹. Кай Юй сообщил репортерам, что цель деятельности Института⁴⁶² – имитировать «функциональность, мощь и интеллект» человеческого мозга. «Мы прогрессируем день ото дня»⁴⁶³, – сказал он.

Следующей весной в Пало-Альто в нескольких минутах езды от новой лаборатории Юй завтракал в гостинице Sheraton с Эндрю Ыном. Они снова встретились в тот же вечер за ужином, и после этого Ын вылетел в Китай, чтобы встретиться с Робином Ли, генеральным директором Baidu, и подписать контракт. Человек, основавший лабораторию глубокого обучения Google, теперь занялся практически тем же в одной из крупнейших китайских компаний, курируя работу лабораторий глубокого обучения как в Кремниевой долине, так и в Пекине. К весне 2017 года, когда в Учжэне должен был состояться матч по го, призванный облегчить возвращение Google на китайский рынок, Юй, Ын и подчиненные им исследователи уже внедрили технологию глубокого обучения в самое сердце империи Baidu. Они использовали эту технологию в тех же целях, что и Google: для выбора результатов интернет-поиска, таргетирования рекламы и машинного перевода. Переманив ведущего инженера из производящей компьютерные чипы компании Nvidia, Baidu создала собственный гигантский кластер графических процессоров. А Юй к тому времени уже покинул компанию, чтобы запустить китайский стартап, целью которого было создание нового поколения нейронных процессоров для ускорения процессов глубокого обучения по образцу тензорных процессоров Google.

Когда председатель совета директоров Google Эрик Шмидт вышел на сцену в Учжэне между первой и второй партиями матча, он вел себя так, словно ни о чем таком никогда не слышал. Он сидел в кресле, закинув ногу на ногу, рядом со своим китайским интервьюером⁴⁶⁴ и через крошечное устройство, обернутое вокруг уха, выслушивал перевод на английский каждого задаваемого вопроса и говорил, что мир вступает в «век интеллекта», под которым он подразумевал искусственный интеллект. Используя новое программное обеспечение под названием TensorFlow⁴⁶⁵, сказал он, компания Google создала ИИ, который способен распознавать объекты на фотографиях, а также распознавать произносимые слова и переводить их с одного языка на другой. Обращаясь к своей аудитории в своей обычной манере – так, будто он знал больше, чем кто-либо из присутствующих как о прошлом, так и о будущем, – он назвал это программное обеспечение самым значимым технологическим достижением за всю его жизнь⁴⁶⁶. Он похвалялся тем, что это изобретение могло бы кардинально изменить судьбу крупнейших интернет-компаний Китая⁴⁶⁷, включая Alibaba, Tencent и Baidu, поскольку позволяет сделать более таргетированной их онлайн-рекламу, предсказывая, что их клиенты захотят купить, и решая, кому выгоднее предоставить кредит. «Использование TensorFlow им всем пошло бы на пользу⁴⁶⁸», – заявил Шмидт.

Задуманная и разработанная Джеффом Дином и его командой, программа машинного обучения TensorFlow стала преемницей DistBelief, масштабной системы, которая использовалась для глубокого обучения нейронных сетей в глобальной сети центров обработки данных Google. Но был еще один важный момент. Развернув это новое программное обеспечение в собственных дата-центрах, компания Google раскрыла исходный код этого творения, предоставив к нему свободный доступ для всего мира. Это был способ демонстрации могущества компании и его распространения на весь технологический ландшафт. Если другие компании, университеты, правительственные учреждения и частные лица будут использовать программное обеспечение Google, углубляясь в технологии машинного обучения, их усилия будут способствовать быстрейшему прогрессу собственных усилий Google, ускоряя разработки ИИ в мировом масштабе и позволяя компании дальше развиваться с опорой на эти разработки. Кроме того, это будет способствовать появлению нового поколения разработчиков и инженеров, которые могли бы пополнить ряды «гуглеров». И это дало бы начало бизнесу, в котором Google видела свое будущее: облачным вычислениям.

В то время, когда Эрик Шмидт вещал со сцены в Учжэне, более 90 процентов дохода Google все еще приходилось на онлайн-рекламу⁴⁶⁹. Но компания заглядывала в будущее и понимала, что, по мере того как облачные вычисления становились все более надежной и привлекательной альтернативой, предоставляя всем желающим удаленные вычислительные мощности и хранилища данных, компания оказалась в идеальном положении для коммерческого использования своего гигантского технического потенциала. Google обладала огромными вычислительными мощностями в своих центрах обработки данных, и продажа доступа к этим мощностям могла бы приносить невероятные прибыли. В тот момент на этом быстрорастущем рынке доминировала компания Amazon, чья выручка от продажи облачных технологий в 2017 году превысила 17,45 миллиарда долларов⁴⁷⁰. Но система TensorFlow давала надежду, что Google сможет справиться со своим могущественным соперником. Если TensorFlow станет де-факто стандартной системой машинного обучения и построения искусственного интеллекта, полагали руководители Google, им удастся завлечь рынок своими облачными вычислительными услугами. Сеть центров обработки данных Google в теории могла бы стать наиболее эффективным средством эксплуатации системы TensorFlow – отчасти потому, что Google’овские серверы были оборудованы процессорами, созданными специально для глубокого обучения нейронных сетей. В то самое время, когда Шмидт рассуждал о достоинствах TensorFlow и призывал гигантов китайской технологической индустрии принять эту систему на вооружение, Google разработала уже второе поколение своего тензорного процессора, предназначенного как для обучения нейронных сетей, так и для их эксплуатации после обучения. Компания также работала над созданием новой лаборатории ИИ в Пекине, которая, как надеялись «гуглеры», поможет подтолкнуть Китай к использованию TensorFlow, приобретению новых процессоров и, в конечном счете, к облачным сервисам Google. Возглавить лабораторию было доверено новой сотруднице Google по имени Фэй-Фэй Ли, которая родилась в Пекине и еще в подростковом возрасте эмигрировала в США⁴⁷¹. Она заявила: «В Китае ширится сообщество талантливых разработчиков ИИ. Новая лаборатория поможет нам привлечь эти талантливые кадры и одновременно будет содействовать более широкому использованию в стране системы TensorFlow (и платформы Google Cloud)».

Сидя на сцене в Учжэне и рассказывая аудитории, что TensorFlow может преобразить крупнейшие китайские компании, Эрик Шмидт не упомянул в своей речи ни новую лабораторию искусственного интеллекта, ни даже облачные сервисы Google. Но его идея была ясна: компании Alibaba, Tencent и Baidu только выиграют, если начнут использовать TensorFlow. Он прекрасно понимал, хоть и не сказал вслух, что Google выиграла бы от этого еще больше. А вот чего он не понимал, так это того, что его послание китайцам было безнадежно наивным.

Китайские технологические гиганты уже давно приняли глубокое обучение на вооружение. Эндрю Ын уже несколько лет занимался созданием лабораторий искусственного интеллекта в Baidu и создавал – как и Google – обширную сеть специализированных машин для новых экспериментов. Аналогичная работа проводилась и в Tencent. В любом случае, даже если Китаю и нужна была помощь со стороны Google, он не желал ее принимать. На это указывало запрещение прямой трансляции учжэньского матча. Если Шмидт поначалу не осознавал, насколько наивным было его выступление, то очень скоро он это понял. «Когда я произносил свою речь, я знал, что китайцы наступают нам на пятки. Но я не понимал на тот момент, насколько эффективными были некоторые из их программ, – говорит он. – Честно, я просто представить себе этого не мог. Думаю, большинство американцев этого не понимали. Но я не собираюсь оставаться в этом заблуждении и дальше».

Неделя в Учжэне оказалась совсем не такой, как себе рисовали ее руководители Google. Утром в день первой партии, сидя в окружении стен, раскрашенных в цвет послеполуденного неба, Демис Хассабис говорил, что AlphaGo скоро станет еще сильнее. Уже кипела работа над версией, которая будет способна осваивать эту игру совершенно самостоятельно. В отличие от первоначальной версии AlphaGo, новому поколению системы не нужно приобретать первоначальные навыки, анализируя ходы профессиональных игроков. «Машина уходит все дальше и дальше от потребности в человеческих знаниях», – сказал Хассабис. Обучаясь исключительно методом проб и ошибок, она способна освоить не только го, но и другие игры, в том числе шахматы и сёги, еще одну древнюю восточную стратегическую игру. С помощью такой системы – более обобщенной формы ИИ, способной самостоятельно решать множество задач, – DeepMind сможет преображать все более широкий спектр технологий и отраслей. По словам Хассабиса, лаборатория могла бы помочь управлять ресурсами в центрах обработки данных и энергосистемах и способствовать ускорению научных исследований. Посыл, опять же, состоял в том, что технология DeepMind способствует повышению производительности человеческого труда. И это, по его словам, становилось очевидно уже в ходе матча машины с Кэ Цзе. Как и остальные лучшие игроки мира в го, китайский гроссмейстер пытался подражать повадкам AlphaGo. Его игра улучшалась, потому что он учился у машины.

Первым же ходом в пункт 3–3 Кэ Цзе действительно сыграл подобно AlphaGo, потому что этот начальный ход ввела в оборот именно машина. Но результат партии все равно оказался вполне предсказуемый. Девятнадцатилетний Кэ Цзе был в темном костюме с ярко-синим галстуком и в очках в черной оправе. Он имел привычку играть с волосами, обдумывая очередной ход: зажимал короткие пряди между большим и указательным пальцами, а затем накручивал их то на один палец, то на другой. Сидя на сцене в аудитории Учжэнь, он крутил свои волосы более двенадцати часов в течение трех дней. После поражения в первой партии он сказал, что AlphaGo играла «как Бог игрока в го»⁴⁷². Затем он проиграл еще две партии. Когда Ли Седоль проиграл в Корее, это было торжество ИИ и всего человечества. Когда проиграл Кэ Цзе, это лишний раз подчеркнуло то, чего очень не хотели бы подчеркивать китайские власти: что Запад опережает их в гонке за будущим. Система AlphaGo не просто победила. Она выиграла у китайского гроссмейстера на китайской земле. А еще между первой и второй партиями Эрик Шмидт на протяжении тридцати минут так свысока поучал страну и ее крупнейшие интернет-компании.

Два месяца спустя Госсовет Китая обнародовал свой план⁴⁷³ достижения мирового лидерства в области искусственного интеллекта к 2030 году. Они намеревались превзойти всех своих конкурентов, включая Соединенные Штаты, вложив в развитие собственной IT-индустрии более 150 миллиардов долларов. Китай относился к ИИ как к аналогу программы «Аполлон». Правительство готовилось поддержать массированными инвестициями новейшие разработки, осуществляемые силами бизнесменов, ученых и военных. Как рассказали в интервью New York Times два университетских профессора, работавших над этим планом, победа AlphaGo над Ли Седолем стала для Китая своим «спутниковым кризисом», толчком к новой гонке.

Китайский план перекликался с программой, которую администрация Обамы заложила перед самым его уходом с поста президента, причем зачастую использовался тот же самый язык. Одно из главных отличий состояло в том, что китайское правительство уже начало вкладывать большие деньги в реализацию своего плана. Один из муниципалитетов пообещал 6 миллиардов долларов⁴⁷⁴. Другое отличие состояло в том, что план Обамы был отвергнут новой администрацией Трампа, тогда как китайский план оставался в силе. Китайские власти старались добиться четкой координации действий между правительственными, научными кругами и бизнесом, чтобы они слились в единый кулак в своем стремлении к созданию искусственного интеллекта, тогда как новая администрация в США оставляла все это на откуп коммерческим компаниям. Google оставалась мировым лидером в этой области, и другие американские компании не отставали, но отношение к этому страны в целом оставалось под вопросом. В конце концов большинство лучших специалистов по ИИ ушли из научного и государственного сектора в коммерческие структуры. «США обеспокоены тем, что Китай будет вкладывать больше денег в исследования, чем они, – сказал Джефф Хинтон. – При этом американские власти урезают расходы на фундаментальные исследования, а это все равно что пожирать семенное зерно, вместо того чтобы сеять его».

Ясно было одно: на существенные подвижки в китайском направлении Google рассчитывать не приходилось. Позже в том же году Фэй-Фэй Ли объявила об открытии в Шанхае китайского филиала Google AI⁴⁷⁵. Компания продолжала продвигать TensorFlow, отправляя инженеров на частные мероприятия, где они учили местных специалистов, работающих в коммерческих лабораториях и университетах, пользоваться этим программным обеспечением. Но для запуска новых интернет-сервисов в Китае требовалось одобрение со стороны правительства. А Китай уже имел свою собственную поисковую систему, свои собственные облачные вычислительные сервисы, свои собственные лаборатории искусственного интеллекта, даже свою собственную разновидность TensorFlow. Она была создана компанией Baidu и называлась PaddlePaddle.

В своем выступлении в Учжэне Эрик Шмидт недооценил китайцев. Крупные китайские технологические компании – и страна в целом – продвинулись гораздо дальше и обладали гораздо большим потенциалом, чем он предполагал. Он был не прав, когда так высокомерно убеждал китайцев, что им не обойтись без Google и TensorFlow. Но в таких обстоятельствах, как он теперь понимает, задача по распространению этой технологической платформы – которая служила основой создания и эксплуатации любой разновидности искусственного интеллекта – становится серьезной как никогда. Это жизненно важно не только для Google, но и для Соединенных Штатов в их обостряющейся экономической борьбе с Китаем. «Очень многие в нашем обществе не понимают того важного факта, что Америка получает огромную выгоду от распространения этих глобальных платформ – глобальных платформ, которые создаются в Америке, будь то сам интернет, электронная почта, Android, iPhone и т. д.», – говорит Шмидт. Если компания или страна контролируют платформу, они контролируют и все то, что на этой платформе создается. Google’овская платформа машинного обучения TensorFlow является самым свежим примером этого. «Существует глобальная конкуренция платформ, и крайне важно, чтобы платформы создавались именно в Америке. Ведь платформы служат основой для будущих инноваций».

Вскоре после матча в Учжэне Ци Лу перешел в Baidu. Там он сумел сделать то, что хотел сделать в Microsoft: беспилотный автомобиль. Компания Baidu запустила свой проект автономного транспорта на несколько лет позже Google, но Лу был уверен, что она сумеет вывести автомобили на дороги гораздо быстрее, чем ее американский конкурент. И не потому, что у Baidu лучше инженеры или технологии, а потому, что Baidu создает свой автомобиль в Китае. В Китае государство ближе к бизнесу. Как операционный директор Baidu, он сотрудничал с пятью китайскими муниципалитетами, которые готовились предоставить улицы своих городов для испытаний беспилотных автомобилей компании. «У меня нет никаких сомнений в том, что в Китае беспилотный автомобиль станет на коммерческие рельсы гораздо раньше, чем в Соединенных Штатах. Правительство видит в этом шанс для китайской автомобильной промышленности совершить скачок, – сказал он репортерам во время одной из своих регулярных поездок в США. – Во-первых, правительство помогает инвестициями, а во-вторых, активно сотрудничает с компаниями в плане изменения дорожной инфраструктуры и правил дорожного движения». На данный момент, стал объяснять он, дорожные знаки – это та инфраструктура, которая позволяет датчикам автомобиля ориентироваться на дороге, а датчиками автомобиля до сих пор остаются глаза водителя. Но все это изменится, и в Китае это изменится гораздо скорее. В будущем, сказал он, автомобили будут оснащаться лидарными датчиками, лазерными радарами и камерами, и появятся новые виды дорожных знаков, предназначенных именно для таких датчиков.

Еще одним преимуществом Китая, по словам Ци Лу, является объем данных. В каждую социально-экономическую эпоху, говорит он, существовало какое-то одно главное средство производства. В аграрную эпоху это земля. «Не важно, сколько у тебя людей. Не имеет значения, насколько ты умный. Ты не можешь производить больше, пока у тебя не будет больше земли». В индустриальную эпоху речь идет уже о рабочей силе и оборудовании. В новую эпоху на первое место выходят данные. «Без достаточного количества данных нельзя построить систему распознавания речи. Не имеет значения, сколько у вас людей. У вас может быть миллион блестящих инженеров, но вы не сможете построить систему, которая понимает язык и может вести диалог. Вы не сможете построить систему, которая может распознавать изображения так, как я их распознаю сейчас». Китай будет доминировать в эту эпоху, потому что у него будет больше данных. Поскольку в Китае больше населения, страна производит больше данных, и, поскольку отношение к частной жизни здесь совершенно другое, ничто не мешает эти данные объединять и использовать. «Китайцы живут менее скрытно. Хотя потребность в неприкосновенности частной жизни универсальна, отношение к ней в Китае совсем другое, и политический режим совсем другой».

Даже если крупные китайские компании и университеты технологически отставали от своих американских конкурентов на тот момент – хотя и это было спорно, – этот разрыв не имел большого значения. Под влиянием таких западных ученых, как Джефф Хинтон и Ян Лекун, крупные американские компании открыто публиковали большинство своих важных идей и методов и даже делились программным обеспечением. Их идеи, методы и программное обеспечение были доступны любому, в том числе и в Китае. В конечном счете, основное различие между Востоком и Западом заключается в объемах доступных данных.

С точки зрения Ци Лу, все это означает, что Китай будет первым не только в создании беспилотных автомобилей, но и в лечении рака. Он полагал, что здесь тоже все дело в данных. «У меня нет никаких сомнений в этом», – сказал он.

Одним воскресным днем в июне 2015 года Джеки Алсине сидел у себя в комнате, которую он делил со своим младшим братом, прокручивая длинный поток твитов, посвященных вручению премий от телеканала Black Entertainment Television. В их квартире в бруклинском микрорайоне Краун-Хайтс кабельного телевидения не было, и поэтому саму церемонию награждения он смотреть не мог, но, по крайней мере, мог читать текущие комментарии в Twitter на своем ноутбуке. В это время подруга прислала ему интернет-ссылку на несколько фотоснимков, которые она разместила в новой версии сервиса Google Photos. Сам Алсине, двадцатидвухлетний инженер-программист, уже пользовался этим сервисом в прошлом, но новую версию, вышедшую только несколькими днями ранее, еще не испытывал. Новая система Google Photos способна анализировать ваши снимки и автоматически сортировать их в виртуальные папки на основе того, что было изображено на каждом из них. Одна и та же фотография может попасть сразу в несколько папок, «собаки», «день рождения» и «отдых на пляже». Потом вам легко находить интересующие вас фотографии по тегам. Если вы наберете «надгробие», Google автоматически найдет все фотографии с надгробием. Когда Алсине прошел по ссылке и открыл сервис, он не мог не заметить, что его собственные фотографии уже были реорганизованы – и одна из папок называлась «гориллы». Ему показалось это странным, поэтому он открыл папку и обнаружил там более восьмидесяти фотографий своей подруги, которые он сделал почти год назад во время концерта в близлежащем Проспект-парке. Его подруга была афроамериканкой, и система Google назвала ее «гориллой».

Он мог бы закрыть на это глаза, если бы Google по ошибке пометила таким тегом только одну фотографию. Но речь шла о восьмидесяти фотографиях. Он сделал скриншот и разместил его в социальной сети Twitter, которую он называл «самым большим в мире клубом», местом, куда любой мог зайти и обратить внимание окружающих на какие-то вопросы. «Google Photos, вы там охренели?⁴⁷⁶ – написал он. – Моя подруга не горилла». С ним очень быстро связался сотрудник Google и попросил предоставить им доступ к его аккаунту, чтобы компания могла разобраться в случившемся. В течение следующих нескольких дней Google рассыпалась в извинениях через СМИ, обещая принять незамедлительные меры и гарантируя, что это никогда не повторится. В итоге они полностью удалили тег «горилла» из лексикона сервиса, и в таком положении ситуация была заморожена на несколько лет. Даже пять лет спустя сервис Google Photos все еще блокировала возможность поиска фотографий по слову «горилла».

Проблема заключалась в том, что специалисты Google обучили нейронную сеть распознавать горилл, показывая ей тысячи фотографий с гориллами и не думая о возможных побочных эффектах. Нейронные сети способны осваивать масштабные задачи, которые инженеры никогда не смогли бы запрограммировать своими силами, но при обучении этих систем бремя выбора правильных исходных данных ложится на инженеров. Более того, когда обучение закончено, даже если эти инженеры были при выборе данных предельно осторожны и внимательны, они не могут знать всего, чему научилась машина – просто в силу масштабности этого обучения, связанного с гигантским количеством входных данных и вычислений. Джеки Алсине сам работает инженером-программистом и проблему понимает. Он сравнивает это с приготовлением лазаньи. «Если ингредиенты никудышные, хорошую лазанью не сделаешь», – говорит он. – То же самое и с ИИ. Нужно быть очень внимательным в том, какие данные ты в него вводишь, потому что потом дать задний ход очень трудно».

На групповой фотографии членов команды Google Brain⁴⁷⁷, сделанной сразу после публикации «Статьи о кошках» летом 2012 года, когда Джефф Хинтон официально числился в лаборатории стажером (шестидесятичетырехлетним), они с Джеффом Дином держат гигантское цифровое изображение кошки, а вокруг них толпится примерно дюжина других исследователей. В их числе был и Мэтт Зилер, молодой человек в черной рубашке-поло с короткими рукавами и выцветших синих джинсах, широко улыбающийся, с лохматой шевелюрой и многодневной щетиной на подбородке. Зейлер был аспирантом в лаборатории глубокого обучения в Нью-Йоркском университете и тем же летом проходил стажировку в Google Brain. Год спустя он выиграл конкурс ImageNet, пойдя по стопам Хинтона, Крижевского и Суцкевера. В этом самом горячем цехе технологической индустрии многие чествовали его как рок-звезду. Алан Юстас предложил ему работу в Google и большие деньги, но Зилер отверг это предложение, чтобы открыть свою собственную компанию.

Компания получила название Clarifai. Она разместилась в Нью-Йорке, в небольшом офисе на Третьей улице, недалеко от лаборатории глубокого обучения Нью-Йоркского университета, и занималась созданием технологии, способной автоматически распознавать объекты на цифровых фотографиях – например, просматривать снимки обуви, платьев и сумочек на сайте интернет-магазина в поисках нужного товара или идентифицировать лица в потоковой видеозаписи, передаваемой с камер наблюдения. Идея состояла в том, чтобы скопировать системы распознавания изображений, на создание которых Google и Microsoft потратили годы труда в своих лабораториях искусственного интеллекта, а затем продавать их другим компаниям и государственным учреждениям, включая полицию.

В один из дней 2017 года, спустя четыре года после основания компании, Дебора Раджи сидела за своим столом в офисе Clarifai в нижнем Манхэттене. Флуоресцентные лампы ярко освещали ее, ее стол, холодильник с пивом в углу и всех остальных сотрудников, которые – молодые, двадцати с чем-то лет, – сидели в наушниках, не отрывая глаз от огромных компьютерных мониторов. Раджи тоже смотрела в экран, заполненный лицами – фотографиями, которые компания использовала для обучения своей системы распознавания лиц. Прокручивая эти лица, страница за страницей, она не могла не заметить проблему. Раджи была чернокожей двадцатиоднолетней жительницей Оттавы. На большинстве фотографий – более 80 процентов – были изображены белые лица. А еще не могло не броситься в глаза то, что на более 70 процентов из них были мужчины. Когда система пройдет обучение на этих исходных данных, она наверняка сможет хорошо распознавать белых мужчин, думалось Раджи, но в распознавании небелых, а также, вероятно, женщин, систему ждет жестокое фиаско.

И это была отнюдь не единичная проблема. Мэтт Зилер и возглавляемая им компания Clarifai также создавали так называемую «систему модерирования контента», инструмент, который позволял автоматически идентифицировать и удалять порнографию из моря изображений, размещаемых людьми в социальных сетях. Компания обучала эту систему, используя два набора данных: тысячи «непристойных» фотографий, взятых с порносайтов, и тысячи «безобидных» фотографий, приобретенных в сервисах стоковых изображений. Идея заключалась в том, чтобы система научилась отличать порнографический контент от безобидного. Проблема заключалась в том, что на приличных фотографиях преобладали белые люди, а на порнографических – чернокожие. Как вскоре поняла Раджи, система приучалась ассоциировать чернокожих людей с порнографией. «Данные, которые мы используем для обучения этих систем, имеют значение, – говорит она. – Нельзя выбирать источники данных вслепую».

Корни этой проблемы уходили в далекие годы и уж по меньшей мере к тому моменту, когда кто-то начал выбирать фотографии для стоковых сервисов, на которых компания Clarifai затем обучала свои нейронные сети. По сути, это была вездесущая проблема социальной стереотипизации. И теперь опасность состояла в том, что разработчики ИИ, использующие такие предвзятые данные, лишь усугубят проблему при обучении автоматизированных систем. Для Раджи это было совершенно очевидно. Но остальные сотрудники компании ее опасений не разделяли. Ведь люди, выбиравшие исходные данные для обучения нейросетей, – сам Мэтт Зилер и те инженеры, которых он пригласил в Clarifai, – были по преимуществу белыми мужчинами. И поскольку они были белыми мужчинами, они не понимали, что выбираемым ими исходным данным недоставало объективности. История с тегом «гориллы» должен была прозвучать тревожным сигналом для всей отрасли. Но этого не случилось.

Привлечь внимание общественности к этой фундаментальной проблеме удалось другой чернокожей женщине. Тимнит Гебру, которая изучала искусственный интеллект в Стэнфордском университете под руководством Фэй-Фэй Ли, происходила из эритрейской семьи, эмигрировавшей в США. Когда она во время очередной конференции NIPS вошла в главный зал перед началом первого доклада и окинула взглядом сотни людей, собравшихся в аудитории, ее поразил тот факт, что подавляющее большинство присутствующих составляли белые мужчины, хотя и было некоторое количество выходцев из Восточной Азии и Индии, а также несколько женщин. В тот году на конференцию приехало более пяти с половиной тысяч человек, но среди них Гебру насчитала только шестерых чернокожих, и все они были мужчинами. И это была не чисто американская или канадская конференция. Это была международная встреча в Барселоне. Проблема, на которую Дебора Раджи обратила внимание в Clarifai, распространялась на всю технологическую индустрию и все научные круги.

Вернувшись в Пало-Альто, Гебру рассказала мужу о том, что видела, и решила, что это больше не должно оставаться без внимания. В тот же вечер, сев с ноутбуком на диван, она изложила эту проблему на своей странице в Facebook:

Я не тревожусь о том, что машины захватят мир. Меня беспокоит групповое мышление, замкнутость и высокомерие, царящее в сообществе исследователей искусственного интеллекта. Особенно при нынешнем ажиотаже и огромном спросе на специалистов в этой области. Эти вещи уже вызывают проблемы, о которых нам надо начать беспокоиться уже сейчас. Машинное обучение используется для выявления тех, кому кредиты если и можно выдавать, то лишь под более высокие проценты, тех, кто с большей вероятностью совершит преступление, а значит, должен подвергаться более суровому наказанию, тех, кого следует считать террористами и т. д. Некоторые алгоритмы компьютерного зрения, которые, как нам кажется, нормально функционируют, хорошо работают только на людях, имеющих определенную внешность. Нетрудно представить себе, к каким катастрофическими последствиям это может привести в будущем. ИИ работает на очень небольшой сегмент мирового населения. И люди, создающие его, тоже принадлежат к очень незначительному сегменту мирового населения. При этом есть значительные слои населения, которые получают от этого один только вред. Не только потому, что эти алгоритмы работают против них, но и потому, что их рабочие места вытесняются роботами. Эти люди активно отстраняются от работы в высокооплачиваемой сфере, лишаются возможности нормально зарабатывать. Я слышу много разговоров о культурном разнообразии, словно это своего рода благотворительность. Я вижу, как компании и даже отдельные люди пиарятся на этом, но это только слова. Все говорят «мы ценим разнообразие» только потому, что так принято говорить. ИИ нужно рассматривать как систему. А люди, создающие технологию, составляют важную часть системы. Если многие активно исключаются из процесса его создания, значит, эта технология приносит пользу лишь немногим, а большинству идет только во вред.

Этот мини-манифест распространился по всему сообществу исследователей ИИ. В последующие месяцы Гебру создала организацию под названием Black in AI («Черные в сфеере ИИ»). После окончания аспирантуры она получила работу в Google. На очередной – и всех последующих – конференциях NIPS, организация Black in AI проводила свой семинар. Кстати, к тому времени конференции NIPS уже так не назывались. После того как многие ученые заявили, что само это название способствует созданию среды, враждебной по отношению к женщинам, организаторы конференции изменили название на NeurIPS⁴⁷⁸.[6]

Одной из сотрудниц Гебру была молодая программистка по имени Джой Буоламвини. Аспирантка Массачусетского технологического института в Бостоне, отучившаяся в магистратуре Оксфорда по стипендии Родса, Буоламвини происходила из семьи ученых. Ее отец и дед специализировались на медицинской химии. Она родилась в Эдмонтоне, где ее отец заканчивал работу над диссертацией в аспирантуре, и в детстве побывала везде, куда заносила ее семью научная деятельность, включая лаборатории в Африке и на американском Юге. Когда она в середине 1990-х, еще будучи ученицей начальных классов, посетила лабораторию отца, он упомянул о том, что занимается нейронными сетями для разработки лекарств – но тогда она, разумеется, не могла понять, что это значит. В университете она изучала робототехнику и компьютерное зрение и больше всего интересовалась технологией распознавания лиц – так нейронные сети снова вошли в ее жизнь. В литературе говорилось, что благодаря глубокому обучению технология распознавания лиц достигла стадии зрелости, но, испытав ее в деле, Буоламвини поняла, что это не так. И это стало темой ее диссертации. «Речь в ней шла не только о технологии анализа лиц, но и о методах оценки этой технологии, – говорит она. – По каким критериям мы судим о прогрессе? Кто решает, что такое прогресс? Главная проблема, с которой я столкнулась, заключается в том, что стандарты, мерила, с помощью которых мы определяем степень прогресса, могут вводить в заблуждение, и причина этого заблуждения в том, что в изучаемых нами выборках людей те, кто составляет большинство, оказываются в меньшинстве».

В октябре того же года подруга пригласила ее выбраться на вечер в Бостон в компании еще нескольких женщин. «Маски сделаем», – сказала она. Подруга имела в виду маски для ухода за кожей в спа-салоне, но Буоламвини решила, что речь о масках на Хэллоуин. Поэтому в тот вечер она принесла в свой кабинет белую пластиковую маску для Хэллоуина, которая так и лежала у нее на столе несколько дней, когда она трудилась над одним из своих проектов. Она пыталась заставить систему распознавания лиц узнавать ее собственное лицо, но, как она ни старалась, ничего не получалось. В отчаянии она взяла со стола белую маску и натянула ее на голову. При этом система тут же распознала ее лицо или, по крайней мере, узнала маску. «Черная кожа, белые маски, – говорит она, имея в виду обличающую расизм книгу, изданную в 1952 году психиатром Францем Фаноном. – Метафора становится реальностью. Ты должен соответствовать норме, хоть эта норма – совсем не ты».

Вскоре Буоламвини занялась сравнением различных практических коммерческих инструментов, позволяющих путем анализа лиц определять такие характеристики человека, как возраст и пол. В числе этих инструментов были системы, разработанные компаниями Microsoft и IBM. В то время как Google и Facebook внедряли свои технологии распознавания лиц в приложения для смартфонов, Microsoft и IBM решили последовать примеру Clarifai, предлагая аналогичные услуги компаниям и правительственным учреждениям. Буоламвини обнаружила, что при анализе фотографий светлокожих мужчин⁴⁷⁹, эти системы допускали ошибки в определении пола только в 1 проценте случаев. Но чем темнее кожа человека на фотографии⁴⁸⁰, тем выше становится вероятность ошибки, и она особенно высока при анализе изображений темнокожих женщин. У системы Microsoft частота ошибок составляла около 21 процента⁴⁸¹, у IBM достигала 35 процентов⁴⁸².

Опубликованные зимой 2018 года, результаты этого исследования подняли мощную кампанию протеста против технологии распознавания лиц и, в частности, против ее использования в правоохранительных органах. Опасность видели том, что эта технология способна ложно классифицировать определенные группы людей как потенциальных преступников. Некоторые исследователи утверждали, что должный контроль за этой технологией невозможен без государственного регулирования. Вскоре у крупных компаний не осталось иного выбора, кроме как прислушаться к этой новой волне общественного мнения. После публикации результатов исследования главный юрисконсульт Microsoft заявил, что компания отказывается от продажи своей системы правоохранительным органам в тех случаях, когда есть опасения, что она может необоснованно нарушать права граждан, и публично призвал к государственному регулированию этой сферы деятельности. В феврале Microsoft поддержала законопроект в штате Вашингтон, который требовал, чтобы в тех общественных местах, где используются технологии распознавания лиц, об этом уведомляли специальные таблички, и чтобы поиск конкретных людей с использованием этих технологий осуществлялся правоохранительными органами только по распоряжению суда. Стоит отметить, что компания не поддержала другие законопроекты, обеспечивавшие гораздо более сильную защиту прав граждан. Но, по крайней мере, отношение к этим вопросам начало меняться.

Дебора Раджи, еще работавшая в Clarifai, обратила внимание на деятельность Буоламвини, посвященную расовым и гендерным предубеждениям, связалась с ней, и они начали сотрудничать. В конце концов Раджи перешла на работу в МТИ. Среди других проектов они начали тестировать систему распознавания лиц от третьего американского технологического гиганта – Amazon. Компания Amazon уже давно вышла за рамки своей основной деятельности – онлайн-ритейла – и стала доминирующим игроком в сфере облачных вычислений и крупным игроком в сфере глубокого обучения. Она также недавно начала продавать правоохранительным органам⁴⁸³ и другим государственным учреждениям свою систему распознавания лиц под названием Amazon Rekognition. В число ее первых клиентов входили управление полиции Орландо во Флориде и офис шерифа округа Вашингтон в Орегоне. Результаты нового исследования, проведенного Буоламвини и Раджи, показали⁴⁸⁴, что у сервиса Amazon также возникли проблемы с определением пола при распознавании женских и темнокожих лиц. Согласно исследованию, система ошибочно принимала женщин за мужчин в 19 процентах случаев⁴⁸⁵, а с темнокожими женщинами ошибки происходили еще чаще: в 31 проценте случаев. В отношении же мужчин со светлой кожей система работала вообще без ошибок.

Но компания Amazon отреагировала на эти публикации не так, как Microsoft и IBM. Она также призвала к большему государственному контролю в области распознавания лиц. Но вместо того, чтобы сотрудничать с авторами исследования Раджи и Буоламвини, она подвергла их нападкам в частных письмах и в публичных блогах. «Если существует беспокойство по поводу новой технологии, то ответ на эту проблему заключается явно не в том, чтобы проводить “испытания”, методика которых несовместима с реальным предназначением данного сервиса, и затем транслировать ложные и вводящие в заблуждение результаты испытаний через средства массовой информации», – написал один из руководителей Amazon Мэтью Вуд в блоге⁴⁸⁶, оспаривая и сами результаты исследования, и статью в Times, рассказывающую о них. Вся его реакция была продуктом укоренившейся в Amazon корпоративной философии. Компания настаивала на том, что никакие голоса извне не способны поколебать их собственные убеждения и установки. Но, отмахиваясь от результатов исследования, Amazon одновременно отмахивалась и от самой, реально существующей, проблемы. «Я так поняла, что если у вас есть триллион долларов, то правда вам не нужна, – говорит Буоламвини. – Вам на все плевать. Как вы скажете, так и будет».

К тому времени Мег Митчелл собрала в Google команду, занимающуюся вопросами «этичного искусственного интеллекта». Еще будучи в Microsoft, Митчелл участвовала в самых ранних разработках методики глубокого обучения и привлекла внимание сообщества исследователей ИИ, когда в интервью Bloomberg заявила, сказав, что ИИ страдает от проблемы «мужского засилья»⁴⁸⁷ и что, по ее оценкам, за последние пять лет среди ее коллег были сотни мужчин и лишь около десятка женщин. «Я абсолютно уверена, что гендерная принадлежность исследователей предопределяет⁴⁸⁸ категории вопросов, которыми они задаются, – сказала она. – Это такая форма близорукости». Перейдя в Google, Митчелл – а потом и присоединившаяся к ней Тимнит Гебру – прикладывала все силы к тому, чтобы заложить прочный этический фундамент для технологий ИИ, обращая внимание на такие проблемы, как предвзятость разработчиков, а также на использование этих технологий правоохранительными органами и военными. Еще одна сотрудница Google, Мередит Уиттакер, работавшая в группе облачных вычислений, помогала созданию исследовательской организации в Нью-Йоркском университете. Консорциум компаний, включавший в себя Google, Facebook, Microsoft и другие фирмы, основал некоммерческую организацию под названием Partnership on AI («Партнерство по ИИ»). Такие организации, как Институт будущего жизни (Future of Life Institute, основанный Максом Тегмарком в Массачусетском технологическом институте) и Институт будущего человечества (Future of Humanity Institute, основанный Ником Бостромом в Оксфорде), также занимались этикой ИИ, но они больше интересовались экзистенциальными угрозами, относящимися к отдаленному будущему. Организации же новой волны, посвященные этичному использованию ИИ, сосредоточились на более приземленных, насущных вопросах.

И для Митчелл, и для Гебру проблема предвзятости разработчиков была лишь частью более масштабной проблемы, охватывающей всю технологическую отрасль. Женщины изо всех сил стараются проявить себя во всех областях науки и техники, но сталкиваются с доходящей до крайностей предвзятостью, а иногда и с притеснениями на рабочих местах. В сфере ИИ эта проблема была более выраженной и потенциально более опасной. Вот почему они написали Amazon открытое письмо.

В письме они отвергли аргументы⁴⁸⁹, которые Мэтт Вуд и Amazon выдвинули против Буоламвини и Раджи. Они настаивали на том, чтобы компания переосмыслила свой подход⁴⁹⁰. А позицию компании по поводу государственного регулирования они назвали блефом⁴⁹¹. «Нет никаких законов или обязательных стандартов⁴⁹², которые гарантировали бы, что система Rekognition не будет использоваться в нарушение гражданских прав и свобод, – заявили они. – Мы призываем Amazon прекратить продавать Rekognition правоохранительным органам». Их письмо было подписано двадцатью пятью разработчиками ИИ⁴⁹³ из Google, DeepMind, Microsoft и научных кругов. Одним из них был Йошуа Бенжио. «Конечно, нам было боязно бросить вызов такой большой корпорации, – говорит Раджи. – Но мы были очень тронуты, когда научно-исследовательское сообщество поддержало нас и выступило в нашу защиту. Я поняла, что это уже не просто мы с Джой против Amazon. На нашей стороне теперь вся наука».

Среди офисных помещений, которые Clarifai занимала в центре Манхэттена осенью 2017 года, окна одной из комнат в дальнем углу были заклеены бумагой, а на двери висела табличка «Тайная комната». Слова эти, с намеком на второй том приключений Гарри Поттера, были написаны от руки, а вывеска слегка покосилась. За дверью команда из восьми инженеров работала над проектом, который им нельзя было обсуждать с другими сотрудниками компании. Собственно, даже сами инженеры не совсем понимали, над чем они работают. Они знали, что обучают систему автоматической идентификации людей, транспортных средств и зданий по видеозаписям, снятым где-то в пустыне, но не знали, как и где эта технология будет использоваться. На все вопросы основатель и генеральный директор компании Мэтт Зилер отвечал, что это государственный заказ, связанный с видеонаблюдением и слежкой. Он говорил, что эта система призвана «спасать жизни».

Когда в связи с переездом Clarifai в другой, более просторный офис, инженеры компании проводили инвентаризацию электронных файлов, хранящихся во внутренней компьютерной сети, обнаружились несколько документов, в которых упоминался правительственный контракт и которые пролили свет на смысл их работы. Оказывается, они разрабатывали технологию компьютерного зрения по заказу Министерства обороны США в рамках так называемого проекта Maven. Идея как будто состояла в том, чтобы создать систему автоматической идентификации целей для ударных беспилотников. Но подробности все еще оставались неясными. Невозможно было сказать, будет ли технология использоваться для того, чтобы убивать или, наоборот, спасать жизни, как утверждал Зилер. Было неясно, какой цели это служило: автоматизировать воздушные удары или передавать информацию операторам-людям, которые будут уже сами принимать решение об ударе.

Позже, в конце 2017 года, трое военных в гражданской одежде вошли в офис Clarifai, чтобы встретиться с несколькими инженерами в еще одной секретной комнате за закрытыми дверями. Они хотели знать, какой точности позволяет достичь эта технология. Сначала они спросили, может ли она идентифицировать конкретное здание, например, мечеть. Террористы и повстанцы, по их словам, часто превращают мечети в боевые штабы. Затем они спросили, может ли система отличать мужчин от женщин. «Что вы имеете в виду?» – переспросил один из инженеров. В полевых условиях, объяснили военные, мужчин (которые носят брюки) от женщин (которые носят длинные платья до лодыжек) обычно удается отличить по зазору между ногами мужчин. Они сказали, что им разрешено стрелять в мужчин, но не в женщин. «Иногда мужчины пытаются обмануть нас, облачаясь в платья, но это им не поможет, – сказал один из них. – Мы все равно уничтожим всех этих ублюдков».

В пятницу, 11 августа 2017 года, министр обороны США Джеймс Мэттис⁴⁹⁴ сидел за столом в зале заседаний совета директоров в штаб-квартире Google в Маунтин-Вью. Середина стола была заставлена букетами белых гардений⁴⁹⁵, а у изумрудно-зеленой стены стояли четыре кофейника на подносе и несколько тарелок с выпечкой. Новый генеральный директор Google Сундар Пичаи сидел напротив министра⁴⁹⁶. Рядом с ним сидели Сергей Брин, генеральный юрисконсульт Кент Уокер⁴⁹⁷ и глава отдела искусственного интеллекта Джон Джаннандреа, тот самый Джей-Джи, который оснастил компьютеры в центрах обработки данных Google сорока тысячами графических процессоров, чтобы ускорить разработки ИИ. За столом было еще несколько человек, включая сотрудников министерства обороны⁴⁹⁸ и руководителей группы облачных вычислений Google. Большинство сотрудников Министерства обороны были в костюмах и при галстуках⁴⁹⁹. Большинство «гуглеров» были в костюмах, но без галстуков. На Сергее Брине была белая футболка⁵⁰⁰.

Мэттис отправился в турне по Западному побережью⁵⁰¹, чтобы посетить несколько крупнейших технологических компаний в Кремниевой долине и в Сиэтле. Это было связано с тем, что Пентагон изучал различные варианты проекта Maven, который был запущен Министерством обороны четырьмя месяцами ранее⁵⁰², чтобы ускорить возможности использования технологии машинного обучения в военных целях. Официально проектом занималась «междисциплинарная группа по алгоритмическому оружию»⁵⁰³, но реализация проекта всецело зависела от помощи со стороны таких компаний, как Google, которые последние несколько лет накапливали знания, опыт и инфраструктуру, необходимые для создания систем глубокого обучения. Министерство обороны обычно так и создавало новые технологии – в сотрудничестве с частным бизнесом, – но здесь динамика взаимоотношений была не та, что в прошлом. Google и другие компании, доминировавшие в индустрии ИИ, не были традиционными военными подрядчиками. Это были технологические компании, ориентированные на потребителей, и опыта сотрудничества с военными у них практически не было. Более того, после прихода в Белый дом Дональда Трампа, работники этих компаний еще более настороженно относились к любым правительственным проектам. Компания Google была особенно чувствительна к таким противоречивым вопросам: ее уникальная корпоративная культура позволяла сотрудникам – или даже поощряла их – высказывать свое мнение, делать то, что им нравилось делать, и вообще вести себя на работе так же, как они ведут себя дома. С первых дней существования компании эту культуру внедряли Сергей Брин и Ларри Пейдж, которые оба в юности прошли через школьное обучение по системе Монтессори⁵⁰⁴, поощрявшей свободомыслие.

Противоречия, связанные с проектом Maven, потенциально могли обостриться до крайности. Многие ученые, занимавшиеся в Google тематикой глубокого обучения, включая Джеффа Хинтона и основателей DeepMind, были принципиально против создания автономных систем вооружения. Тем не менее, многие из топ-менеджеров Google очень даже хотели работать с Министерством обороны. В частности, Эрик Шмидт, председатель правления Google, был одновременно председателем Совета по оборонным инновациям, гражданской организации, созданной администрацией Обамы, которая стремилась ускорить перемещение новых технологий из Кремниевой долины в Пентагон. На недавнем заседании Совета Шмидт заявил, что между Кремниевой долиной и Пентагоном существует «слишком большой разрыв»⁵⁰⁵ и что главная задача Совета – этот разрыв ликвидировать. Руководство Google также видело в сотрудничестве с военными еще один способ развить облачный бизнес компании. Поэтому за кулисами компания уже активно сотрудничала с министерством обороны. Уже примерно через месяц после запуска проекта Maven, в мае, команда «гуглеров» встретилась с официальными лицами в Пентагоне, а на следующий день компания подала заявку на проведение государственной сертификации, необходимой для того, чтобы получить добро на размещение секретной военной информации на серверах компании. Но когда три месяца спустя Мэттис обсуждал эти технологии в штаб-квартире Google, он прекрасно понимал, что их взаимоотношения требуют особой деликатности.

Мэттис сказал, что уже видел могущество технологий компании на поле боя. В частности, противники Америки использовали Google Earth, интерактивную цифровую карту земного шара, сшитую из спутниковых снимков, для идентификации артиллерийских целей. Но он хотел бы, чтобы инициатива в этой игре перешла к США. Запустив проект Maven, министерство обороны хочет разработать такую систему ИИ, которая могла бы не только читать спутниковые снимки, но и анализировать видео, снимаемые беспилотниками ближе к полю боя. Мэттис похвалил Google за ее «передовые технологии», а также за «репутацию ответственной корпорации». По его словам, это одна из причин, почему он здесь. Его тоже беспокоят вопросы этичного использования ИИ. Он сказал, что компания должна продолжать внушать министерству обороны «чувство неловкости» – и заставить военных пересмотреть свои традиционные подходы. «Ваши идеи приветствуются министерством», – сказал он.

Сидевший напротив Мэттиса Пичай сказал, что компания Google много думает об этичном применении ИИ. По его словам, подобные технологии все чаще используются во зло, и поэтому силам добра важно оставаться впереди. Тогда Мэттис спросил, не может ли Google как-то программным путем внедрить в сами эти системы какие-то морально-этические ограничители – но «гуглеры» прекрасно понимали нереалистичность этого варианта. Джаннандреа, который курировал всю работу Google по ИИ, подчеркнул, что качество этих систем в конечном счете зависит от качества используемых для обучения данных. Но Кент Уокер, главный юрисконсульт Google, высказался иначе. Эти технологии, сказал он, обладают огромным потенциалом в плане спасения жизней.

К концу сентября, примерно через месяц после визита Мэттиса в штаб-квартиру Google, компания подписала трехлетний контракт о своем участии в проекте Maven. Стоимость контракта составляла от 25 до 30 миллионов долларов, причем первые 15 миллионов должны быть освоены компанией в течение восемнадцати месяцев. Для Google это была небольшая сумма, и ее предстояло разделить с другими подрядчиками, но компания этим забрасывала удочку, чтобы в перспективе получить что-то большее. В том же месяце Пентагон пригласил американские компании принять участие в тендере на JEDI (Joint Enterprise Defense Infrastructure), десятилетний контракт на 10 миллиардов долларов на поставку министерству обороны облачных вычислительных услуг, необходимых для запуска его основных технологий. Вопрос заключался в том, стоило ли Google предавать гласности свое участие в проекте Maven, в то время как компания пыталась заполучить JEDI, а в будущем, возможно, и другие правительственные контракты.

Через три недели после визита Мэттиса в штаб-квартиру Google Институт будущего жизни опубликовал открытое письмо, призывающее Организацию Объединенных Наций⁵⁰⁶ запретить, как они выразились, «роботов-убийц». Так они называли автономное оружие. «Поскольку компании разрабатывают технологии искусственного интеллекта и робототехники⁵⁰⁷, которые могут быть перепрофилированы для разработки автономного оружия, мы считаем себя обязанными поднять тревогу, – говорится в письме. – Летальное автономное оружие угрожает стать третьей революцией в сфере вооружений. После того как оно будет разработано, оно позволит вести вооруженные конфликты в гораздо больших масштабах и гораздо стремительнее, чем люди могут себе представить». Это письмо подписали более ста человек⁵⁰⁸, имеющих отношение к индустрии ИИ. Среди них были Илон Маск⁵⁰⁹, который и без того очень часто предупреждал об экзистенциальной угрозе со стороны сверхразума, а также Джефф Хинтон, Демис Хассабис и Мустафа Сулейман⁵¹⁰. Сулейман считал, что за этими технологиями нужен надзор нового типа. «Кто принимает решения, которые однажды отразятся на судьбах миллиардов людей на нашей планете? И кто участвует в обсуждении? – спрашивает он. – Нам необходимо значительно диверсифицировать круг участников процесса принятия решений, а это означает, что регуляторы – политики, активисты гражданского общества и те люди, которым мы стремимся служить с помощью наших технологий, – должны быть вовлечены на самых ранних этапах, чтобы они хорошо понимали сам процесс создания наших продуктов и те алгоритмы, которые за ними кроются».

В том же сентябре, когда Google готовилась подписать контракт на проект Maven, среди сотрудников отдела продаж, отвечавших за подготовку соглашения, возникла бурная переписка о том, должна ли компания предать это соглашение гласности. «Мы объявляем об этом? И можем сумму называть? И какие инструкции мы даем правительству? – написал один из «гуглеров». – Если мы будем играть в молчанку, то не сможем повлиять на реакцию общественности. Это не пойдет на пользу нашей репутации». Этот сотрудник полагал, что компания должна обнародовать эту новость, и другие соглашались с ним. «Рано или поздно это выйдет наружу, – полагал его коллега. – Не будет ли лучше, если об этом узнают от нас и в нашей интерпретации?» Дискуссия продолжалась несколько дней, и кто-то втянул в нее Фэй-Фэй Ли.

Ли приветствовала контракт. «Я так взволнована, что мы близки к тому, чтобы заполучить проект Maven! Это была бы большая победа, – написала она. – Спасибо вам за все те замечательные усилия, которые вы прилагаете для этого!» Но она также призвала к крайней осторожности в плане огласки. «Я думаю, что мы должны сделать хороший пиар истории сотрудничества министерства обороны с GCP именно с позиции обычных облачных технологий», – написала она, имея в виду Google Cloud Platform (облачную платформу Google). Она знала, что пресса поставит под сомнение этичность проекта – хотя бы потому, что Илон Маск уже начал нагнетать страсти:

Использование искусственного интеллекта в сфере вооружений – это, пожалуй, одна из самых чувствительных тем в сфере ИИ – если не самая. Это как красная тряпка для СМИ, которые рады любому поводу, чтобы укусить Google. Вы, наверное, слышали комментарий Илона Маска о том, что ИИ спровоцирует Третью мировую войну. Много внимания СМИ уделяют также кибероружию, международной конкуренции и потенциальной геополитической напряженности из-за ИИ. Google уже сталкивается с обвинениями во вторжении в частную жизнь, как только речь заходит об ИИ и использовании исходных данных. Я не знаю, что произойдет, если СМИ подхватят тему о том, что Google создает оружие или технологии ИИ для оборонной промышленности. Мы в Google Cloud в 2017 году уже подняли тему демократизации ИИ. Мы с Дианой говорили о внедрении философии «гуманистического ИИ» на нашем предприятии. И чтобы сохранить этот позитивный имидж, нам нужно быть очень осторожными.

В итоге компания Google решила не анонсировать свое участие в проекте Maven и попросила министерство обороны воздержаться от комментариев. Даже сотрудникам компании пришлось узнавать об этом самостоятельно.

Проезжая по шоссе 101 – восьмиполосной магистрали, рассекающей Кремниевую долину через самое сердце, – невозможно не обратить внимание на «Ангар 1», одно из самых больших отдельно стоящих зданий на Земле. Построенный в 1930-е годы для размещения дирижаблей ВМС США, этот гигантский стальной ангар высотой около шестидесяти метров занимает более трех гектаров земли и вмещает шесть футбольных полей. Он находится на территории военного аэродрома Моффет, расположенного между городами Маунтин-Вью и Саннивейл. Этот аэродром, построенный почти сто лет назад, принадлежит НАСА, и сейчас там располагается научно-исследовательский центр космического агентства, но большую часть бывшей авиабазы арендует Google. Компания использует старые стальные ангары для испытаний воздушных шаров, которые могли бы в один прекрасный день обеспечить доступ в интернет с неба, а взлетно-посадочные полосы вот уже много лет ее руководители, включая Ларри Пейджа, Сергея Брина и Эрика Шмидта, используют для полетов на своих частных самолетах.

Новая штаб-квартира подразделения Google Cloud расположилась на южной окраине аэродрома Моффет: три здания окружают поросший травой двор, заставленный пластиковыми столами и стульями, где «гуглеры» каждый день обедают. В одном из зданий разместилась «лаборатория передовых решений», где компания разрабатывает индивидуальные технологии под заказ для своих крупнейших клиентов. В этом самом здании 17 и 18 октября представители компании встретились с заместителем министра обороны Патриком Шанаханом и его помощниками, чтобы обсудить роль Google в проекте Maven. Как и многие другие высокопоставленные чины министерства обороны, Шанахан рассматривал этот проект лишь как первый шаг к чему-то большему. В какой-то момент он сказал: «Отныне в нашем департаменте никакие перспективные инновации не принимаются, если в них не предусмотрена возможность использования искусственного интеллекта». По крайней мере, «гуглерам», которые добились этого контракта, казалось, что их компания и дальше будет важнейшей частью этого долгосрочного плана.

Но сначала Google пришлось создать программное обеспечение для так называемой системы «воздушного зазора». Речь идет о компьютере (или сети компьютеров), который в некотором смысле окружен воздушной прослойкой, то есть не подключен ни к какой другой сети. Ввести данные в такую систему можно лишь через какое-то физическое устройство, например с помощью флешки. Предполагалось, что военные будут загружать в эту систему съемки с беспилотников, а Google нужно придумать способ получать доступ к этим данным, чтобы подавать их в нейронную сеть. Это означало, что специалисты Google не только не смогут контролировать систему, но даже не будут толком знать, как она используется. В ноябре команде из девяти инженеров Google было поручено создать программное обеспечение для этой системы, но они так и не сделали этого. Они быстро поняли, что к чему, и отказались участвовать.

После Нового года, когда слухи о проекте начали распространяться по всей компании, стали высказываться опасения, что Google помогает Пентагону наносить удары беспилотниками. В феврале те самые девять инженеров рассказали свою историю во внутренней соцсети Google+. Многие из коллег поддержали их позицию и окрестили этих инженеров «Бандой девяти». В последний день месяца Мередит Уиттакер, менеджер по продуктам в группе облачных технологий – которая ранее основала при Нью-Йоркском университете Институт AI Now («ИИ сейчас»), ставший одной из самых известных организаций, занимающихся вопросами этики ИИ, – опубликовала петицию. Она потребовала, чтобы Пичай расторг контракт с военными по проекту Maven. «Компания Google, – говорилось в петиции, – не должна заниматься военными делами».

На следующий день руководители Google выступили с обращением к сотрудникам, в котором заявили, что сумма контракта по проекту Maven составляет всего лишь 9 миллионов долларов и что Google создает технологии исключительно для «ненаступательных» целей. Но волнения не утихали. В первый день петицию Уиттакер подписали пятьсот человек⁵¹¹. На следующий день – еще тысяча. В первых числах апреля, когда число подписантов превысило три тысячи, газета New York Times рассказала о происходящем⁵¹², а несколько дней спустя руководитель группы облачных технологий пригласил Уиттакер присоединиться к обсуждению контракта Maven за круглым столом на очередном пятничном собрании. Она и еще два «гуглера» – оба сторонники проекта Maven – обсуждали эту тему трижды, чтобы их разговор можно было транслировать в прямом эфире в трех разных часовых поясах по всему земному шару.

В Лондоне петицию Уиттакер подписали более половины сотрудников DeepMind, причем особенно заметную роль в протесте сыграл Мустафа Сулейман. Контракт Google по проекту Maven шел вразрез с его фундаментальными убеждениями. Он рассматривал протесты внутри Google как свидетельство того, что европейские ценности постепенно распространяются и на США, заставляя менять курс даже крупнейшие технологические компании. Ранее на волне возмущений в Европе был принят «Общий регламент по защите персональных данных» (GDPR), закон, принуждающий эти компании уважать конфиденциальность личной информации. Теперь же буря внутри Google заставила компанию пересмотреть свой подход к сотрудничеству с военными. На фоне обострения ситуации Сулейман призвал генерального директора Пичая и главного юрисконсульта Кента Уокера доработать этические принципы, которые официально закрепили бы, чем Google может заниматься, а чем нет.

В середине мая группа независимых ученых обратилась с открытым письмом⁵¹³ к Ларри Пейджу, Сундару Пичаю, Фэй-Фэй Ли и руководству облачного бизнеса Google. «Как ученые, преподаватели и исследователи⁵¹⁴, которые изучают, преподают и развивают информационные технологии, мы выражаем свою солидарность с более чем 3100 сотрудниками Google, к которым присоединились другие работники IT-отрасли, выступающие против участия Google в проекте Maven, – говорится в письме. – Мы всем сердцем поддерживаем их требование о том, чтобы Google расторгла свой контракт с министерством обороны и чтобы Google и ее материнская компания Alphabet обязались не разрабатывать военные технологии и не использовать в военных целях персональные данные, которые они собирают». Это письмо подписали более тысячи ученых⁵¹⁵, в том числе Йошуа Бенжио и несколько коллег Ли по Стэнфорду.

Ли оказалась между молотом и наковальней: руководители компании, в которой она работала, хотели одного, а коллеги из научных кругов требовали другого. Затруднительное положение, в которое она попала, свидетельствовало о постепенном усилении противоречий между этими двумя мирами, миром бизнеса и миром науки. Технология, над которой ученые трудились несколько десятилетий, теперь стала основой бизнеса для крупнейших и самых могущественных компаний мира. А это означало, что одной из важнейших движущих сил в ее развитии становилась жажда прибыли. Многие так сильно переживали по этому поводу, что даже стали упрекать Хинтона за то, что он недостаточно громко и внятно озвучивал свою позицию. «Я перестал его уважать, – заявил Джек Поулсон, бывший профессор Стэнфордского университета, работавший в отделении Google в Торонто, несколькими этажами ниже Хинтона. – Он так и не высказался». Но негласно Хинтон лично убеждал Сергея Брина расторгнуть контракт.

После публикации открытого письма и угроз в свой адрес в китайских социальных сетях Фэй-Фэй Ли стала говорить, что боится за свою безопасность, настаивая на том, что участие компании в проекте Maven не ее вина. «Я не участвовала в принятии решений и не имею отношения ни к подаче заявки на участие, ни к заключению контракта», – заявила она впоследствии, а в отношении своего письма об Илоне Маске и угрозе Третьей мировой войны сказала только, что «мое предостережение, адресованное сотрудникам отдела продаж, было правильным». 30 мая на первой полосе New York Times вышла статья⁵¹⁶, посвященная дебатам, которые побудили ее написать то самое письмо, и эта публикация лишь подогрела протесты внутри компании. Через несколько дней руководство Google объявило сотрудникам, что не станет продлевать контракт с военными.

История с Google была лишь одним из проявлений более масштабной кампании против военных контрактов. Сотрудники Clarifai также были недовольны своей работой над проектом Maven. Один инженер покинул проект сразу после визита трех офицеров в форме, еще несколько человек покинули компанию в последующие недели и месяцы. В Microsoft и Amazon сотрудники протестовали против контрактов с вооруженными силами и правоохранительными органами⁵¹⁷. Но там эти протесты были не столь эффективны. И даже в Google волна протестов постепенно спала. Компания рассталась с большинством тех, кто выступал против участия в проекте Maven, включая Мередит Уиттакер и Джека Поулсона. Фэй-Фэй Ли вернулась в Стэнфорд. Хотя Google решила не продлевать контракт, она продолжала продвигаться в том же направлении. Год спустя Кент Уокер выступил в Вашингтоне⁵¹⁸ на мероприятии с участием генерала Шанахана и заявил, что история с проектом Maven не отражает более широких целей компании. «Это решение касается отдельного контракта, – сказал он. – Оно не касается нашей готовности продолжать сотрудничество с министерством обороны, как и истории наших взаимоотношений».

Марк Цукерберг каждый день одевается на работу одинаково: голубовато-серая хлопчатобумажная майка и синие джинсы. Он считает, что такое равнодушие к одежде оставляет ему больше энергии для руководства Facebook, которую он любил называть «сообществом», а не компанией или социальной сетью. «Я действительно хочу очистить свою жизнь от излишеств⁵¹⁹, сделать ее такой, чтобы мне приходилось как можно меньше думать о чем-либо, кроме как о том, чтобы еще лучше служить этому сообществу, – сказал он однажды. – На самом деле существует целые психологические теории о том, что необходимость принимать даже самые простые решения – что надеть, что съесть на завтрак или что-то в этом роде – утомляет и отнимает энергию». Но когда он давал показания перед Конгрессом в апреле 2018 года⁵²⁰, на нем был темно-синий костюм и синий же – цвета Facebook – галстук. Некоторые называли его костюм «Прошу прощения»⁵²¹. Другие говорили, что его стрижка с очень короткой челкой делала его похожим на кающегося монаха⁵²².

Месяцем ранее газеты США и Великобритании сообщили, что британский стартап Cambridge Analytica⁵²³ собрал личную информацию из профилей более чем 50 миллионов пользователей Facebook, чтобы использовать эти данные для целевого воздействия на избирателей в интересах кампании Трампа в преддверии выборов 2016 года. Это открытие вызвало целую лавину упреков и обвинений со стороны средств массовой информации, общественных защитников и законодателей, накрывшую Цукерберга и Facebook, которым и без того хватало критики за предыдущие несколько месяцев. Вызванный на Капитолийский холм, Цукерберг давал показания десять часов в течение двух дней⁵²⁴. Он ответил на более чем шестьсот вопросов⁵²⁵, заданных почти ста законодателями и касавшихся как новых, так и старых тем, включая историю с Cambridge Analytica, российское вмешательство в выборы, а также фейковые новости и пропаганду ненависти, которые часто распространяются через Facebook, провоцируя насилие в таких местах, как Мьянма и Шри-Ланка. Цукерберг извинялся снова и снова, хотя не всегда выглядел виноватым. Как наедине, так и на публике Цукерберг вел себя почти как робот, непривычно часто моргая глазами и время от времени издавая бессознательный щелкающий звук в горле, который мог казаться каким-то сбоем в работе машины.

В первый же день выступления Цукерберга перед Сенатом сенатор-республиканец от штата Южная Дакота Джон Тун поставил под сомнение искренность и эффективность извинений Цукерберга⁵²⁶, сказав, что основатель Facebook публично извиняется вот уже четырнадцать лет, совершая одну серьезную ошибку за другой. Цукерберг признал справедливость критики, но сказал, что теперь компания Facebook понимает⁵²⁷, что она должна работать по-новому, что она должна не просто предоставлять людям возможность обмениваться информацией в интернете, но и активно контролировать этот обмен. «Думаю, весь этот ворох новых проблем⁵²⁸ – речь не только о соблюдении конфиденциальности данных, но также о фейках и иностранном вмешательстве в выборы – научил нас тому, что нам нужно брать на себя больше инициативы и больше ответственности, – сказал он. – Мало просто создавать инструменты. Мы должны быть уверены, что они используются во благо». Тун сказал, что он рад⁵²⁹, что Цукерберг осознал это. Но он хочет знать, как конкретно Facebook будет решать эту невероятно трудную проблему530. Например, борьба с пропагандой ненависти⁵³¹ может казаться несложной задачей, но это не так. С лингвистической точки зрения этому очень трудно дать четкое определение, и иногда грань между допустимым и недопустимым может быть очень тонкая и расплывчатая, поскольку может по-разному проявляться в разных культурах и странах.

В ответ Цукерберг вспомнил ранние дни существования Facebook⁵³², изложив некоторые из заранее заготовленных тезисов. Когда он создавал Facebook в 2004 году⁵³³ и его офисом была комната в общежитии, сказал он, люди могли делиться в этой социальной сети всем, чем хотели. А если кто-то сигнализировал о неуместных или неприличных публикациях⁵³⁴, сотрудники компании рассматривали жалобы и решали вопрос об их удалении. За прошедшие десятилетия подразделение, которое занимается этим в компании, разрослось неимоверно⁵³⁵. Сейчас этой социальной сетью пользуются более 2 миллиардов человек, и проверкой контента, на который поступают жалобы, занимаются более двадцати тысяч сотрудников. Но использование искусственного интеллекта там, где это возможно, позволит облегчить ситуацию⁵³⁶.

В то время как Ян Гудфеллоу и некоторые другие исследователи видели в технологии глубокого обучения потенциальную опасность усиления проблемы фальшивых новостей, Цукерберг видел в этом возможное решение проблемы. Системы искусственного интеллекта, сказал он сенатору Туну, уже способны идентифицировать пропаганду со стороны террористов с почти идеальной точностью. «Пока мы здесь с вами сидим, 99 процентов контента⁵³⁷, поступающего на страницы Facebook со стороны ИГИЛ и Аль-Каиды, наши системы ИИ успевают блокировать, прежде чем она попадет кому-либо на глаза», – сказал он. Он признал, что другие виды токсичного контента труднее идентифицировать, включая пропаганду ненависти. Но он выразил уверенность, что ИИ все-таки сможет решить эту проблему⁵³⁸. Через пять-десять лет, по его словам, ИИ научится даже распознавать нюансы языка ненависти⁵³⁹. Однако при этом он умолчал о том, что даже люди пока не могут договориться о том, что считать и что не считать пропагандой ненависти.

Двумя годами ранее, летом 2016 года, после победы AlphaGo над Ли Седолем, но еще до того, как Дональд Трамп одержал победу над Хиллари Клинтон, Цукерберг сидел за большим конфренц-столом в Корпусе 20, недавно построенном в кампусе компании в Менло-Парке. Спроектированное Фрэнком Гери, это длинное приземистое здание на стальных сваях имеет площадь более сорока тысяч квадратных метров. На крыше собственный «Центральный парк»: три с половиной гектара травы, деревьев и гравийных дорожек, где «фейсбукеры» могут посидеть или прогуляться, когда им заблагорассудится. Внутри одно огромное открытое пространство, заполненное столами, стульями и ноутбуками и вмещающее более двух тысяч восьмисот сотрудников. Если стать в нужном месте, то можно увидеть все помещение от одного края до другого.

Цукерберг проводил совещание, посвященное итогам работы компании за полугодие. Руководители каждого подразделения входили в зал, где он сидел, отчитывались за первые шесть месяцев года, а затем уходили. Когда подошла очередь группы, отвечающей за разработки ИИ, вместе с техническим директором Майком Шрепфером и другими сотрудниками в зал зашел Ян Лекун. Он подробно описал работу своего подразделения, связанную с распознаванием изображений, машинным переводом и пониманием естественного языка. Цукерберг слушал молча. Шрепфер тоже. Затем, когда презентация закончилась, группа покинула комнату, Шрепфер накинулся на Лекуна, заявив, что все сказанное им ничего не значит. «Нам нужно что-то, что показало бы, что мы в чем-то опережаем другие компании, – сказал он Лекуну. – Мне все равно, как вы это сделаете. Нам просто нужно в чем-то обойти конкурентов. Просто начните соревнование, в котором мы точно сможем победить».

«Видео. Мы могли бы победить в распознавании видео», – сказал кто-то из коллег, стоявших за спиной Лекуна.

«Ну вот видите?! – рявкнул Шрепфер на Лекуна. – Можно же чему-то научиться!»

Для Facebook лаборатория искусственного интеллекта была одной из возможностей попиариться. Цукерберг хотел, чтобы мир увидел в Facebook новатора, не уступающего Google. Это помогло компании привлечь лучшие кадры. И в то время, когда над Кремниевой долиной навис призрак антимонопольных разбирательств, это послужило бы доводом против дробления компании на куски – во всяком случае, так полагали многие. Идея заключалась в том, чтобы показать антимонопольным регуляторам, что Facebook – не просто социальная сеть, что это нечто большее, чем просто связующее звено между людьми, что это компания, создающая новые технологии, жизненно важные для будущего человечества. Именно поэтому Шрепфер объявил журналистам, что Facebook создает искусственный интеллект, который сможет овладеть премудростями игры го, и что грандиозные идеи, стоящие за этим проектом, повлияют на все, чем занимается компания. И поэтому несколько недель спустя Цукерберг попытался упредить успех DeepMind в игре го. Руководители Facebook были полны решимости показать, что компания является лидером в области ИИ. Но Лекун, глава лаборатории Facebook, был не из тех, кто гоняется за сенсациями и громкими успехами. Он не был Демисом Хассабисом или Илоном Маском. Проработав в этой области несколько десятилетий, он смотрел на разработки ИИ как на не терпящие суеты долговременные исследования.

Грандиозные идеи, о которых Шрепфер сообщил журналистам, были действительно очень важны для будущего компании. Но будущее оказалось не таким блестящим, идеи оказались не такими грандиозными, и влияние их на компанию оказалось не таким, как он себе это представлял.

Пригласив десятки лучших разработчиков в лабораторию искусственного интеллекта Facebook, занимавшую офисы в Нью-Йорке и Кремниевой долине, Шрепфер создал вторую организацию, которой должна была внедрять разрабатываемые лабораторией технологии на практике – «группу прикладного машинного обучения». Поначалу она привнесла в крупнейшую в мире социальную сеть такие новшества, как распознавание лиц, автоматический перевод и автоматическое создание подписей к изображениям. Но затем миссия группы начала меняться.

В конце 2015 года, когда исламские боевики убили сто тридцать человек и ранили почти пятьсот, проведя скоординированные теракты в Париже и его окрестностях, Марк Цукерберг отправил в группу запрос о том, что они могли бы сделать для борьбы с терроризмом в самой социальной сети. В течение следующих нескольких месяцев они проанализировали тысячи размещенных на страницах Facebook записей, связанных с такими организациями, как «Исламское государство» и «Аль-Каида» и нарушающих правила пользования сетью, и придумали систему, которая может самостоятельно, автоматически помечать террористическую пропаганду. Затем модераторы анализируют то, что система пометила и окончательно решают, следует ли его удалять. Именно на эту технологию указывал Цукерберг, когда говорил сенаторам, что искусственный интеллект Facebook может автоматически идентифицировать 99 процентов всей террористической пропаганды. Однако компания не обнародовала этот инструмент, когда он был развернут, потому что некоторые руководители, включая операционного директора Шерил Сандберг, опасались, что идея ИИ, отслеживающего террористическую угрозу, будет вызывать слишком много кривотолков на фоне дискуссии о разрушительном сверхразуме, поднятой Илоном Маском.

Другие специалисты, однако, весьма скептически относились к этим планам, понимая, насколько сложной и полной нюансов может быть такая технология. В ноябре 2016 года, когда Цукерберг все еще отрицал роль Facebook в распространении фейков, Дин Померло бросил перчатку. Через тридцать лет после создания при помощи нейронных сетей беспилотного автомобиля в Университете Карнеги – Меллона, он объявил Fake News Challenge⁵⁴⁰, как он его назвал в своем твите, поставив 1000 долларов⁵⁴¹ на то, что никто не сможет создать автоматизированную систему, способную отличать реальность от фейка. «Я вызываю каждого и ставлю 20 против 1⁵⁴² (до 200 долларов на одного претендента, всего 1000 долларов), что они не смогут разработать автоматизированный алгоритм, который отличит реальные утверждения от фейков в интернете», – написал он. Он понимал, что современным технологиям эта задача, требующая очень тонкого человеческого чутья и здравомыслия, не под силу. Если бы удалось создать технологию искусственного интеллекта, способную надежно идентифицировать фейки, это было бы настоящим прорывом, важной вехой в развитии ИИ. «Это означало бы, что ИИ сравнялся с человеческим интеллектом»⁵⁴³, – сказал он. Он также понимал, что само понятие фейка является относительным. Что реальность, а что фейк – это вопрос мнения. Если люди не могут договориться между собой о том, что является и что не является фейками, как они могут обучить машины распознавать их? Любые новости содержат в себе внутренний конфликт между объективным наблюдением и субъективным суждением. «Во многих случаях⁵⁴⁴, – утверждал Померло, – правильного ответа попросту нет». Поначалу его челлендж вызвал всплеск активности. Но из этого ничего не вышло.

На следующий день после того, как Померло объявил свой челлендж, компания Facebook, продолжавшая отрицать существование проблемы, провела круглый стол для прессы в своей корпоративной штаб-квартире в Менло-Парке⁵⁴⁵. Там был Ян Лекун⁵⁴⁶, и репортер спросил его, способен ли ИИ обнаруживать фальшивые новости⁵⁴⁷ и другой токсичный контент, который так стремительно распространяется по социальной сети, включая показы сцен насилия в прямом эфире. В частности, двумя месяцами ранее мужчина повесился в Бангкоке, и это все в режиме реального времени снималось и транслировалось через Facebook. Лекун сослался на этическую дилемму. «Где грань между фильтрацией и цензурой?⁵⁴⁸ Между свободой самовыражения и благопристойностью? – сказал он. – Технические возможности сами по себе либо уже существуют, либо могут быть созданы. Вопрос в другом: как правильно эти возможности использовать? А это уже не по моей части».

Внешнее давление на компанию продолжало нарастать, и Шрепфер начал перемещать больше ресурсов в группу прикладного машинного обучения в надежде на то, что она сумеет-таки очистить социальную сеть от токсичной активности, будь то порнография или фейковые аккаунты. К середине 2017 года обнаружение нежелательного контента занимало больше времени и внимания членов команды, чем любая другая задача. Шрепфер назвал эту задачу «безусловно главным приоритетом». В то же самое время компания продолжала расширять число внештатных подрядчиков, которые просматривали контент «вручную». Искусственный интеллект сам не справлялся.

Поэтому, когда Цукерберг давал показания перед Конгрессом после утечки данных, организованной Cambridge Analytica⁵⁴⁹, он вынужден был признать, что системы мониторинга Facebook все еще не обходятся без участия людей⁵⁵⁰. Искусственный интеллект может помечать определенные виды изображений и текста⁵⁵¹, например фотографии обнаженного тела или лозунги террористов, но после этого в дело вступают люди – огромное количество модераторов, работающих по договорам, в основном из-за границы. Они должны просмотреть каждый помеченный пост и решить, следует ли его убрать. Какими бы точными ни были инструменты ИИ в определенных ситуациях, им все еще не хватало гибкости человеческого здравомыслия. Например, искусственному интеллекту трудно отличить порнографическое изображение от фотографии матери, кормящей ребенка грудью. Кроме того, сама ситуация, в которой искусственному интеллекту приходилось учиться, не была статичной: по мере того как компания Facebook создавала системы, способные идентифицировать все больше разновидностей токсичного контента, в социальной сети появлялись новые категории материалов, которые эти системы еще не умели идентифицировать. Когда сенатор-демократ от Калифорнии Дайэнн Файнстайн спросила Цукерберга, как он собирается помешать внешним силам⁵⁵² вмешиваться в американские выборы, он снова указал на ИИ. Но он признал, что ситуация сложная. «Мы внедряем новые инструменты искусственного интеллекта⁵⁵³, которые лучше справляются с выявлением поддельных аккаунтов, пытающихся вмешиваться в выборы или распространять дезинформацию. Однако природа этих атак такова, что, как вы знаете, в России есть люди, чья работа как раз и заключается в том, чтобы использовать наши системы в своих интересах, – сказал он. – Но это же гонка вооружений, верно?»

В марте 2019 года, через год после того, как Цукерберг давал показания на Капитолийском холме, террорист убил пятьдесят одного человека в двух мечетях новозеландского Крайстчерча, ведя в Facebook прямую трансляцию нападения. Компании потребовался час, чтобы удалить видео из своей социальной сети, и за этот час оно распространилось по всему интернету. Несколько дней спустя Майк Шрепфер сидел с двумя журналистами в штаб-квартире Facebook⁵⁵⁴ и рассказывал им о том, какие усилия предпринимает компания по выявлению и удалению нежелательного контента с помощью искусственного интеллекта. На протяжении получаса, рисуя на доске схемы цветными маркерами, он показывал, как компания в автоматическом режиме выявляет рекламу марихуаны и экстази. Затем репортеры спросили о перестрелках в Крайстчерче. Он молчал целую минуту, и его глаза заблестели от слёз. «Мы работаем над этим прямо сейчас, – сказал он. – Такие проблемы в одночасье не решаются. Но я не хочу, чтобы этот наш разговор повторился через полгода».

На протяжении интервью он несколько раз был близок к тому, чтобы прослезиться, говоря о том, какого масштаба сложности стоят сейчас перед Facebook и какая ответственность лежит на компании. Несмотря на все это, он продолжал настаивать на том, что ИИ является хорошим ответом на все эти вопросы и вызовы, что со временем он облегчит сизифов труд компании и позволит вернуть ситуацию под контроль. Но под давлением журналистов, он признал, что эта проблема никогда не исчезнет полностью. «Я действительно думаю, что развязка когда-нибудь наступит, – сказал он. – Но вряд ли это будет в такой форме, что, дескать, ну вот все проблемы решены и можно собираться домой».

Искусственный интеллект создавался людьми, и многие его ошибки были результатом действия человеческого фактора. Когда видео из Крайстчерча появилось на Facebook, системы фильтрации не пометили его, потому что оно было совсем не похоже на то, что эти системы были обучены распознавать. Это было больше похоже на компьютерную игру-стрелялку от первого лица. Специалисты Facebook обучали системы ИИ распознавать сцены насилия на своем сайте, используя видео с собаками, нападающими на людей, с людьми, пинающими кошек или бьющими других людей бейсбольными битами. Но новозеландское видео было совсем иного рода. «Это видео совсем не похоже на наши учебные материалы», – сказал Шрепфер. Как и другие члены его команды, он смотрел видео несколько раз, пытаясь понять, как же все-таки научить систему, чтобы она могла автоматически распознавать что-то в этом роде. «Лучше бы я его не видел», – сказал он.

Когда в социальной сети стала появляться реклама марихуаны, Шрепфер и его команда создали системы, способные идентифицировать такую рекламу. Затем появлялись новые проблемы и задачи, и специалисты компании создавали новые способы идентификации этого нового контента, и цикл продолжался. Среди прочего разработчики создали системы, которые могли самостоятельно генерировать дезинформацию. Эти системы опирались на технологию генеративно-состязательных сетей и связанные с ними методы генерирования изображений. Использовалась также технология Wavenet, разработанная в DeepMind, которая могла генерировать реалистичные звуки, даже подражать чьему-либо голосу, например Дональда Трампа или Нэнси Пелоси.

Это превращалось в игру ИИ против ИИ. Когда подошел срок очередных выборов, Шрепфер объявил конкурс, призвав специалистов всей IT-индустрии и научных кругов создавать системы ИИ, которые могли бы идентифицировать дипфейки, то есть фейки, генерируемые другими системами ИИ. Вопрос был в том, какая сторона победит. Для таких исследователей, как Ян Гудфеллоу, ответ был очевиден. Дезинформация победит. Ведь генеративно-состязательные сети как раз и замышлялись как метод создания генератора образов, способного обмануть любой детектор. И этот генератор победит еще до начала игры.

Через несколько недель после объявления конкурса кто-то из журналистов снова спросил Яна Лекуна, может ли искусственный интеллект остановить фейковые новости. «Я не уверен, что у кого-то есть технология, способная оценить правдивость новостей, – сказал он. – Ведь правдивость, особенно когда речь идет о политических вопросах, – очень субъективное понятие». Даже если бы вы могли построить машину, которая могла бы более-менее выполнять эту работу, добавил он, нашлось бы множество людей, которые сказали бы, что специалисты, которые ее создавали, были предвзятыми, и что данные, которые использовались для ее обучения, были предвзятыми, и они бы просто не приняли это. «Даже если бы такая технология существовала, – заключил он, – не факт, что ее стоило бы использовать».

Для Google кульминацией года считается конференция под названием I/O. Это старое сокращение, принятое у компьютерщиков и означающее Input/Output («Ввод/Вывод»). Ежегодно в мае тысячи людей, желающих принять участие в этой корпоративной феерии, совершают паломничество в Маунтин-Вью. Они съезжаются со всей Кремниевой долины и из более удаленных уголков мира высоких технологий только для того, чтобы на протяжении трех дней знакомиться с новейшими продуктами и услугами компании. Эта ежегодная конференциия проводится в Shoreline Amphitheatre, концертном зале на двадцать две тысячи мест, шпили которого, похожие на цирковые шатры, возвышаются над поросшими травой холмами через дорогу от штаб-квартиры компании. За минувшие десятилетия в этом амфитеатре выступали многие выдающиеся музыкальные коллективы, от Grateful Dead до U2 и Backstreet Boys. И здесь же каждый год выходит на сцену Сундар Пичаи, чтобы рассказать тысячам разработчиков программного обеспечения о бесчисленных технологиях, рождающихся из недр его компании, деятельность которой становится все более многообразной. В день открытия конференции весной 2018 года Пичай, одетый в темно-зеленую флиску⁵⁵⁵ поверх ярко-белой футболки, объявил собравшимся, что разработанный компанией виртуальный голосовой помощник сам может делать телефонные звонки.

Благодаря методам, впервые разработанным Джеффом Хинтоном и его учениками в Торонто, Google Assistant научился распознавать произносимые слова не хуже человека. Благодаря Wavenet, технологии генерации речи, разработанной в DeepMind, разговаривает он тоже вполне по-человечески. И вот, стоя на сцене Shoreline Amphitheatre, Пичаи представил новую фишку. Google Assistant, объявил он собравшимся, теперь может сам позвонить в ресторан и зарезервировать столик⁵⁵⁶. Он делал это в фоновом режиме, через компьютерную сеть Google. Вам достаточно попросить Ассистента заказать столик на ужин⁵⁵⁷, и дальше вы можете заниматься своими делами, например выносить мусор или поливать газон, а Ассистент сделает автоматический телефонный звонок в выбранный вами ресторан откуда-нибудь из центра обработки данных Google. Пичай прокрутил аудиозапись одного из таких звонков⁵⁵⁸ – разговор между Ассистентом и женщиной, которая ответила на звонок в неназванном ресторане.

– Здравствуйте, чем могу помочь?⁵⁵⁹ – спросила женщина с сильным китайским акцентом.

– Здравствуйте, я хотел бы зарезервировать столик на среду, седьмого, – сказал Google Assistant.

– На семь человек? – переспросила женщина, и по залу прокатились смешки.

– Э-э, на четыре человека, – сказал Google Assistant.

– Четыре человека. Когда? Сегодня? Вечером? – спросила женщина в ресторане, и смешки стали громче.

– Э-э, в следующую среду в шесть.

– Вообще-то мы резервируем места не больше, чем для пяти человек. Вчетвером можете приходить.

– Как долго обычно приходится ждать, чтобы… э-э… занять место?

– В какое время? Завтра? Или в выходные?

– В следующую среду, э-э, седьмого.

– А нет, тогда не слишком людно. Можете приходить вчетвером, хорошо?

– Ага, понятно. Спасибо.

– Да, до свиданья, – сказала женщина, и зал взорвался овацией.

Как объяснил Пичай, эта новая технология, получившая название Duplex⁵⁶⁰, стала результатом нескольких лет прогресса в различных направлениях развития искусственного интеллекта, включая распознавание и генерацию речи, а также понимание естественного языка – то есть способность не просто распознавать и продуцировать отдельные слова, но и по-настоящему владеть человеческой речью. Тех, кто находился в аудитории, демонстрация Пичаи по-настоящему потрясла. Затем он прокрутил им вторую запись, где Google Assistant позвонил в парикмахерскую⁵⁶¹, чтобы записаться на стрижку. Когда женщина в салоне сказала: «Дайте мне секундочку», а система ответила: «Ммм-ммм», – в зале раздались аплодисменты⁵⁶². Система Duplex могла отвечать не только правильными словами, но и подходящими случаю звуками – правильными вербальными сигналами. В последующие дни многие специалисты говорили, что система Duplex так хорошо имитирует человека, что возникает вопрос об этичности этого. Ведь система фактически обманывает людей, заставляя их думать, что она тоже человек. Руководство Google согласилось настроить систему⁵⁶³ так, чтобы она всегда сообщала, что она бот. Вскоре компания выпустила этот инструмент для пользователей Соединенных Штатов.

Но, с точки зрения Гэри Маркуса, эта технология была совсем не тем, чем казалась.

Через несколько дней после того, как Пичай выступил со своей презентацией в Shoreline Amphitheatre, Маркус, профессор психологии Нью-Йоркского университета, опубликовал статью в New York Times⁵⁶⁴, в которой постарался поставить Google Duplex на место. «Если бы эта презентация не была хитроумным фокусом⁵⁶⁵, то, что мы увидели, можно было бы назвать впечатляющим (хотя и несколько жутковатым) достижением. Но Google Duplex вовсе не является значительным шагом навстречу действительно содержательному искусственному интеллекту, как многие, кажется, думают». Хитрость, по словам автора, заключалась в том, что эта система работает в крошечной нише⁵⁶⁶: бронирование столиков в ресторанах и запись на обслуживание в парикмахерских. Ограничивая сферу действия⁵⁶⁷ – а значит, и ограничивая возможные ответы на обоих концах телефонной линии, – Google может обмануть людей, заставляя их поверить, что машина – это человек. Но это сильно отличается от системы, которая действительно могла бы выйти за эти рамки. «Записаться на стрижку в парикмахерской?⁵⁶⁸ Мечты об искусственном интеллекте связаны с куда более высокими целями – произвести революцию в медицине, скажем, или создавать надежных роботов-помощников для дома, – пишет Маркус. – Причина такой узости области применения Google Duplex заключается не в том, что это пока небольшой, но важный первый шаг к тем высоким целям. Причина в том, что разработчики ИИ пока еще не имеют понятия о том, как сделать что-то лучшее».

Гэри Маркус относится к длинному ряду мыслителей, которые верят в силу природы, а не только воспитания. Их называют нативистами, и они утверждают, что значительная часть всех человеческих знаний изначально заложена в мозгу, а не приобретается из опыта. Нативистам противостоят эмпирики, которые считают, что человек приобретает знание главным образом из опыта и обучения. Это спор тянется уже века, и на позиции нативизма стояли многие философы и психологи, начиная от Платона и заканчивая Иммануилом Кантом, Ноамом Хомски и Стивеном Пинкером. Гэри Маркус учился у Пинкера, психолога, лингвиста и автора научно-популярных книг, и на этом же фундаментальном подходе построил свою собственную карьеру. Теперь он перенес свой нативизм в мир искусственного интеллекта, став ведущим мировым критиком нейронных сетей, Марвином Мински эпохи глубокого обучения.

Подобно тому, как знания изначально встроены в человеческий мозг, у ученых и инженеров нет другого выбора, кроме как передавать знания искусственному интеллекту, утверждает он. Машины, как и люди, не могут научиться всему из опыта. Еще в начале 1990-х они с Пинкером опубликовали статью, показывающую, что нейронные сети не могут даже овладеть речевыми навыками, которые под силу маленьким детям, например распознавать повседневные глаголы в прошедшем времени. Двадцать лет спустя, после создания системы AlexNet, когда New York Times опубликовала на первой полосе статью о подъеме глубокого обучения, он дал ответ в колонке The New Yorker⁵⁶⁹, утверждая, что изменения не так значительны, как могли казаться. По его словам, методы, которых придерживается Джефф Хинтон, недостаточно эффективны для понимания⁵⁷⁰ машиной основ естественного языка, не говоря уже об имитации человеческого мышления. «Если перефразировать старую притчу⁵⁷¹, Хинтон построил лестницу покрепче, – писал он, – но это еще не значит, что более крепкая лестница позволит нам добраться до Луны».

Ирония заключалась в том, что вскоре после этого Маркус хорошо заработал на ажиотаже вокруг глубокого обучения. В первые дни 2014 года, узнав, что фирма DeepMind продала себя Google за 650 миллионов долларов, и решив: «Я могу это сделать», он позвонил старому другу по имени Зубин Гахрамани. Они познакомились более двадцати лет назад, когда оба были аспирантами Массачусетского технологического института. Маркус изучал там когнитивистику, а Гахрамани участвовал в междисциплинарной программе, призванной закрыть брешь между информатикой и нейробиологией. Они стали друзьями, и, когда им в один и то же день исполнился 21 год, они отпраздновали свой общий день рождения на квартире, которую Маркус снимал в Кембридже на Мэгэзин-стрит. После получения докторской степени Гахрамани пошел по пути, мало чем отличавшемуся от карьеры многих исследователей искусственного интеллекта, которые устроились в Google, Facebook и DeepMind. Он поступил в постдокторантуру к Джеффу Хинтону в Университет Торонто, а затем последовал за Хинтоном в Университетский колледж Лондона. Но, в отличие от многих других, Гахрамани в конечном итоге отошел от работы с нейронными сетями, отдавшись идеям, которые казались ему более элегантными, сильными и полезными. Итак, после того как DeepMind перешла под контроль Google, Маркус убедил Гахрамани, что они должны создать свой собственный стартап, основанный на той идее, что мир нуждается в чем-то большем, нежели глубокое обучение. Они назвали это «геометрическим интеллектом».

Затем они наняли около дюжины разработчиков искусственного интеллекта из разных американских университетов. Часть из них специализировалась на глубоком обучении, другие, в том числе Гахрамани, – на иных технологиях. Маркус был осведомлен о могуществе технологий и, конечно, понимал причины ажиотажа, сопровождавшего их. Основав свой стартап летом 2015 года, он и Гахрамани разместили свою команду исследователей в небольшом офисе в центре Манхэттена, где находился инкубатор стартапов, создаваемых под эгидой Нью-йоркского университета. Маркус сам присоединился к ним, а Гахрамани оставался в Великобритании. Чуть больше года спустя, проведя переговоры со многими крупнейшими технологическими компаниями, от Apple до Amazon, они продали свой стартап Uber⁵⁷², быстрорастущей компании, которая в дополнение к услугам такси решила заняться разработкой беспилотных автомобилей. Десятеро сотрудников стартапа сразу же перебрались в Сан-Франциско, сменив название своей лаборатории на Uber AI Labs. Маркус переехал вместе с лабораторией, а Гахрамани продолжал оставаться в Великобритании. Затем, четыре месяца спустя, Маркус без особых объяснений покинул компанию и вернулся в Нью-Йорк, снова обрядившись в тогу ведущего мирового критика глубокого обучения. Сам он не был разработчиком ИИ. Он был человеком, преданным своей системе идей. Один из коллег назвал его «симпатичным нарциссистом». Вернувшись в Нью-Йорк, он начал писать книгу, в которой еще раз доказывал, что возможности машины чему-либо научиться самостоятельно весьма ограниченны, и одновременно приступил к созданию новой компании, основанной на тех же принципах. Он также вызвал Хинтона и ему подобных на публичные дебаты о будущем ИИ. Хинтон вызов не принял.

Но уже осенью 2017 года в Нью-Йоркском университете состоялись дебаты Маркуса с Лекуном⁵⁷³. В этих дебатах, организованных «Центром разума, мозга и сознания»⁵⁷⁴ (Center for Mind, Brain, and Consciousness) – междисциплинарной программой Нью-Йоркского университета, соединяющей в себе психологию, лингвистику, нейробиологию, информатику и многое другое, – противопоставлялись природа и воспитание, нативизм и эмпиризм, «врожденная машинерия» и «машинное обучение». Маркус, выступавший первым, утверждал⁵⁷⁵, что глубокое обучение не способно достичь существенно больших результатов, чем решение простых задач на восприятие, такие как распознавание объектов на изображениях или узнавание произносимых слов. «Если нейронные сети и научили нас чему-то⁵⁷⁶, так это тому, что чистый эмпиризм имеет свои пределы», – сказал он. На долгом пути к искусственному интеллекту, сказал он, глубокое обучение позволило сделать лишь несколько крошечных шагов⁵⁷⁷. Помимо способности распознавать и генерировать изображения и звуки (как, например, это делают генеративно-состязательные сети), его самым большим достижением было освоение игры го, а ведь это всего лишь игра, замкнутая вселенная с тщательно определенным набором правил. Реальный же мир бесконечно сложнее. Система, обученная играть в го, заявил Маркус, бесполезна в любой другой ситуации. Ее нельзя назвать умной, потому что она неспособна адаптироваться к новым ситуациям. И она определенно неспособна справиться с одним из ключевых продуктов человеческого интеллекта: речью. «Чисто статистическая обработка информации⁵⁷⁸ «снизу вверх» не позволила нам сколько-нибудь далеко продвинуться по важному набору проблем – речь, рассуждения, планирование и здравый смысл – даже после шестидесяти лет работы с нейронными сетями, даже когда значительно улучшилась ситуация со скоростью вычислений, доступными объемами памяти и качеством исходных данных», – сказал он, обращаясь к аудитории.

Проблема в том, объяснил он, что нейронные сети обучаются не так, как человеческий мозг⁵⁷⁹. Даже для выполнения задач, которые не под силу нейронным сетям⁵⁸⁰, человеческому мозгу не требуются такие огромные объемы данных, как глубокому обучению. Детям, в том числе новорожденным⁵⁸¹, для обучения нужны совсем небольшие объемы информации, и иногда им достаточно одного-двух хороших примеров. Даже дети, выросшие в семьях⁵⁸², где родители не проявляют интереса к развитию и образованию своих чад, осваивают нюансы разговорной речи, просто прислушиваясь к тому, что происходит вокруг них. А вот нейронная сеть нуждается не просто в тысячах примеров. Нужно, чтобы каждый учебный пример был кем-то тщательно размечен. Это показывает, что искусственный интеллект неосуществим без того, что нативисты называют «врожденной машинерией»⁵⁸³: без того огромного количества знаний, которые, как они считают, изначально заложены в человеческий мозг. «Обучение возможно только потому, что наши предки разработали механизмы⁵⁸⁴ для обозначения таких вещей, как пространство, время и устойчивые объекты, – сказал Маркус. – Мой прогноз – и это только прогноз, доказать я этого не могу – заключается в том, что ИИ сможет работать намного лучше, когда мы научимся внедрять в него аналогичную информацию». Другими словами, он считает, что есть много вещей, которые ИИ никогда не сможет освоить самостоятельно. И эти вещи должны быть вручную запрограммированы инженерами.

У Маркуса, как убежденного нативиста, в этих дебатах был свой идеологический интерес. Но был также и экономический интерес, поскольку он работал над созданием нового стартапа, основанного на идее врожденной машинерии. Дебаты с Яном Лекуном в Нью-Йоркском университете стали началом скоординированной кампании, призванной показать мировому сообществу разработчиков ИИ, всей высокотехнологичной индустрии и широкой общественности, что возможности глубокого обучения гораздо более ограничены, чем это могло кому-то казаться. В первые месяцы 2018 года он опубликовал, как он выразился, трилогию статей⁵⁸⁵, критикующих глубокое обучение вообще и подвиги AlphaGo в частности. Затем он перенес свою критику в научно-популярную прессу, и одна из статей удостоилась анонса на обложке журнала Wired. Все это в конечном итоге привело к написанию книги⁵⁸⁶, которую он назвал «Перезагрузка ИИ» (Rebooting AI), и созданию нового стартапа, призванного закрыть брешь, которую он видел в глобальных усилиях по разработке ИИ.

У Лекуна выступление оппонента вызвало чувство недоумения. Как он сказал аудитории в Нью-Йоркском университете, он согласен с тем, что одним только глубоким обучением нельзя достичь истинного интеллекта⁵⁸⁷ и что никогда не говорил обратного. Он согласен с тем, что ИИ требуется врожденная машинерия⁵⁸⁸. Ведь нейронная сеть сама по себе и есть врожденная машинерия. С чего-то надо начинать, прежде чем запустится процесс самообучения. В ходе дебатов Лекун был сдержан и даже вежлив. Но в дальнейшем его тон изменился. Когда Маркус опубликовал свою первую статью, ставившую под сомнение будущее глубокого обучения, Лекун ответил твитом⁵⁸⁹: «Количество полезных советов, когда-либо данных Гэри Маркусом, равно нулю».

Маркус был не один такой. Многим теперь претила неунимающаяся волна шумихи вокруг слов «искусственный интеллект», поднимаемая прессой и рекламой. Компания Facebook была в авангарде революции глубокого обучения и видела в этой технологии ответ на самые насущные проблемы. Однако становилось все более очевидным, что это в лучшем случае частичное решение. На протяжении многих лет такие компании, как Google и Uber, обещали, что вот уже скоро на дорогах появятся беспилотные автомобили, которые будут перевозить обычных людей по городам Америки и других стран. Но даже охочие до сенсаций журналисты начали понимать, что эти утверждения сильно преувеличены. Хотя благодаря глубокому обучению они научились значительно лучше распознавать людей, препятствия и дорожные знаки и быстрее прогнозировать дорожные условия и планировать маршруты, беспилотные автомобили все еще были далеки от того, чтобы уметь справляться с хаосом повседневного дорожного трафика наравне с людьми. Хотя в Google рассчитывали открыть к концу 2018 года сервис беспилотных такси в городе Финиксе, штат Аризона, этого не произошло. Что касается разработки лекарств – области, которая выглядела такой многообещающей, после того как Джордж Даль и его коллеги из Торонто выиграли конкурс Merck, – то это оказалось гораздо более сложной задачей, чем первоначально думали. Вскоре после прихода в Google Даль отошел от этой идеи. «Проблема в том, что та часть процесса разработки лекарств, в которой мы больше всего могли бы помочь, является далеко не самой важной, – говорит он. – В общем итоге – а выход нового лекарства на рынок обходится в 2 миллиарда долларов – она составляет сущую мелочь». Орен Эциони, бывший сотрудник Вашингтонского университета, возглавлявший в Сиэтле Институт искусственного интеллекта имени Аллена, часто говорил, что, несмотря на весь ажиотаж вокруг глубокого обучения, ИИ не сможет даже пройти школьный экзамен по естествознанию.

Представляя в июне 2015 года новую парижскую лабораторию Facebook, Ян Лекун сказал: «Следующим большим шагом на пути технологии глубокого обучения является понимание естественного языка⁵⁹⁰ – чтобы машина научилась понимать не только отдельные слова, но и целые предложения и абзацы». Это была высокая цель для всего сообщества исследователей ИИ – следующая важная веха после того, как ИИ научился распознавать изображения и слова. Машина, способная понимать естественную речь людей, устную и письменную, – и даже поддерживать беседу – была стратегической целью разработок ИИ начиная с 1950-х годов. Но к концу 2018 года вера многих пошатнулась.

Ближе к концу дебатов, когда Маркус и Лекун отвечали на вопросы аудитории, женщина в желтой блузке встала и спросила Лекуна, почему прогресс с пониманием естественной речи застопорился.

– Революция, аналогичная распознаванию образов, так и не произошла⁵⁹¹, – сказала она.

– Я не совсем согласен с вашим утверждением, – сказал Лекун. – Есть, например…

– Что например? – перебила она его.

– Перевод, – сказал он.

– Машинный перевод, – возразила она, – не равносилен пониманию речи.

Примерно в то же самое время, когда проходили эти дебаты, ученые из Алленовского института искусственного интеллекта представили новый тип теста по английскому языку для компьютерных систем⁵⁹². Проверялась способность машины заканчивать фразы⁵⁹³ типа такой:

Женщина на сцене садится за рояль. Она

А. сидит на скамейке, пока ее сестра играет с куклой.

B. улыбается кому-то, пока играет музыка.

C. среди толпы наблюдает за танцующими.

D. нервно кладет пальцы на клавиши.

Машины показали себя не на высоте. В то время как люди правильно отвечали на 88 процентов вопросов теста⁵⁹⁴, система ИИ, созданная Алленовским институтом, смогла одолеть лишь около 60 процентов. У других машин результат был значительно хуже. И вот примерно через два месяца группа сотрудников Google во главе с Джейкобом Девлином представила систему, которую они назвали BERT⁵⁹⁵. Тестирование показало, что система BERT смогла ответить на столько же вопросов, на сколько мог ответить человек⁵⁹⁶. И при всем том разрабатывалась она совсем не для прохождения теста.

Система BERT была «универсальной языковой моделью», как это называют ученые. Несколько других лабораторий, включая Алленовский институт и OpenAI, работали над аналогичными системами. Универсальные языковые модели – это гигантские нейронные сети, которые осваивают все тонкости и капризы языка, анализируя миллионы предложений, написанных людьми. Система, созданная OpenAI, проанализировала тысячи самоизданных книг, включая любовные романы, научную фантастику и детективы. Система BERT проанализировала столь же обширную библиотеку книг, а также все статьи из Википедии, целыми днями проглатывая текст за текстом с помощью сотен графических процессоров.

Анализируя все эти тексты, каждая из систем осваивала вполне определенный навык. Система OpenAI, например, училась угадывать следующее слово в предложении. Система BERT училась угадывать пропущенные слова в любом месте предложения (например, «Мужчина ____ машину, потому что она была дешевая»). Но, учась решать эти вполне конкретные задачи, каждая система также знакомилась с общими правилами сборки речи из кусочков, узнавала о фундаментальных взаимоотношениях между тысячами английских слов. И эти знания исследователи могли бы применять для решения широкого круга других задач. Если они загрузят в BERT тысячи вопросов и ответы на них, то машина научится самостоятельно отвечать на другие вопросы. Если они загрузят в систему OpenAI достаточное количество готовых диалогов, она сможет научиться поддерживать диалог. Если же они введут в нее тысячи негативных заголовков, он может научиться распознавать негативные заголовки.

Система BERT показала, что эта большая идея работоспособна. Машина смогла пройти проверку на «здравый смысл» от Алленовского института. Она также прошла тест на понимание прочитанного, отвечая на вопросы, относящиеся к энциклопедическим статьям. Что такое углерод? Кто такой Джимми Хоффа? В еще одном тесте она смогла оценить общее отношение рецензента, пишущего о фильме, – он одобряет увиденное или нет. В подобных ситуациях машина не каждый раз показывала идеальный результат, но этот успех мгновенно изменил подходы исследователей, занимающихся проблематикой понимания естественного языка, и значительно ускорил прогресс в данной области. Джефф Дин и Google опубликовали исходный код BERT и вскоре обучили сисчтему более чем сотне языков. Другие разработчики создавали еще более масштабные крупные модели, обучая их на еще больших объемах данных. То, что эти системы обычно называли в честь персонажей «Улицы Сезам» – ELMO, ERNIE, BERT (сокращение от Bidirectional Encoder Representations from Transformers, «Двунаправленные кодирующие представления трансформаторов»), – было своего рода шутливой договоренностью разработчиков, но не умаляло их важности. Несколько месяцев спустя, используя систему BERT, Орен Эциони и Алленовский институт создали-таки систему искусственного интеллекта, которая смогла сдать школьный экзамен по естествознанию⁵⁹⁷ – и выпускной тоже.

После успеха BERT New York Times опубликовала статью, посвященную росту универсальных языковых моделей и объясняющую, как эти системы позволят улучшить широкий спектр продуктов и услуг, начиная от виртуальных помощников, таких как Alexa и Google Assistant, и заканчивая программным обеспечением, автоматически анализирующим документы в юридических фирмах, больницах, банках и других организациях. И этим объясняется рост опасений, что такие языковые модели могут привести к созданию более мощных версий Google Duplex, то есть ботов, способных убедить мир в том, что они люди. В статье также цитируется Гэри Маркус, который заявил, что общественность должна скептически относиться к утверждениям, что эти технологии будут и дальше стремительно совершенствоваться, потому что исследователи, как правило, сосредоточиваются на задачах, в которых прогресса добиться легче, и избегают тех задач, где прогресса нет. «Эти системы еще очень далеки от истинного понимания беглой речи»⁵⁹⁸, – заявил он. Джефф Хинтон, прочитав это, очень развеселился. Эта цитата Гэри Маркуса, сказал он, хороша тем, что ее можно будет использовать в любой статье, посвященной ИИ и пониманию естественной речи, еще долгие годы. «В ней нет технического содержания, поэтому она никогда не устареет, – сказал Хинтон. – И как бы долго ни продолжался стремительный прогресс, Гэри все равно будет утверждать, что все это вот-вот закончится».

В одном из помещений лаборатории OpenAI, на верхнем этаже трехэтажного здания в Сан-Франциско, в районе Мишн, возле окна установлена рука с протянутой ладонью. Она очень похожа на человеческую руку, но только сделана из металла и твердого пластика и подключена к электричеству. Стоящая рядом женщина берет кубик Рубика и вкладывает его в ладонь этой механической руки. Рука начинает двигаться, осторожно вращая грани кубика всеми пятью пальцами. При каждом движении кубик балансирует на кончиках пальцев, и, кажется, рука его вот-вот уронит. Но этого не происходит. По прошествии некоторого времени, цвета на кубике начинают упорядочиваться: красный рядом с красным, желтый рядом с желтым, синий рядом с синим. Примерно через четыре минуты рука поворачивает кубик в последний раз: готово! В небольшой группе исследователей, наблюдающих за процессом, раздаются восторженные восклицания.

Работавшие под руководством Войцеха Зарембы, польского исследователя, который сразу после основания OpenAI перешел туда из Facebook, инженеры и программисты потратили более двух лет на то, чтобы добиться этого впечатляющего результата. В прошлом уже многие создавали роботов, которые могли собрать кубик Рубика. Некоторым устройствам удавалось справиться с этой задачей менее чем за секунду. Но здесь была важная особенность. Это была механическая рука, которая двигалась как рука человека, а не специализированное оборудование, созданное исключительно для сборки кубика Рубика. Обычно инженеры программируют поведение роботов с кропотливой методичностью, тратя месяцы на определение сложных правил для каждого крошечного движения. Но потребуются десятилетия, может быть, даже столетия, чтобы инженеры могли по отдельности определить и запрограммировать каждое элементарное движение, которое потребуется пятипалой руке для сборки кубика Рубика. Заремба и его команда создали систему, которая могла освоить эти движения самостоятельно. Они принадлежат к новому сообществу ученых, которые верят в то, что роботы способны овладеть практически любыми навыками в виртуальной реальности, прежде чем применять их в реальном мире.

Чтобы добиться этого, они сначала создали виртуальную имитацию руки и куба. Внутри этой виртуальной реальности рука училась собирать кубик методом проб и ошибок. Она потратила десять тысяч лет (в эквиваленте), вращая грани туда-сюда и замечая, какие движения эффективны, а какие нет. Дополнительным усложняющим фактором было то, что на протяжении этих десяти тысяч виртуальных лет сам виртуальный мир постоянно менялся. Заремба и его команда неоднократно меняли размер пальцев и цвета куба, а также силу трения между гранями и даже цвета в пустом пространстве за кубом. Это призвано было гарантировать, что, когда они перенесут весь этот виртуальный опыт в реальный мир, реальная рука сможет совладать с любыми неожиданностями. Она сможет справиться с непредсказуемостью физического мира, с которой люди справляются легко, а машины зачастую не могут. К осени 2019 года роботизированная рука OpenAI могла собрать кубик Рубика и со связанными вместе двумя пальцами, и в резиновой перчатке, и когда кто-то мешал ей, подталкивая кубик мордой игрушечного жирафа.

С 2015 по 2017 год компания Amazon проводила ежегодный конкурс для специалистов по робототехнике. В последний год этого международного конкурса в нем участвовали семьдесят пять научных лабораторий, каждая из которых работала над созданием роботизированной системы, способной решить проблему, стоявшую перед глобальной складской сетью Amazon: проблему комплектации заказов. Через гигантские склады Amazon протянуты конвейерные линии, по которым движутся контейнеры с заказанными товарами, а складские рабочие роются в этих контейнерах, раскладывая нужные товары по нужным коробкам, чтобы потом отправить укомплектованные заказы покупателям в разные уголки страны. Руководство Amazon хотело, чтобы эту работу выполняли роботы. В конечном итоге, если бы эту работу можно было автоматизировать, она обходилась бы дешевле. Только вот подходящих роботов в наличии не было. Поэтому-то Amazon и объявила конкурс, предложив 80 000 долларов тем разработчикам, которые смогли бы ближе других подойти к решению этой проблемы.

В июле 2017 года шестнадцать финалистов из десяти стран отправились в японский город Нагоя, где состоялся последний тур конкурса. Каждой команде, которая в течение года готовилась к конкурсу, был выдан контейнер с тридцатью двумя разными предметами, о шестнадцати из которых они знали заранее, а о других шестнадцати не знали. Там были самые разные товары: средство для мытья окон, лотки для льда, упаковки теннисных мячей, коробки с фломастерами, рулоны изоленты… Задача заключалась в том, чтобы за пятнадцать минут укомплектовать заказ, включающий в себя не менее десяти предметов. Роботизированная рука, одержавшая победу, принадлежала команде из Австралийского центра роботизированного зрения. Но надо сказать, что по человеческим меркам производительность и эффективность этого робота не впечатляла. Примерно в десяти процентах случаев он выбирал не тот товар, и за час он мог отобрать лишь около ста двадцати товаров, что было почти вчетверо медленнее по сравнению с человеком.

Если конкурс что-то и показал, так это то, насколько трудна была задача даже для самого ловкого робота. Но интерес, который он вызвал, свидетельствовал о том, насколько прибыльным может оказаться прорыв в этой области: Amazon – и компании, аналогичные ей, – отчаянно нуждалась в работоспособных технологиях такого рода. Как выяснилось, решение уже назревало как в Google, так и в OpenAI.

После создания в Google Brain медицинской команды, Джефф Дин обратил свой взор на робототехнику. Одним из первых в новую группу наняли молодого сотрудника Калифорнийского университета в Беркли Сергея Левина. Левин вырос в Москве, где родители работали инженерами и участвовали в проекте «Буран», советской версии «космического челнока». Он переехал в Соединенные Штаты, еще будучи школьником, потом окончил вуз, поступил в аспирантуру, но искусственным интеллектом никогда не занимался. Он специализировался на компьютерной графике, исследуя способы создания более реалистичных видов анимации – виртуальных людей, которые вели себя как настоящие люди. Совершенствование технологии глубокого обучения помогло ускорить прогресс и его исследований. С помощью тех же методов, которые специалисты из DeepMind использовали для создания систем, учившихся играть в старые аркадные видеоигры, анимационные фигурки Левина учились двигаться, как люди. И тут ему пришло новое откровение. Наблюдая за тем, как эти виртуальные гуманоиды учатся двигаться подобно человеку, он понял, что и физические роботы-гуманоиды могли бы обучаться тем же движениям почти таким же образом. Если он применит эти методы машинного обучения к роботам, они смогут самостоятельно осваивать совершенно новые навыки.

Ко времени перехода в Google в 2015 году, Левин уже знал Илью Суцкевера, еще одного эмигранта из России, и Суцкевер познакомил его с Алексом Крижевским, который начал тесно сотрудничать с новой группой робототехники. Если у него когда-либо возникала проблема, Левин обращался за помощью к Крижевскому, и тот всегда давал один и тот же совет: собирай больше данных. «Если у тебя есть данные, и это правильные данные, – говорил Крижевский, – тогда просто возьми их побольше». Так Левин и его команда построили систему, получившую название Arm Farm («фабрика рук»).

В одном из зданий, расположенном неподалеку от лаборатории Google Brain, в большом открытом помещении они разместили дюжину роботизированных манипуляторов – шесть «рук» у одной стены, шесть – у другой. Они были более простой конструкции, чем рука, которая позже собрала кубик Рубика в лаборатории OpenAI. Кисти на этих руках не походили на человеческие. Это были скорее «ухваты», которые могли захватывать и поднимать предметы двумя «пальцами», больше похожими на зажим. Той осенью Левин и его команда занимались обучением этих рук: каждая рука зависала над корзиной со случайными предметами – детскими кубиками, губками для стирания с доски, тюбиками с губной помадой – и училась собирать все, что там было. Руки тренировались путем многократных проб и ошибок, делая удачные и неудачные попытки взять тот или иной предмет и запоминая, какие действия эффективны, а какие нет. Это было очень похоже на то, как системы DeepMind учились играть в Space Invaders и Breakout, вот только происходило это в реальном мире с реальными предметами.

Сначала был хаос. «Это был сплошной беспорядок, – говорит Левин, – ужасный беспорядок». По совету Крижевского, они держали роботов в рабочем состоянии круглосуточно и установили камеру, которая позволяла видеть, что происходит в комнате. За ночь и в выходные дни роботы устраивали в помещении настоящий кавардак. В понедельник утром ученые заходили в лабораторию и обнаруживали, что пол завален всякой всячиной, словно в детской комнате. Однажды утром они, войдя, обнаружили, что одна корзина была словно кровью забрызгана. Оказалось, с тюбика помады сорвался колпачок, и рука всю ночь пыталась этот тюбик поднять, но безуспешно. Но именно это и хотел видеть Левин. «Это замечательно, – говорит он. – Если комната выглядит так, словно ее разгромили безумцы, значит, мы на правильном пути». По прошествии нескольких недель эти руки – ставшие почти нежными – научились поднимать все, что находилось перед ними.

Это стало началом широкомасштабных усилий по применению технологии глубокого обучения в робототехнике, в которых участвовали лаборатории многих ведущих университетов, а также Google и OpenAI. В следующем году, используя тот же метод обучения с подкреплением, Левин и его команда обучили уже другие руки самостоятельно открывать двери (при условии, что дверные ручки можно было ухватить двумя пальцами). В начале 2019 года лаборатория представила роботизированную руку⁵⁹⁹, которая умела собирать случайные предметы, а затем аккуратно складывать их в небольшой контейнер, расположенный на небольшом расстоянии. Обучение длилось всего четырнадцать часов⁶⁰⁰, и руке удавалось опускать предметы в нужный контейнер примерно в 85 процентах случаев. Когда исследователи самолично попытались выполнить ту же задачу, их результат составил лишь 80 процентов. Но, добившись некоторого прогресса в этой работе, лаборатория OpenAI решила изменить курс. Войцех Заремба и его команда считали, что обучение системы в физическом мире обходится слишком дорого и требует слишком много времени, поскольку задачи становятся все более сложными. Поэтому они перенесли обучение в виртуальную реальность, построив систему, которая научилась собирать кубик Рубика методом проб и ошибок в виртуальном мире, потратив на это время, эквивалентное многим столетиям физического мира.

Илон Маск и другие основатели OpenAI видели в своей лаборатории ответ DeepMind. С самого начала их цель заключалась в том, чтобы достигать чрезвычайно высоких целей, которые могут легко измерены, легко поняты и которые гарантированно привлекут внимание, даже если они на самом деле не приносят никакой практической пользы. Лаборатория размещалась в Сан-Франциско, над маленькой шоколадной фабрикой в районе Мишн, и ее сотрудники, с Зарембой во главе, неделями гуляли по этому старому, но стремительно молодеющему латиноамериканскому району, обсуждая, какую же высокую цель им поставить перед собой. В конце концов они остановились на двух целях, решив создать систему, которая могла бы победить лучших игроков мира в трехмерной компьютерной игре под названием Dota, и пятипалую роботизированную руку, которая могла бы собрать кубик Рубика. Для того и другого требовался огромный технологический скачок. Оба эти достижения не остались бы без внимания, и для OpenAI это было еще способом продвинуть себя, поскольку для продолжения исследований им нужны были деньги и талантливые кадры. Технологии, разрабатываемые в таких лабораториях, как OpenAI, обходятся дорого – как с точки зрения оборудования, так и с точки зрения персонала, – а это значит, что без завораживающих внимание демонстраций им не обойтись.

Это вообще фирменный стиль Маска: привлекать внимание к себе и ко всему, что он делает. Какое-то время это относилось и к OpenAI – когда лаборатория наняла несколько самых громких имен в сфере разработок ИИ. Среди них был и бывший научный руководитель Сергея Левина в Калифорнийском университете в Беркли, гладко выбритый, рослый – под метр девяносто – бельгийский специалист по робототехнике Питер Аббил. Бонус Аббила за подписание контракта с OpenAI составил 100 000 долларов, а в качестве зарплаты за последние шесть месяцев 2016 года он получил 330 000 долларов⁶⁰¹. Трое бывших учеников Аббила также присоединились к OpenAI, и это помогло лаборатории бросить вызов Google Brain, Facebook, а особенно DeepMind. Но в скором времени Маску и его новой лаборатории пришлось столкнуться с суровыми реалиями жизни.

Сначала ушел Ян Гудфеллоу, родоначальник генеративно-состязательных сетей, вернувшийся в Google. Затем Маск сам лишил лабораторию ведущего сотрудника, когда забрал эксперта по компьютерному зрению Андрея Карпати из OpenAI и назначил его главой подразделения искусственного интеллекта в Tesla, чтобы он поддержал усилия компании по созданию беспилотных автомобилей. После этого ушли Аббил и двое его учеников, решившие создать свой собственный стартап робототехники. А в феврале 2018 года ушел и Маск⁶⁰². Он сказал, что ушел, чтобы избежать конфликта интересов – имея в виду, что другие его предприятия теперь напрямую соперничали с OpenAI за лучшие кадры, – но была и другая причина: Tesla переживала резкое замедление темпов роста производства, и это угрожало вывести автомобильную компанию из бизнеса. Ирония заключалась в том, что, как позже в том же году жаловался сам Маск, роботы, которые помогали собирать электромобили на заводах Tesla, оказались не такими маневренными, как ожидалось. «Чрезмерная автоматизация в Tesla была ошибкой⁶⁰³, – сказал он. – Людей недооценивают».

Когда бразды правления в OpenAI принял Сэм Альтман, лаборатория испытывала сильный кадровый – и финансовый – голод. Хотя инвесторы обещали предоставить миллиард долларов этой некоммерческой организации, когда она только создавалась, в реальности на ее счета поступила лишь небольшая часть этих денег, и теперь ей нужно было гораздо больше – не только для привлечения специалистов, но и для оплаты вычислительных мощностей, которые требовались в огромном количестве для обучения разрабатываемых систем. Поэтому Альтман преобразовал лабораторию в коммерческую компанию⁶⁰⁴ и начал искать новых инвесторов. Идеалистическое видение лаборатории, избавленной от меркантильных интересов, которое они с Маском проповедовали, открывая ее в 2015 году, не продержалось и четырех лет. Вот почему проект с кубиком Рубика был так важен для будущего лаборатории. Для OpenAI это был способ заявить о себе. Проблема заключалась в том, что этот невероятно сложный, но в конечном итоге бесполезный с практической точки зрения проект был не тем, чем Аббил и другие исследователи хотели бы заниматься. Ему вся эта шумиха была неинтересна. Он хотел создавать что-то полезное. Вот почему он и двое его бывших студентов из Беркли, Питер Чен и Рокки Дуан, покинули лабораторию и основали стартап под названием Covariant. Их новая компания занималась теми же технологиями, что разрабатывались в недрах OpenAI, вот только цель была другая: применять их в реальном мире.

К 2019 году, когда ученые и предприниматели осознали, в чем именно нуждаются Amazon и другие крупнейшие мировые ритейлеры с их огромными складами, рынок наводнили стартапы, занимающиеся созданием роботизированных рук. Некоторые из них опирались на методы глубокого обучения, разрабатываемые в Google Brain и OpenAI. Компанию Питера Аббила Covariant вроде и нельзя было назвать одной из них, потому что она разрабатывала систему, предназначенную для решения гораздо более широкого круга задач. Но когда ABB, международный производитель робототехники, через два года после челленджа Amazon, организовал свой собственный конкурс – на этот раз за закрытыми дверями, – компания Covariant решила присоединиться.

Всего в этом новом конкурсе приняли участие около двадцати компаний. Роботизированным рукам предстояло поднять и перенести около двадцати пяти различных предметов. О некоторых из этих предметов участники знали заранее, но не обо всех. Среди предметов были пакеты с желатиновыми мишками и пластиковые бутылки с жидким мылом или гелем, с которым роботам было особенно трудно справиться, потому что эти предметы непредсказуемым образом отражали свет. Большинство компаний-участниц провалили тест. Некоторые справились с большинством задач, но не совладали с более сложными сценариями, например достать из контейнера старые компакт-диски, которые отражали свет, падающий сверху, а иногда стояли в контейнере на ребре, прислонившись к стенке.

Аббил и его коллеги изначально сомневались, участвовать ли им вообще, учитывая, что им на тот момент было нечего предложить. Но их новая универсальная система могла научиться выполнению этой задачи. В течение нескольких дней они обучали ее на большом количестве новых данных, и, когда делегация ABB посетила их лабораторию в Беркли, их роботизированная рука уже справлялась с каждым заданием так же хорошо, как и человек, а то и лучше. Ее единственной ошибкой было то, что она случайно уронила пакет с желатинками. «Мы пытались найти слабые места, – говорит Марк Сегура, управляющий директор подразделения служебной робототехники ABB. – В этих тестах легко достичь определенного уровня, но очень сложно не показать никаких слабых мест».

Для дальнейшей разработки этой технологии компании требовалось дополнительное финансирование, поэтому Аббил решил обратиться к самым известным и авторитетных деятелям в индустрии ИИ. Ян Лекун посетил лабораторию в Беркли и согласился стать инвестором после того, как бросил в контейнер несколько дюжин пустых пластиковых бутылок и увидел, как ловко и проворно робот извлек их оттуда. Йошуа Бенжио деньги вкладывать отказался. Он сказал, что денег ему хватает – хотя он сотрудничал с крупными технологическими компаниями лишь на почасовой основе, – что у него их больше, чем он сможет потратить за всю жизнь, и что он предпочитает сосредоточиться на собственных исследованиях. А вот Джефф Хинтон вложился. Он поверил в Аббила. «Он действительно хорош, – говорит Хинтон. – И это удивительно, если принять во внимание, что он бельгиец».

Той же осенью одна немецкая компания, торгующая в розницу электротоварами, внедрила эту технологию у себя на складе на окраине Берлина, где робот компании Covariant занялся сортировкой выключателей, розеток и других электротоваров, доставая их из синих ящиков, двигавшихся по конвейерной ленте. Робот мог выбирать и сортировать более десяти тысяч различных предметов с точностью более 99 процентов. «Я проработал в сфере логистики более шестнадцати лет и никогда не видел ничего подобного», – говорит Петер Пухвайн, вице-президент Knapp, австрийской компании, которая давно занимается средствами автоматизации складов и которая помогла внедрять и настраивать технологию Covariant в Берлине. По его мнению, автоматизация с использованием роботов будет и дальше распространяться в ближайшие годы в сфере ритейла и логистики, а возможно, и на производственных предприятиях. И ввиду этого снова стали подниматься вопросы по поводу того, что складские рабочие будут терять работу из-за автоматизированных систем. На немецком складе один робот выполняет работу за трех человек.

Однако экономисты пока не разделяют опасений, что данная технология в ближайшее время грозит сокращением общего количества рабочих мест в логистике. Сфера онлайновой розничной торговли продолжает расти быстрыми темпами, и большинству компаний потребуются еще годы или даже десятилетия, чтобы внедрить автоматизацию нового поколения. Но Аббил признает, что в более отдаленном будущем наступит момент, когда ситуация изменится. При этом он смотрит вперед с оптимизмом. «Если это и произойдет лет через пятьдесят, – говорит он, – у системы образования и подготовки кадров еще достаточно времени, чтобы предпринять необходимые шаги».

Осенью 2016 года, за три дня до премьеры «Мира Дикого Запада» – телесериала HBO, в котором андроиды из парка аттракционов поднимают руку на своих создателей, перейдя некий порог в развитии искусственного интеллекта, – съемочная группа и многие актеры присутствовали на частном предварительном показе в Кремниевой долине. Это проходило не в одном из местных кинотеатров, а в доме Юрия Мильнера, пятидесятипятилетнего российско-израильского предпринимателя и венчурного капиталиста, который инвестировал в Facebook, Twitter, Spotify и Airbnb и регулярно посещал ежегодный «ужин миллиардеров», организуемый фондом Edge. Его выстроенный из известняка особняк площадью более 2,3 тысяч квадратных метров, расположенный на холме в городке Лос-Альтос, носил название «Шато Луара». Купленный пятью годами ранее более чем за 100 миллионов долларов, это был один из самых дорогих в стране домов на одну семью. В самом «шато» и на территории участка располагались крытый и открытый бассейны, танцевальный зал, теннисный корт, винный погреб, библиотека, игровая комната, спа, тренажерный зал и собственный кинотеатр.

Когда гости прибыли на показ фильма, у ворот их встретила прислуга с «айпадами». Слуги проверили приглашения, отметили имена гостей в своих «айпадах», припарковали их машины, отвезли их вверх на холм на гольф-картах и высадили перед кинотеатром, отдельно стоящим зданием, расположенным у подножия псевдо-шато. Ко входу была выстлана красная ковровая дорожка. Среди тех, кто шел по этой красной ковровой дорожке, был Сергей Брин, и на нем было некое подобие индейского пледа, накинутое на плечи как шаль. В числе приглашенных было множество предпринимателей-миллионеров, основателей стартапов, недавно вышедших из недр акселератора стартапов Y Combinator, которым руководит Сэм Альтман. Некоторые из этих основателей пятью годами ранее, откликнувшись на загадочное приглашение, прибыли в конференц-зал в офисе Y Combinator в Сан-Франциско и с удивлением увидели в комнате робота с «айпадом» вместо головы. На экране «айпада» появилось изображение Юрия Мильнера крупным планом, который неожиданно объявил, что намерен вложить по 150 000 долларов в каждую из их новых компаний.

Юрий Мильнер проводил показ «Мира Дикого Запада» вместе с Сэмом Альтманом. «Сэм Альтман и Юрий Мильнер приглашают вас на предварительный просмотр первой серии “Мира Дикого Запада”, нового сериала HBO, рассказывающего о зарождении искусственного сознания и интеллекта», – говорилось в приглашении. После показа актеры и съемочная группа, в том числе создатель и режиссер Джонатан Нолан и исполнительницы главных ролей Эван Рэйчел Вуд и Тэнди Ньютон, вышли на сцену и расселись на табуреты, выстроенные в линию перед экраном. В течение следующего часа они обсуждали эпизод, где в поведении нескольких андроидов «Мира Дикого Запада» начинают возникать сбои, нарушающие привычный порядок вещей, после того как в результате обновления программного обеспечения они получают доступ к воспоминаниям о прошлом. Затем Альтман вышел на сцену вместе с Эдом Бойденом, профессором Принстонского университета, который специализируется на зарождающихся технологиях передачи информации между машинами и человеческим мозгом. Бойден недавно удостоился «Премии за прорыв»⁶⁰⁵ (Breakthrough Prize) – гранта на научные исследования в размере 3 миллионов долларов, предоставляемого сообща Юрием Мильнером, Сергеем Брином, Марком Цукербергом и другими светилами Кремниевой долины. Вместе с Альтманом они рассказали собравшимся, что ученые приближаются к моменту, когда смогут создать полную карту человеческого мозга, а затем воспроизвести его компьютерную модель. Вопрос заключается в том, будет ли машина, действуя как человек, при этом ощущать себя человеком. По их словам, этот же вопрос изучали создатели «Мира Дикого Запада».

После знаменательной встречи в Дартмуте летом 1956 года Марвина Мински, Джона Маккарти и других основоположников исследования ИИ, некоторые предрекали, что в течение следующих десяти лет компьютер станет настолько умным⁶⁰⁶, что победит чемпиона мира по шахматам, а также сформулирует и докажет свою собственную математическую теорему. Десять лет истекли, но этого не произошло. Тогда же один из основоположников, профессор Университета Карнеги – Меллона Герберт Саймон, заявил, что в течение следующих двадцати лет появятся машины, способные «выполнять любую работу, которую может выполнять человек»⁶⁰⁷. Но почти сразу же после этого наступила первая «зима искусственного интеллекта». Когда в 1980-х годах пришла оттепель, снова послышались обещания искусственно воссоздать человеческий интеллект, в том числе со стороны Дугласа Лената, который поставил перед собой задачу привить машине «здравый смысл» с помощью проекта, который получил название Cyc. Но наступили 1990-е, а сколько-нибудь реального прогресса достигнуто не было, и ведущие исследователи перестали обсуждать саму идею моделирования человеческого интеллекта, по крайней мере, публично, и такая ситуация сохранялась в течение следующих двух десятилетий. В 2008 году Шейн Легг поднял этот вопрос в своей докторской диссертации. «В среде ученых эта тема почти табу⁶⁰⁸: ее относят к научной фантастике. В своих публичных высказываниях исследователи уверяют, что даже самый умный в мире компьютер не умнее муравья. Истинный машинный интеллект, если он вообще когда-то будет разработан, – дело далекого будущего, – писал он. – Возможно, в ближайшие годы эти идеи снова станут мейнстримом в науке, но пока они остаются на периферии. Большинство исследователей по-прежнему крайне скептически относятся к перспективе появления по-настоящему умных машин при их жизни».

В течение следующих нескольких лет эти идеи действительно стали более популярными, и во многом это произошло благодаря Шейну Леггу, который – вместе с Демисом Хассабисом – продолжал укреплять позиции DeepMind и сумел убедить трех крупных инвесторов (Питера Тиля, Илона Маска и Ларри Пейджа), что в эти разработки действительно стоит вложиться. После того как лаборатория DeepMind перешла под крыло Google, Легг продолжал в частном порядке утверждать, что сверхразум близок, но редко высказывался об этом публично – отчасти из-за таких людей, как Маск, которые нагнетали страсти своими утверждениями, что умные машины способны разрушить мир. Но, несмотря на такую сдержанность, его идеи продолжали распространяться.

Когда Хассабис и Легг проводили собеседование с Ильей Суцкевером, тогда еще аспирантом Университета Торонто, и сказали ему, что занимаются созданием искусственного интеллекта общего назначения (AGI), он решил, что они потеряли связь с реальностью. Но после того, как он сам добился успеха в разработке технологий распознавания изображений и машинного перевода в Google – и после того, как провел несколько недель в DeepMind, – он пришел к выводу, что диссертация Легга была «невероятно прозорливой». Многие другие тоже так считали. Пятеро из девяти первых сотрудников OpenAI успели поработать в лондонской лаборатории, занимающейся изучением возможностей AGI. Связующим звеном между этими двумя лабораториями были еще и два общих инвестора: Тиль и Маск. Осенью 2015 года, когда Суцкевер обсуждал перспективы будущей лаборатории OpenAI, ему казалось, что он нашел группу единомышленников – людей, разделявших его убеждения и устремления, – но он беспокоился, что сами эти разговоры ему могут аукнуться. Если бы кто-то услышал, что он всерьез обсуждает перспективы разработки сильного ИИ, в глазах широкого научного сообщества он стал бы отверженным.

В официальном заявлении об открытии лаборатории OpenAI, про AGI речи не было. Был только намек на эту идею как на отдаленную возможность. «Сегодняшние системы искусственного интеллекта обладают впечатляющими, но достаточно узкими возможностями⁶⁰⁹, – говорилось в заявлении. – Есть надежда, что мы будем продолжать расширять сферы их применения, и в крайнем случае их эффективность и производительность может достичь человеческого уровня в решении практически каждой из умственных задач». Но по мере того, как лаборатория росла и развивалась, опасения Суцкевера рассеивались. Когда в 2016 году, то есть через год после открытия, в OpenAI пришел Ян Гудфеллоу, на вечеринке, устроенной по этому поводу в одном из баров Сан-Франциско, Суцкевер высоко поднял бокал и произнес тост. «Даешь AGI через три года!» – сказал он. После таких слов Гудфеллоу решил не признаваться своим коллегам, что он не очень-то хотел браться за эту работу.

Чтобы начать всерьез заниматься AGI, требовался решительный «прыжок веры». Но это как раз и подтолкнуло некоторых исследователей. Это было чем-то вроде религии. «Как ученые, мы часто испытываем необходимость оправдывать свою деятельность с прагматической точки зрения. Нужно объяснять людям, в чем польза того, чем мы сегодня занимаемся. Но вовсе не прагматизм, а нечто большее побуждает ученых делать то, что они делают, – говорит специалист по робототехнике Сергей Левин. – То, что ими движет, имеет более эмоциональную природу. Это идет скорее от сердца, чем из головы. Вот почему люди занимаются AGI. И этих людей больше, чем может показаться». Как выразился Алекс Крижевский, «мы верим в то, во что эмоционально склонны верить».

Вера в AGI в каком-то смысле передавалась от человека к человеку. Некоторые боялись верить в эту идею, пока в нее не поверило достаточное число людей вокруг. И все же каждый верил в нее по-своему, не так, как другие. Каждый рассматривал эту технологию и ее будущие перспективы через свою собственную призму. А потом эта вера проникла в Кремниевую долину и стала сильнее, потому что в Долине она подкрепилась деньгами, зрелищностью и еще большей верой. В то время как Суцкевер и другие исследователи изначально предпочитали держать свои взгляды и надежды при себе, Илон Маск отмалчиваться не стал. Как и другой основатель лаборатории, Сэм Альтман.

В первые дни 2017 года Институт будущего жизни провел еще один саммит⁶¹⁰, на этот раз в крошечном курортном городке Пасифик Гроув, расположенном в средней части калифорнийского побережья. В Пасифик Гроув, в окружении вечнозеленой растительности раскинулся огромный отель Asilomar, место проведения многочисленных конференций, где зимой 1975 года собрались ведущие генетики мира, чтобы обсудить, не приведет ли их деятельность по редактированию генов к гибели мира. Теперь там собрались разработчики ИИ, чтобы еще раз поговорить о том, не содержится ли такой же экзистенциальный риск в искусственном интеллекте. Там присутствовали Альтман, Маск и большинство других крупных деятелей, связанных с OpenAI и DeepMind⁶¹¹. На второй день конференции Маск появился на сцене как участник круглого стола⁶¹², посвященного идее сверхразума. Каждого из девятерых участников дискуссии спросили о возможности реализации этой идеи⁶¹³, и все они, передавая микрофон друг другу, сказали «да», пока микрофон не добрался до Маска. Он сказал: «Нет»⁶¹⁴, – и по аудитории пробежал смех. Во что он верил, уже знали все. «Мы движемся либо к сверхразуму⁶¹⁵, либо к концу цивилизации», – сказал он, когда смех утих. В продолжение дискуссии Макс Тегмарк спросил, как люди смогут жить рядом со сверхразумом⁶¹⁶, когда он появится, и Маск ответил, что для этого потребуется прямая связь между мозгом и машинами. «Все мы уже киборги⁶¹⁷, – сказал он. – Каждый из нас уже неотделим от своего телефона⁶¹⁸, компьютера и всех этих мобильных приложений. Они стали неотъемлемой частью нас, и каждый из нас уже сверхчеловек». Единственное ограничение, пояснил он, заключается в том, что люди не могут пользоваться своими приложениями достаточно быстро. Интерфейсу между мозгом и машиной не хватает скорости, «пропускной способности»⁶¹⁹. Люди по-прежнему используют «мясные палочки»⁶²⁰ – свои пальцы, – чтобы вводить текст в свои телефоны. «Мы должны преодолеть это ограничение⁶²¹ с помощью высокоскоростного подключения к нейронной коре».

В какой-то момент Орен Эциони, глава Института искусственного интеллекта имени Аллена, вышел на сцену и попытался сдержать фантазии участников⁶²². «Я слышу, как многие люди много всякого говорят⁶²³, не владея информацией, – сказал он. – Я призываю каждого задуматься: “Эти утверждения действительно основаны на фактах или это спекуляции?”» Но большинство присутствующих приняли сторону Маска. Это был спор из категории тех дискуссий, которые все чаще разгорались на подобных мероприятиях и в которых невозможно одержать победу. Ведь это был спор о том, что произойдет в будущем, а это означало, что каждый мог говорить что хотел и его невозможно было опровергнуть. Но Маск как никто умел использовать такие споры в своих интересах. Несколько месяцев спустя он представил новый стартап под названием Neuralink⁶²⁴, подкрепленный 100 миллионами долларов, который был нацелен на создание «нейронного кружева» – интерфейса между компьютером и мозгом – и располагался в том же самом офисе, что и OpenAI.

Хотя Маск вскоре покинул OpenAI, амбиции лаборатории под руководством Альтмана продолжали расти. Сэм Альтман воплощал в себе архетип Кремниевой долины: в 2005 году, будучи девятнадцатилетним второкурсником колледжа⁶²⁵, он основал свою социальную сеть. Компания называлась Loopt, и в конечном итоге она привлекла 30 миллионов долларов венчурного капитала⁶²⁶, став одной из первых инвестиций, сделанных фондом Y Combinator и его основателем Полом Грэмом. Семь лет спустя социальная сеть Loopt была продана с убытком для инвесторов и закрыта⁶²⁷. Но для самого Альтмана, невысокого стройного мужчины с проницательными зелеными глазами и особым талантом находить деньги, выход из этого бизнеса оказался вполне успешным. Вскоре Грэм объявил, что уходит с поста президента Y Combinator, и назначил Альтмана на свое место, что удивило многих в группе компаний, принадлежащих Y Combinator. Это позволило Альтману стать консультантом бесконечного потока стартапов. В обмен на советы и капитал фонд Y Combinator получал долю в каждой компании. Кроме того, Альтман лично инвестировал в некоторые компании и очень быстро разбогател. С одной стороны, он считал, что успешно управлять Y Combinator могла бы даже обезьяна, но, с другой стороны, он также полагал, что, именно управляя этим фондом, он выработал в себе тонкое умение оценивать людей, которое его редко подводило, не говоря уже о навыках и возможностях, связанных с привлечением крупных капиталов. В его стремительном карьерном восхождении быстро менялась и мотивация: сначала это были деньги, потом власть над людьми и компаниями, оказавшимися в его орбите, и, наконец, чувство удовлетворения от создания компаний, способных оказать реальное влияние на судьбы мира в целом. С помощью OpenAI он стремился оказывать еще большее влияние. Искусственный интеллект общего назначения как цель был важнее – и интереснее, – чем все остальное, чем бы он еще мог заниматься. И поэтому переход из Y Combinator в OpenAI он считал неизбежным для себя.

Как и Маск, он был предпринимателем, а не ученым, хотя иногда говорил, что изучал искусственный интеллект в Стэнфорде, но бросил учебу на втором курсе. В отличие от Маска, он не находился в постоянном поиске внимания и возможности подискутировать с кем-нибудь в прессе и социальных сетях, но он тоже был человеком, который жил так, словно будущее уже наступило. Это было нормой для лучших представителей элиты Кремниевой долины, которые понимали, осознанно или бессознательно, что это лучший способ привлечь внимание, финансирование и лучшие кадры, вне зависимости от того, работали они в крупной компании или запускали небольшой стартап. Идеи могут потерпеть неудачу. Прогнозы могут не сбыться. Но следующая идея может увенчаться успехом только в том случае, если они сами и все вокруг них поверят, что это возможно. «Вера в себя – огромная сила⁶²⁸. Самые успешные люди, которых я знаю, верят в себя почти маниакально, – писал он. – Если вы не верите в себя, тогда вам трудно позволить себе верить в спорные идеи о будущем. Но только так можно добиться максимальной пользы». Он любит вспоминать случай, когда Маск устроил для него экскурсию по фабрике SpaceX, где его поразили не столько ракеты, предназначенные для полета на Марс, сколько уверенность на лице Маска. «Ага, – подумал он про себя тогда, – вот эталон настоящей веры в себя».

Альтман знал, что то, во что он верит, не всегда будет сбываться. Но он также знал, что большинство людей недооценивают, как быстро могут разрастаться изначально, казалось бы, мелкие идеи. В Кремниевой долине это называют «масштабированием». Когда Альтман полагал, что идея масштабируема, он не боялся делать большие ставки на ее развитие. Он мог промахиваться снова и снова, но, когда он оказывался прав, он хотел извлечь из своей правоты максимум возможного. В этой связи он любил цитировать Макиавелли: «Совершай ошибки из честолюбия, а не из лени»[7]. После выборов 2016 года он сетовал на то, что публика не отстаивала цели Кремниевой долины с таким же энтузиазмом, как поддерживала, скажем, космическую программу в 1960-е годы – потому что видела в этих целях не источник вдохновения и не крутизну, а лишь эгоистичные и даже вредоносные капризы.

Когда было объявлено о создании OpenAI, Альтман в отношении идеи моделирования человеческого разума был не так застенчив, как Суцкевер. «По мере того, как время идет и мы приближаемся к созданию того, что может превзойти человеческий разум⁶²⁹, возникают вопросы о том, в какой мере компания Google будет готова поделиться своими достижениями», – сказал он. Когда его спросили, сможет ли OpenAI создать такую же технологию, он сказал, что рассчитывает на это⁶³⁰, и добавил, что OpenAI непременно поделится с обществом плодами своих трудов. «Это будет выложено в общий доступ⁶³¹, и пользоваться этим смогут все, а не только, скажем, Google». Искусственный интеллект был самой масштабной идеей, какой когда-либо приходилось заниматься Альтману, но он смотрел на нее примерно так же, как и на все остальное, чем когда-либо занимался.

В апреле 2018 года Альман и его коллеги опубликовали новый устав лаборатории⁶³², где миссия OpenAI излагалась совсем не так, как это звучало при ее создании. Выступая на открытии лаборатории, Альтман утверждал, что она будет открыто делиться результатами своих исследований. Потому-то ее и назвали OpenAI. Но ввиду той суматохи, которая была вызвана развитием генеративных моделей и технологии распознавания лиц, а также ввиду угроз, связанных с возможным созданием автономного летального оружия и нарушающих права граждан систем слежения, в новом уставе лаборатории теперь говорилось, что по мере необходимости она будет ограничивать обнародование некоторых технологий, пока не станет понятна степень их влияния на мир в целом. Такова была реальность, которую теперь осознавали многие организации. «Если вы с самого начала настраиваетесь на то, что это будет открытая платформа, которую каждый может использовать как угодно, последствия могут быть значительными, – говорит Мустафа Сулейман. – Прежде чем создавать какие-то технологии, нужно как следует подумать о том, в какой мере эта технология может быть использована не по назначению и как обеспечить надлежащий надзор». Ирония заключалась в том, что OpenAI довела эту осторожность до крайности. В последующие месяцы это стало для лаборатории новым способом продвижения на рынок. После создания новой системы анализа и синтеза речи, аналогичной Google’овской BERT, OpenAI через прессу объявила, что эту технологию слишком опасно выпускать в свет, поскольку она позволит злоумышленникам автоматически генерировать фейки и другую вводящую в заблуждение информацию. Многие специалисты подняли это утверждение на смех, заявив, что опасность технологии сильно преувеличена. И в конце концов ее все-таки обнародовали.

В то же время в новом уставе OpenAI прямо и четко говорилось, что лаборатория занимается созданием AGI. Альтман и Суцкевер видели ограничения и опасности современных технологий, но их целью было создание машины, которая могла бы делать все то, что может делать человеческий мозг. «Миссия OpenAI состоит в том, чтобы гарантировать⁶³³, что искусственный интеллект общего назначения (AGI) – под которым мы подразумеваем системы с высокой степенью автономии, способные выполнять экономически значимую работу эффективнее человека, – принесет пользу всему человечеству. Мы попытаемся сами создать полезные и безопасные формы AGI, но будем считать нашу миссию выполненной также и в том случае, если наши усилия помогут достичь этого результата другим разработчикам», – говорится в уставе. И Альтман, и Суцкевер заявляли, что они будут развивать AGI примерно так же, как DeepMind создавал системы, научившиеся играть в го и другие игры. Они утверждали, что для этого нужно лишь иметь достаточное количество исходных данных, нарастить вычислительные мощности и усовершенствовать алгоритмы анализа данных. Они знали о скептическом отношении многих специалистов и понимали, что эта технология может быть опасной. Но это их не беспокоило. «Моя цель – создать AGI, имеющий широкий спектр полезных функций, – говорит Альтман. – И я прекрасно понимаю, как смешно это звучит».

Позже в том же году DeepMind обучила машину игре в «захват флага»⁶³⁴. В эту командную игру играют дети в летних лагерях, будь то в лесу или на открытом поле, но существуют и ее онлайновые разновидности. В таких трехмерных видеоиграх, как Overwatch и Quake III, «захват флага» (Сapture the Flag) представляет собой один из игровых режимов. Инженеры DeepMind обучили свою машину играть по правилам Quake III, где два флага, красный и синий, располагаются на противоположных концах лабиринта с высокими стенами. Каждая команда охраняет свой флаг, одновременно пытаясь захватить флаг противника и доставить его на свою базу. Это игра, требует командной работы – четкой координации действий между обороной и атакой, – и разработчики DeepMind показали, что машины могут научиться такому скоординированному поведению или, по крайней мере, могут научиться имитировать его. В процессе обучения их система за несколько недель сыграла около четырехсот пятидесяти тысяч раундов «захвата флага» в Quake III – что эквивалентно более чем четырехлетнему опыту игры. По окончании обучения она могла играть в игру вместе с другими ботами или с игроками-людьми, подстраивая свое поведение под своих товарищей по команде. В некоторых случаях она демонстрировала навыки кооперации, присущие лишь самым опытным игрокам. Когда кто-нибудь из соратников был близок к захвату флага, игрок, управляемый ботом, со всех ног мчался к базе противника. Тем, кто играл в эту игру, хорошо известно, что, как только флаг противника захвачен, на его месте тут же появляется другой флаг и, как только он появляется, его тоже можно захватить. «Я не хочу разбираться в тонкостях определения командной работы, – говорит Макс Ядерберг, один из разработчиков DeepMind, работавших над этим проектом. – Но, чтобы один из игроков караулил в базовом лагере противника, ожидая появления флага, такое возможно только в том случае, когда он всецело полагается на своих товарищей по команде».

Примерно таким образом разработчики из DeepMind и OpenAI надеялись моделировать человеческий разум. Автономные системы обучаются во все более сложных средах. Сначала аркадные видеоигры Atari. Потом го. Затем последовали трехмерные многопользовательские игры, такие как Quake III, в которых требовались не только индивидуальные навыки, но и командная работа. И так далее. Семь месяцев спустя DeepMind представила систему, которая одержала победу над лучшими профессиональными игроками⁶³⁵ в StarCraft (трехмерная игра, действие которой происходит в космосе). Затем в OpenAI создали систему, которая освоила игру Dota 2⁶³⁶, напоминающую более сложную версию «захвата флага», где требуется теснейшее сотрудничество между членами команды. Той весной команда из пяти ботов обыграла команду лучших игроков мира. Существовало мнение, что успех на виртуальной арене в конечном итоге приведет к созданию автоматизированных систем, которые смогут преуспеть в реальном мире. Именно таким путем пошла лаборатория OpenAI при создании своей роботизированной руки: сначала виртуальная версия руки научилась собирать виртуальный кубик Рубика, и только потом это ноу-хау было перенесено в реальный мир. Специалисты этих лабораторий полагали, что, если им удастся создать достаточно масштабную виртуальную модель того, с чем люди сталкиваются в своей повседневной жизни, это приведет к созданию AGI.

Однако многие смотрели на эти достижения иначе. Какими бы впечатляющими ни были успехи ИИ в играх Quake, StarCraft и Dota, многие ученые сомневались в том, что эти навыки так уж легко перенести в реальный мир. «Трехмерная игровая среда призвана облегчать навигацию, – заявил профессор Технологического института Джорджии Марк Ридл, когда сотрудники DeepMind опубликовали статью, рассказывающую о машинах, которые успешно играют в “захват флага”. – В Quake стратегия и координация довольно простые». И хотя кажется, что машины, входящие в одну команду, сотрудничают между собой, в реальности это не так. Они просто реагируют на происходящее в ходе игры, не общаясь друг с другом, как общаются игроки-люди. Каждая из машин обладает сверхчеловеческими знаниями об игре, но их никоим образом нельзя называть разумными. И это означает, что в реальном мире им придется туго.

Обучение с подкреплением идеально подходит для видеоигр. Там побеждает тот, кто набирает больше очков. Но в реальном мире никто не ведет счет. Разработчикам нужно было найти другие способы определения успеха, и это было далеко не тривиальная задача. Кубик Рубика сам по себе вещь реальная, но это все равно игра. Цель здесь определяется легко. Но даже эту задачу нельзя считать полностью решенной. В реальном мире роботизированная рука OpenAI была оснащена крошечными светодиодами, которые позволяли датчикам, расположенным по всей комнате, точно отслеживать, где находится каждый палец в каждый момент времени. Без этих светодиодов и датчиков робот не смог бы собрать кубик. И даже с ними, как указывается мелким шрифтом в опубликованной OpenAI статье, кубик выпадал из руки восемь раз из десяти. И чтобы достичь успеха в 20 процентах случаев, роботизированная рука OpenAI прошла путь проб и ошибок длиною в десять тысяч виртуальных лет. Истинный же интеллект потребует виртуального опыта такого масштаба, в сравнении с которым эти десятки тысяч лет покажутся сущей мелочью. В распоряжении DeepMind имеется целая сеть центров обработки данных Google – одна из крупнейших частных компьютерных сетей на Земле, – но и этого недостаточно.

Была надежда, что это положение вещей смогут изменить новые виды компьютерных чипов – микросхемы, позволяющие компьютерам достигать гораздо большей производительности, чем графические процессоры от Nvidia или тензорные процессоры от Google. Десятки компаний, в том числе Google, Nvidia и Intel, а также целый ряд стартапов, занялись разработкой новых микросхем, предназначенных специально для обучения нейронных сетей, чтобы системы, создаваемые такими лабораториями, как DeepMind и OpenAI, могли научиться гораздо большему за гораздо меньшее время. «Я смотрю на происходящее с точки зрения новых вычислительных ресурсов, сопоставляю это с текущими результатами и вижу, что кривая продолжает расти», – говорит Альтман.

Присматриваясь к этому аппаратному обеспечению нового поколения, Альтман заключил сделку с Microsoft и ее новым генеральным директором Сатьей Наделлой, которые все еще пытались доказать миру, что остаются лидерами в области искусственного интеллекта. Всего за несколько лет Наделла развернул курс компании, перейдя на программное обеспечение с открытым исходным кодом и опередив Google на рынке облачных вычислений. Но в мире, где многие уверены, что будущее рынка облачных вычислений за ИИ, мало кто видел в Microsoft ведущего игрока в этой области. Наделла и компания согласились инвестировать 1 миллиард долларов в OpenAI, а OpenAI согласилась перевести большую часть этих денег обратно в Microsoft в счет создания этим технологическим гигантом новой аппаратной инфраструктуры для обучения разрабатываемых лабораторией систем. «Хотите ли вы создать квантовый компьютер или искусственный интеллект общего назначения, я думаю, что без амбициозных путеводных звезд вам не обойтись», – сказал Наделла. В глазах Альтмана его цель оправдывала любые средства. «Моя цель в OpenAI – создать искусственный интеллект общего назначения с широким спектром полезных функций, – сказал он, – и наше партнерство на данный момент является самой важной вехой на этом пути».

Теперь уже две лаборатории открыто заявляли о том, что создают AGI. А две крупнейшие мировые компании обещали обеспечить их всеми необходимыми финансами и оборудованием. По оценкам Альтмана, OpenAI для достижения поставленной цели – создания AGI – потребуется еще от 25 до 50 миллиардов долларов.

Однажды днем Илья Суцкевер сидел в кофейне в нескольких кварталах от офиса OpenAI в Сан-Франциско и, прихлебывая кофе из керамической кружки, говорил о многих вещах, в том числе о искусственном интеллекте общего назначения (AGI). Он называл AGI технологией, время которой пришло, хотя подробностей объяснить не мог. «Я знаю, что это будет что-то огромное, – уверен в этом, – сказал он. – Очень трудно точно сформулировать, как это будет выглядеть, но мне кажется важным обмозговать все эти вопросы и заглянуть в будущее как можно дальше». Он сказал, что это будет «компьютерное цунами», лавина ИИ. «Это почти как природный катаклизм, – пояснил он. – Неудержимая сила. AGI слишком полезен, чтобы ему не существовать. Что мы можем сделать? Мы можем направлять его, так или иначе управлять им».

Эта сила изменит не просто мир компьютерных вычислений. Неизбежно изменится и физический мир. «Думаю, можно привести немало убедительных доводов в пользу того, что искусственный интеллект, действительно достигший уровня человеческого разума или превзошедший его, окажет огромное преобразующее воздействие на общество, но конкретные проявления этого трудно предсказать и вообразить, – сказал он. – Я думаю, что это приведет к перестройке практически всех существующих ныне человеческих систем. Мне кажется весьма вероятным, что пройдет немного времени, и вся Земля покроется центрами обработки данных и электростанциями. Если у тебя есть даже один дата-центр, питающий множество ИИ, которые значительно умнее людей, это очень полезный объект. Он может делать много всего полезного. И первое, что вы можете попросить его сделать: пожалуйста, сделай мне еще один такой же центр. И он приловчится и даст вам понять, что, да, он вполне самостоятельно может построить еще один такой же центр, и теперь у вас их будет два. А потом каждый из них построит еще по одному».

На вопрос, буквально ли следует понимать его слова, Суцкевер ответил утвердительно и указал через окно на ярко-оранжевое здание, расположенное через дорогу от кофейни. Представьте, сказал он, что здание заполнено компьютерными чипами и что на этих чипах работает программное обеспечение, моделирующее качества и навыки генерального директора такой компании, как Google, а также финансового директора и всех ее инженеров. Если бы весь персонал Google работал в этом здании, это было бы чрезвычайно ценное здание. Оно было бы настолько ценное, что вам захотелось бы построить еще одно точно такое же здание. Потом еще одно. И еще. У вас будет такая мотивация продолжить строительство, сказал он, что вы не сможете остановиться.

По другую сторону Атлантики, в новом лондонском здании Google, расположенном рядом со станцией Сент-Панкрас, Шейн Легг и Демис Хассабис описывали будущее несколько проще. Но смысл был примерно тот же. Как объяснил Легг, DeepMind шла по той же траектории, которую он и Хассабис наметили, когда десятью годами ранее впервые представили свою компанию Питеру Тилю. «Оглядываясь на то, что мы писали о нашей миссии в первые дни существования компании, я вижу, как это невероятно похоже на сегодняшнюю DeepMind, – говорит он. – Все то же самое». Совсем недавно они отказались от той части бизнеса, которая не вполне соответствовала их основной миссии. Еще весной 2018 года Мустафа Сулейман сообщил кое-кому в DeepMind, что намерен в скором времени перевести медицинский проект лаборатории под крыло Google, и той осенью об этом переводе было объявлено официально⁶³⁷. Год спустя он и сам покинул DeepMind и перешел в Google. Его взгляды всегда были ближе к философии Джеффа Дина, нежели Демиса Хассабиса, и теперь он сам и его любимый медицинский проект, наиболее практичная и приземленная часть деятельности DeepMind, окончательно расстались с Хассабисом и Леггом. Отныне лаборатория DeepMind более чем когда-либо была устремлена в будущее. И хотя она сохраняла достаточную степень независимости, использовать обширные ресурсы Google она могла без ограничений. С момента приобретения DeepMind компания Google инвестировала в эти исследования уже 1,2 миллиарда долларов⁶³⁸. К 2020 году, в дополнение к сотням компьютерщиков и программистов, работавшим в лондонской лаборатории, Хассабис нанял команду из более чем пятидесяти нейробиологов для изучения внутренней работы головного мозга.

Многие задавались вопросом, как долго продлится этот ажиотаж. В том же году Ларри Пейдж и Сергей Брин, со стороны которых DeepMind получала самую мощную поддержку, объявили о своем уходе на пенсию⁶³⁹. «Будет ли DeepMind и дальше получать такие крупные суммы от Alphabet для таких долгосрочных исследований? – послышались голоса. – Или их заставят заняться более неотложными задачами?» Алан Юстас, человек, который стоял за приобретением DeepMind и созданием Google Brain, всегда остро осознавал противоречия между краткосрочными технологическими интересами компании и далекой мечтой. «Может случиться так, что внутри Google у них будет доступ к более интересным и насущным проблемам, но это может замедлить их движение к долгосрочной цели. Сохранение же их самостоятельности в структуре Alphabet ухудшает для них возможности коммерциализации своих технологий, но эффективнее в долгосрочном плане, – говорит он. – Решение этой головоломки стало бы важным шагом в истории машинного обучения». Но определенно можно сказать, что философия, лежащая в основе деятельности DeepMind, не изменилась. После продолжавшейся несколько лет суматохи, когда технологии ИИ совершенствовались с такой удивительной скоростью, проявляли себя так, как никто не ожидал, и вплетались в игру могущественных и непреклонных корпоративных сил, лаборатория DeepMind, как и OpenAI, сохранила свой курс и по-прежнему стремится к созданию по-настоящему умной машины. Больше того, ее основатели видят в этой суматохе своеобразное подтверждение своей правоты. Ведь они когда-то предупреждали, что эти технологии могут иметь непредсказуемые последствия.

Во время одной из видеоконференций, которую Хассабис проводил из своего офиса в Лондоне, он сказал, что его взгляды находятся где-то на полпути между взглядами Марка Цукерберга и Илона Маска. По его словам, взгляды Цукерберга и Маска представляют собой две крайности. Сам он верит, что сверхразум может быть создан и что это может быть опасно, но он также уверен, что до этого еще далеко. «Нам нужно использовать это время некоторого затишья, чтобы спокойно подготовиться к серьезным ситуациям, которые могут возникнуть в ближайшие десятилетия, – сказал он. – Время, которое у нас сейчас есть, очень ценно, и мы должны его максимально использовать». Проблемы, возникшие в последние годы по вине Facebook и других компаний, служат предупреждением о том, что эти технологии необходимо создавать осторожно и вдумчиво. Но это предупреждение, добавил он, не помешает ему достичь своей цели. «Мы занимаемся этим, – сказал он. – Мы не валяем дурака. Мы делаем это, потому что действительно верим, что это возможно. О временных рамках можно спорить, но, насколько нам известно, не существует никаких физических законов, которые препятствовали бы созданию AGI».

В кабинете Джеффа Хинтона на пятнадцатом этаже здания Google в центре Торонто на шкафу у окна стоят две белые объемные фигуры. Каждая размером с коробку из-под обуви. Вытянутые, с острыми краями и треугольными гранями, они походят на две модернистские мини-скульптуры из магазина IКЕА. Когда кто-нибудь впервые оказывается в его кабинете, Хинтон протягивает ему эти две фигуры, объясняет, что это две части одной пирамиды, и просит сложить их так, чтобы получилась целая пирамида. Это кажется легкой задачей. Каждый кусок имеет всего пять граней, и достаточно просто найти две грани, которые совпадут. Но, как ни странно, мало кому удается решить эту загадку. Хинтону особенно нравится рассказывать, что с ней не справились даже двое профессоров Массачусетского технологического института. Один отказался даже пробовать. Другой представил доказательства того, что это невозможно.

Но это возможно, говорит Хинтон, и быстро это продемонстрирует, сложив пирамиду. Он объясняет, что большинство людей не могут пройти этот тест, потому что головоломка сбивает их с толку, нарушает их понимание такого объекта, как пирамида, – или чего-либо еще, с чем они могут столкнуться в физическом мире. Они не могут распознать пирамиду, глядя на нее сначала с одной стороны, потом с другой, сверху, снизу. Они представляют себе, какое место занимает пирамида в трехмерном пространстве. И из-за того, что пирамида разрезана надвое, объясняет Хинтон, ее не получается представить в трех измерениях – как обычно. Этой головоломкой Хинтон хочет показать, что зрение – более сложный феномен, чем может показаться, и что люди воспринимают то, что находится перед ними, не так, как это делают машины. «Это важный факт, который игнорируют разработчики компьютерного зрения, – говорит он. – И в этом их огромная ошибка».

Он хорошо знает недостатки технологии, которую он сам помогал создавать последние четыре десятилетия. По его словам, разработчики компьютерного зрения теперь полагаются на глубокое обучение, но это решает только часть проблемы. Если нейронная сеть проанализирует тысячи фотографий кофейных чашек, она сможет научиться распознавать кофейную чашку. Но если на этих фотографиях кофейные чашки изображены только сбоку, она не сможет распознать кофейную чашку, перевернутую вверх дном. Нейросеть видит объекты только в двух измерениях, а не в трех. Хинтон объясняет, что это одна из многих проблем, которые он надеялся решить с помощью капсульных сетей.

Как и любая другая искусственная нейронная сеть, капсульная сеть – это математическая система, которая обучается на исходных данных. Но, по словам Хинтона, эта архитектура позволяет машине воспринимать вещи в объеме, как это делают люди, и благодаря этому она может узнать кофейную чашку под любым углом, если знает, как она выглядит с одного угла. Эту идею он впервые выдвинул в конце 1970-х годов и вот спустя десятилетия вернулся к ней, уже будучи сотрудником Google. В 2015 году он провел лето в DeepMind и как раз собирался над этим поработать, но у его жены Джеки тогда же диагностировали рак, и ему стало не до того. Вернувшись в Торонто, он занялся разработкой этой идеи вместе с Сарой Сабур, иранской исследовательницей, той самой, которой было отказано в американской визе, и к осени 2017 года они построили капсульную сеть, которая могла распознавать изображения с незнакомых углов с точностью, далеко превышающей способности обычной нейронной сети. Но применение капсульных сетей не ограничивается распознаванием изображений, говорит Хинтон. Они позволяют моделировать сеть нейронов мозга гораздо более сложным и эффективным образом и, по его мнению, могут ускорить развитие искусственного интеллекта в целом – в части компьютерного зрения, понимания естественного языка и так далее. С точки зрения Хинтона, эта новая технология приближается к кульминационной точке, напоминающей ту, которой нейронные сети достигли в декабре 2009 года, когда он столкнулся с Ли Дэном на горнолыжном курорте в Уистлере. «История повторяется, – говорит он. – Я так думаю».

27 марта 2019 года Ассоциация вычислительной техники, крупнейшее в мире сообщество специалистов в области информатики, объявила, что Хинтон, Лекун и Бенжио удостоены премии Тьюринга за 2018 год. Впервые присужденную в 1966 году, премию Тьюринга часто называют «Нобелевской премией по информатике». Она носит имя Алана Тьюринга, одного из первопроходцев компьютерной эры, и ее нынешний призовой фонд составляет 1 миллион долларов. Возродив исследования нейронных сетей в середине «нулевых» и внедрив их в самое сердце технологической индустрии, где они преобразили все существовавшие технологии, от распознавания изображений до машинного перевода и робототехники, эти ученые-ветераны разделили премию на троих, а лишний цент Лекун и Бенжио торжественно вручили Хинтону.

Хинтон отметил это событие редким твитом, в котором описывалось то, что он назвал «Х-фактором». «Когда я учился в Кингс-колледже Кембриджа⁶⁴⁰, Лесли Вэлиант, получивший премию Тьюринга в 2010 году, жил в соседней комнате на лестнице X[8], – написал он в своем твите. – И я только что узнал от него, что Тьюринг тоже жил на лестнице Х, когда преподавал в Кингсе, и, вероятно, именно там он написал свою статью 1936 года». Это была статья, которая помогла дать старт компьютерной эпохе⁶⁴¹.

Церемония награждения состоялась два месяца спустя в большом бальном зале отеля Palace в центре Сан-Франциско. Джефф Дин по такому случаю облачился в смокинг. Майк Шрепфер тоже. Официанты в белых фраках обслуживали более пятисот гостей, которые сидели за круглыми столами, накрытыми белыми скатертями, и, пока они угощались, шло вручение разных других наград более чем дюжине инженеров, программистов и исследователей из разных отраслей технологической индустрии и академической среды. Только Хинтону не сиделось. Из-за своей больной спины он не садился уже пятнадцать лет. «Эта проблема у меня стоит давно», – любит говорить он. Когда были вручены первые награды, он стоял в стороне, опустив взгляд на небольшую карточку, на которой он сделал краткие заметки для своего выступления. Какое-то время Лекун и Бенжио тоже постояли с ним у стены. Затем они сели с остальными, пока Хинтон продолжал стоять и читать свою карточку.

По прошествии первого часа награждений на сцену вышел Джефф Дин и, сильно волнуясь, представил троих победителей премии Тьюринга. Он был все-таки инженером мирового уровня, а не оратором. Но его слова были справедливыми. На протяжении многих лет, сказал он, большая часть научного сообщества с огромным сомнением относилась к их деятельности, но, вопреки всему, Хинтон, Лекун и Бенжио сумели-таки разработать целый комплекс технологий, которые уже изменили и продолжают менять весь научный и культурный ландшафт. «Пора признать величие их заслуг тем, кто долго держался противоположной точки зрения», – сказал он. Затем на двух экранах по обе стороны сцены показали короткое видео, описывающее долгую историю нейронных сетей и рассказывающее о сопротивлении, с которым эти трое исследователей сталкивались на протяжении десятилетий. Вот на экране появляется Ян Лекун. Он говорит: «Я всегда был уверен, что я прав». По залу разносятся волны смеха, а Хинтон, стоящий теперь на сцене, продолжает перечитывать свою карточку.

Авторы видео постарались показать, что искусственный интеллект все еще далек от истинного разума. На экране Лекун говорит: «У машины здравого смысла все еще меньше, чем у домашней кошки». Затем видеокамера фокусируется на Хинтоне, и тот рассказывает о своей работе над капсульными сетями, которые, как он надеется, снова подтолкнут исследования вперед. Диктор, читающий закадровый текст, возвращается к привычным славословиям. «Будущее искусственного интеллекта выглядит многообещающим, – говорит он. – Нас ждут новые большие успехи, открывающие новые безграничные возможности». Затем Хинтон появляется на экране в последний раз и говорит уже о своих переживаниях. Сначала он говорит о том, как он рад получить награду вместе с Лекуном и Бенжио. «Очень приятно побеждать в такой компании, – говорит он. – Всегда приятнее быть частью успешной группы, чем быть одному». Затем он дает аудитории несколько советов. «Если у вас есть идея и она кажется вам правильной, не позволяйте людям убедить вас в том, что это глупость, – говорит он. – Просто не обращайте на них внимания». Когда видео закончилось, Хинтон продолжал стоять на сцене, опустив глаза на свою карточку.

Первым с благодарственной речью выступил Бенжио. Теперь он был с густой бородой, большей частью седой. Он сказал, что ему доверили выступить первым, потому что он самый младший из троих. Он поблагодарил CIFAR, канадскую правительственную организацию, которая финансировала их разработки нейронных сетей в середине «нулевых», а затем выразил благодарность Лекуну и Хинтону. «Сначала они были для меня моделями для подражания, потом стали моими наставниками, а затем моими друзьями и коллегами», – сказал он. Он добавил, что это награда не только для них троих, но и для всех других исследователей, которые продолжали верить в эти идеи, включая их многочисленных студентов из Монреальского, Нью-Йоркского и Торонтского университетов. По его словам, ничто в конечном итоге так не подталкивает технологии к новым высотам, как новые исследования, осуществляемые гораздо более широким сообществом единомышленников. И то, о чем он говорил, уже происходит. Прогресс в области здравоохранения, робототехники и понимания естественного языка продолжается. С годами влияние многих крупнейших авторитетов в этой области то усиливалось, то ослабевало. Алекс Крижевский, разочаровавшийся в своей работе, ушел из Google и вообще из этой области исследований. В следующем году, после усиления напряженности в высших эшелонах иерархии Baidu, китайскую компанию покинули сначала Эндрю Ын, а затем и Ци Лу. Но в целом эта область исследований – как бизнес и как наука – продолжает расширяться. За последние несколько месяцев компания Apple переманила к себе из Google Джона Джаннандреа и Яна Гудфеллоу, бывшего ученика Бенжио.

Но Бенжио также предупредил, что сообщество должно задумываться о том, как используются эти технологии. «Честь, которая нам оказана, неотделима от ответственности, – сказал он. – Наши инструменты могут быть использованы как во благо, так и во зло». Двумя месяцами ранее New York Times сообщила, что правительство Китая в сотрудничестве с несколькими компаниями, занимающимися искусственным интеллектом, разработало технологию распознавания лиц, которая может помочь отслеживать и контролировать уйгуров⁶⁴², преимущественно мусульманское этническое меньшинство. Следующей осенью главный юрисконсульт Google Кент Уокер выступил⁶⁴³ на мероприятии в Вашингтоне, где заявил, что, несмотря на разногласия по поводу проекта Maven, компания готова сотрудничать с Министерством обороны, и многие сразу же насторожились, не связано ли планируемое сотрудничество с перспективами создания автономного оружия. И приближающиеся выборы 2020 года лишь усугубляли чувство тревоги.

Следующим выступил Лекун, руководитель лаборатории искусственного интеллекта в Facebook. «Выступать после Йошуа всегда трудно, – сказал он. – А еще труднее выступать перед Джеффом». Единственный из всех троих одетый в смокинг, он сказал, что многие спрашивают его, как присуждение премии Тьюринга изменило его жизнь. «Я уже привык к тому, что люди всегда указывали мне на мои оплошности, – сказал он. – Теперь же мне нужно быть особенно осторожным в своих поступках, потому что отныне уже никто не осмелится сказать мне, что я не прав». Он сказал, что они с Бенжио являются уникальными лауреатами премии Тьюринга. Они двое единственные, кто родился в 1960-е годы. Они единственные, кто родился во Франции. Они единственные, чьи имена начинаются на Y. И они единственные, чьи братья работают в Google. Он поблагодарил своего отца, который наставил его на правильный путь, благодаря чему он стал инженером, и поблагодарил Джеффа Хинтона за то, что тот всегда был его учителем.

Пока зал аплодировал Лекану, Хинтон отвел, наконец, взгляд от своей карточки и подошел к трибуне. «Я тут провел некоторые вычисления, – сказал он, – и с уверенностью могу утверждать, что я моложе Яна и Йошуа вместе взятых». Он поблагодарил комитет по награждению AВТ и похвалил их «необычайный здравый смысл». Поблагодарил своих аспирантов и постдоков. Поблагодарил своих наставников и коллег. Поблагодарил организации, которые финансировали его исследования. Но больше всего, по его словам, ему хотелось бы поблагодарить свою жену Джеки, которая умерла за несколько месяцев до объявления награды. Двадцать пять лет назад, сказал он, умерла его жена Розалинда, и он думал, что его исследовательской карьере конец. «Несколько лет спустя Джеки оставила свою работу в Лондоне и переехала со мной в Канаду, – сказал он, и его голос сорвался. – Джеки знала, как сильно я хотел получить эту награду, и ей очень хотелось бы быть сегодня здесь».

В следующем месяце Хинтон по случаю вручения награды читал «тьюринговскую лекцию» в Финиксе⁶⁴⁴, штат Аризона, в которой говорил о причинах и дальнейших перспективах роста машинного обучения. Попутно он рассказал о различных способах обучения машин⁶⁴⁵. «Есть две категории алгоритмов обучения⁶⁴⁶ – вернее, три, но третья работает не очень хорошо, – сказал он. – Третья называется обучение с подкреплением». По аудитории, состоявшей из нескольких сотен разработчиков ИИ, пробежал смех. Хинтон продолжал. «В отношении обучения с подкреплением существует чудесное reductio ad absurdum⁶⁴⁷, – сказал он собравшимся. – Оно называется DeepMind». Хинтон не верил в обучение с подкреплением, метод, который Демис Хассабис и DeepMind рассматривали как путь к AGI. Для решения практических задач в реальном мире эта технология требовала слишком много исходных данных вычислительной мощности. По тем же причинам – и по многим другим – он и в погоню за AGI не верил.

Он считал, что AGI – слишком масштабная задача, которую невозможно решить в обозримом будущем. «Я бы предпочел сосредоточиться на тех задачах, в отношении которых все-таки можно найти решение», – заявил он весной того года во время визита в штаб-квартиру Google в Северной Калифорнии. Но он также задавался вопросом, зачем вообще этим заниматься. «Если у меня есть робот-хирург, ему нужно очень хорошо разбираться в медицине и в хирургических манипуляциях. Но я не понимаю, зачем моему хирургу-роботу разбираться в бейсболе. Зачем вообще нужны знания общего характера? Я думал, нам нужны машины, которые могут быть в чем-то нам полезны. Если я хочу, чтобы машина должным образом рыла канавы, мне скорее нужен экскаватор, чем робот-андроид. Зачем вам андроид, копающий канавы? Если я хочу, чтобы автомат выдавал деньги, мне нужен банкомат. Я имею в виду, что нам, вероятно, не так уж и нужны андроиды общего назначения». Когда его спросили, не является ли вера в AGI чем-то вроде религии, он возразил: «Это далеко не такая темная вещь, как религия».

В том же году Питер Аббил предложил ему вложиться в Covariant. И когда Хинтон увидел, на что способны роботы Аббила благодаря обучению с подкреплением, он изменил свое мнение о будущем разработок ИИ. Когда разработанные Convariant системы были внедрены на складе в Берлине, он назвал это «моментом AlphaGo» для робототехники. «Я всегда скептически относился к обучению с подкреплением, потому что для этого требовалось огромное количество вычислений. Но теперь у нас этого предостаточно», – говорит он. Тем не менее, в создание AGI он по-прежнему не верит. «Прогресс достигается за счет решения конкретных проблем – когда вы создаете робота, умеющего чинить то, что сломалось, или робота, выполняющего услуги переводчика, – но не за счет тех, кто занимается созданием искусственного интеллекта общего назначения», – говорит он.

В то же время он не видит признаков того, что прогресс в этой области в обозримом будущем прекратится, хотя теперь этим будут заниматься другие. Он надеялся на последний успех с капсульными сетями, но более широкое сообщество разработчиков, поддерживаемое крупнейшими мировыми компаниями, устремилось в других направлениях. На вопрос, следует ли нам беспокоиться об угрозе со стороны сверхразума, он ответил, что в ближайшее время ничего такого ждать не следует. «Я думаю, с нами все будет намного лучше, чем думает Демис, – сказал он. – Но если смотреть в более отдаленное будущее, это вполне разумное беспокойство», – добавил он.