Самый многообещающий подход к ИИ основан на естественном интеллекте – человеческом мозге. В конце 1950-х гг., работая в IBM, Артур Сэмюэл ввел термин «машинное обучение», имея в виду программу, обладающую свойственной мозгу способностью учиться на своих ошибках, играя в шахматы или шашки[196]. Более мощный подход к машинному обучению возник на основе примитивных представлений человеческого мозга, известных как нейронные сети, которые появились в 1943 г., когда Уоррен Мак-Калок (1898–1969) и Уолтер Питтс (1923–1969) из Университета Иллинойса предложили, что клетки мозга – нейроны – можно рассматривать как логические переключатели[197].

Нейронным сетям понадобится полвека, чтобы реализовать свой потенциал. В середине 1990-х гг., примерно в то время, когда мы писали Frontiers of Complexity, произошла так называемая «зима ИИ», когда область завязла из-за появления нового класса нейронных сетей. Эти искусственные нейронные сети в самом простом виде состояли из входного слоя нейронов, выходного слоя и скрытого слоя. Сила связей между нейронами была изменена, чтобы сеть могла учиться, чаще всего с использованием алгоритма, называемого «обратное распространение ошибок». При наличии достаточного количества обучающих данных для решения нелинейных задач требовался всего лишь один скрытый слой. Получив фотографии животных из семейства кошачьих, на которых они были отнесены к категории тигров, сеть смогла начать охоту на тигров с использованием нового набора изображений, не имея ни малейшего представления о том, чем на самом деле является тигр.

Британский когнитивный психолог Джеффри Хинтон показал, что нейронные сети могут стать еще мощнее, если добавить дополнительные слои нейронов – отсюда и термин «глубокое обучение», где «глубокий» означает глубину слоев. Эти скрытые слои способны отразить более глубокое представление о проблеме, например при категоризации изображения. Первый уровень обрабатывает входные данные (например, пиксели) и передает эту информацию на следующий уровень, запуская некоторые из нейронов, которые затем передают сигнал более высоким уровням, пока в конечном итоге не определят, что на входном изображении. Благодаря глубокому обучению ИИ на сегодняшний день, возможно, добился наибольших успехов, будь то систематизация фотографий, выдача рекомендаций о том, что покупать или смотреть, или подчинение устным командам.

Рисунок 21. Глубокая нейронная сеть (IBM)

Благодаря машинному обучению для ИИ стало рутинным искать закономерности, например, разделять гласные звуки или различать лица, и он превосходно справляется со всеми видами задач, от синхронного языкового перевода до приложений в компьютерном зрении и анализе фондового рынка. GPT-3, созданный OpenAI в Сан-Франциско, был обучен примерно на 200 миллиардах слов и способен писать удивительно беглый текст в ответ на запрос. ИИ использует знания о статистических взаимосвязях между словами и фразами, которые читает, чтобы делать выводы, но никто не будет утверждать, что он понимает их значение. Результаты иногда могут быть столь же дурацкими, сколь и впечатляющими[198].

Глубокое обучение превзошло людей, когда дело доходит до многопользовательской боевой арены Dota 2, стратегической игры StarCraft II и гоночного симулятора Gran Turismo[199]. Игры предоставляют ограниченную среду, например виртуальную песочницу, которую машинному обучению исследовать гораздо проще, чем реальный мир. Было бы ошибкой думать, что, научившись на сотнях тысяч игр, ИИ действительно стал умнее людей. Он просто хорош в этих играх так же, как компьютеры намного лучше людей умеют умножать огромные числа. Десятилетия исследований показали, что люди склонны видеть в неодушевленном разум и свободу действий[200], проклятие «апофении», которое восходит к заре человеческого сознания, когда наши предки боялись, что шорох в подлеске знаменует присутствие злобного лесного духа.

По этой причине машинное обучение может показаться чрезвычайно изобретательным. Глубокая нейронная сеть AlphaGo Zero, разработанная Демисом Хассабисом и его коллегами из DeepMind в Великобритании[201], была обучена всего за несколько дней, без какого-либо человеческого участия или знаний, и достигла сверхчеловеческих уровней в таких играх, как шахматы, сёги и го[202]. Программа не могла объяснить разработанные ею стратегии (хотя, честно говоря, возможно, это машинный эквивалент того, что игроки-люди называют «интуицией»), но – поразительно – некоторые из них были нетрадиционными и новыми.

Есть и другие намеки на искусственное творчество. Так называемые GAN (генеративно-состязательные сети) хорошо известны своей способностью создавать «глубокие фейки», где сеть «художников» создает изображения, а сеть «критиков» выясняет, выглядят ли они реальными[203]. Используя составные GAN, которые разбивают творческую задачу на подзадачи с прогрессивными целями, можно создавать высококачественные изображения из одного только текста, генерируя достаточно убедительные, но полностью синтетические изображения птиц и цветов[204].

Машинное обучение помогает и математике, предлагая способ решения проблем, для которых другие методы не сработали. Недавно машинное обучение выявило математические связи, которые при изучении симметрии люди упустили, и помогло распутать некоторые математические узлы. В другом исследовании DeepMind глубокое обучение автоматизировало открытие эффективных алгоритмов умножения матриц (массивов чисел)[205].

Другое применение ИИ возникает, когда математика становится неразрешимой – как обнаружил Пуанкаре, неразрешимо даже применение законов Ньютона всего к трем телам. Чтобы добиться прогресса, строгие и элегантные теории должны уступить место специальным аппроксимациям. Здесь машинное обучение может помочь математикам-прикладникам выйти из тупика, так что теперь, например, можно моделировать поведение сотен миллионов атомов, аппроксимируя их с помощью «суррогата» ИИ, где алгоритм обучается с помощью результатов нескольких тщательно отобранных моделирований, которые были выполнены детально[206]. При правильном (важное предостережение) обучении этот суррогат черного ящика может вести себя как настоящий. Например, машинное обучение, используемое для понимания жидкой воды и льда на атомном и молекулярном уровне, сначала изучает квантово-механические взаимодействия между атомами, чтобы оно могло действовать как суррогат для быстрых выводов об энергии и силах системы атомов, минуя трудоемкие квантово-механические вычисления[207].

Когда дело доходит до медицины, существует огромный интерес к использованию ИИ для диагностики заболеваний на основе тщательно отобранных данных. Ранние попытки использовать компьютерное обнаружение рака молочной железы не показали никаких дополнительных преимуществ[208]. Однако в 2020 г. в исследовании DeepMind, Имперского колледжа Лондона, Национальной службы здравоохранения и Северо-Западного университета США появилось представление о том, что ИИ может превзойти радиологов[209]. В следующем году ИИ отлично показал себя, когда команда из Бостона обучила его на гистологических слайдах опухолей известного происхождения, чтобы помочь найти источник рака неизвестного первичного новообразования[210].

Но у ИИ была и своя доля падений. Изучив более 300 моделей машинного обучения COVID-19, описанных в научных работах в 2020 г., команда Кембриджского университета пришла к выводу, что ни одна из них не подходит для обнаружения или диагностики COVID-19 с помощью стандартных медицинских сканирований из-за предвзятости, методологических недостатков, отсутствия воспроизводимости и «франкенштейновских наборов данных», собранных из других наборов и переименованных, поэтому алгоритмы в конечном итоге обучаются и тестируются на идентичных или перекрывающихся данных[211]. С тех пор методы искусственного интеллекта добились успехов в диагностике COVID-19 по сканированию грудной клетки[212].

Позже в этой главе мы вернемся к причинам, по которым ИИ может столкнуться с проблемами, хотя уже сейчас ясно, что успешное использование машинного обучения на реальных данных, собранных разными врачами в разных больницах с использованием разных технологий, является гораздо более сложной задачей, чем использование для обучения четких, тщательно отобранных данных[213].