«Аналитическая машина не претендует на оригинальность. Она может делать все, что запрограммировано нами на понятном ей языке. Она умеет анализировать, но не умеет предвосхищать аналитические открытия или истины. Ее назначение – предоставить нам то, с чем мы уже знакомы».

В области искусственного интеллекта, который существует во многих формах, за последние полвека имели место немало ложных надежд. Последнее возрождение особенно показательно, поскольку оно совпало с резким ростом вычислительной мощности и эрой больших данных. По данным IBM, к 2012 г.[192] ежедневно генерировалось 2,5 экзабайта – 2,5 миллиона миллиардов байт – данных. Ожидается, что к 2025 г. глобальная сфера данных увеличится до 175 зеттабайт (триллион гигабайт, или 1 000 000 000 000 000 000 000 байт). По одной из оценок, около 90 % всех данных, доступных сейчас науке, были созданы за последние два года – эта оценка была сделана IBM некоторое время назад, и, без сомнения, темпы только растут[193].

Подобно людям 1849-го г.[194], ищущим самородки во время золотой лихорадки, сегодня многие ученые используют ИИ для анализа больших данных в поисках значимых закономерностей. Некоторые утверждают, что в этой растущей волне измерений, фактов, двоичных чисел, цифр, единиц, байтов и битов лежат блестящие самородки, ответы на основные вопросы биологических, социальных наук или медицины, да и вообще любой области, где компьютеры решают сложные задачи.

Некоторые даже утверждают, что с появлением больших данных традиционный подход к науке устарел: нам больше не нужен сложный танец пчел Бэкона между гипотезой, теорией и экспериментом[195]. Этот простой, детерминированный образ мышления утверждает, что, если у нас есть квинтиллионы байтов данных о поведении мира в прошлом, мы можем сделать вывод, как он будет вести себя в будущем. Зачем вообще заниматься теорией? Зачем утруждать себя размышлениями о том, что на самом деле означают эти данные, если информацию может предоставить машина?

Мы не убеждены, что научный метод устарел, хотя и верим, что ИИ действительно будет иметь решающее значение для успеха проекта виртуального человека, являясь его четвертым ингредиентом. Тем не менее ИИ наиболее эффективен, когда работает рука об руку с механистическим пониманием, основанным на законах природы, когда гипотезы ИИ могут быть проверены в симуляциях, основанных на физике, а результаты методов, основанных на физике, используются для обучения ИИ. Это то, что мы подразумеваем под большим ИИ.