В 1980‑х годах французский теоретик Поль Вирильо в книге «Машина зрения» (The Vision Machine) переоткрыл малоизвестную в то время историю перцептрона в качестве элемента в спектре промышленных и военных проектов по «автоматизации восприятия». Военное происхождение не должно отвлекать от рассмотрения перцептрона в широкой генеалогии проектов автоматизации труда, социального контроля и экстрактивизма знаний. Наряду с известными кейсами автоматизации ручного и умственного труда перцептрон оказался пионером в автоматизации труда восприятия, или надзора. Речь о том надзоре за машинами (Maschinenarbeit по Марксу), рабочими местами и конвейерами, который обладает четкой дисциплинарной функцией, когда в нем участвует власть – хозяева, охранники и полицейские. Как резюмировал медиа-исследователь Джонатан Беллер, «смотреть – значит трудиться», и так было с давних пор. Однако «смотреть также значит организовывать труд», следовательно, хозяйский глаз все это время не моргал[535]. В прошлом оптические средства, такие как кинематограф и фотография, часто использовались для автоматизации трудового надзора, и эксперименты по распознаванию образов, в частности, перцептрон, вывели уже существовавшие режимы машинного зрения на новый уровень.

Для индустриальной эпохи характерно стремление механизировать ручной труд с помощью станков и паровых машин (см. главу 2), Бэббидж хотел механизировать умственный труд в форме ручных расчетов и манипуляций с символами (расчетов, которые до сих пор остаются в значительной степени «ручной» деятельностью, как указывает их название). В середине XX века центральные ЭВМ расширили автоматизацию умственного труда в виде подсчетов и манипуляций с символами в сфере государственного управления, в крупных компаниях и научных исследованиях. Надзорный труд механизировался иначе. Новизна перцептрона (и алгоритмов распознавания образов в целом) заключается в том, что машина впервые автоматизировала столь высокую умозрительную способность, как распознавание, то есть интерпретация изображения, что не ограничивалось манипуляцией с символами заданного значения. Розенблатт определял перцептрон как машину «интерпретации среды», утверждая, что «концептуализация среды представляет собой первый шаг к творческому мышлению». В этом отношении перцептрон, конечно, можно назвать интерпретационной машиной[536].

На современном техническом жаргоне машинного обучения перцептрон – это классификатор, то есть алгоритм статистического различения изображений и присвоения им класса или категории («метки») в конкретной культурной таксономии. Этот, пожалуй, самый важный аспект классификаторов не имеет ничего общего с их внутренней логикой и относится только к ассоциации выхода с внешней конвенцией, которая устанавливает значение изображения или другого символа в той или иной культуре. Теория гештальта, кибернетика и символический ИИ по-разному пытались выявить внутренние законы восприятия, но ключевая особенность классификатора, такого как перцептрон, заключается в записи внешних правил (социальных конвенций). В конечном счете, искусственная нейронная сеть – это экстравертная машина (машина, спроецированная вовне), потому что интерпретация паттерна всегда больше зависит от опыта и внешних социальных факторов, чем от внутренних физиологических контуров.

Алгоритм классификации, реализованный, например, в перцептроне, автоматизирует рассуждения, понимаемые не как способность к символической манипуляции, а скорее как ситуативное знание, которое входит в культурное наследие того или иного контекста. Акт распознавания или классификации паттернов – особый вид умственного труда, глубоко социальный акт, который мобилизует неявные и явные ноу-хау, научные и традиционные таксономии, народные и технические грамматики, то есть создание знаний как исторический и зачастую противоречивый процесс. Хотя промышленную задачу машинного надзора можно строго кодифицировать, распознавание образов «в дикой природе» остается открытой интерпретацией, а не жесткой процедурой, основанной на правилах. По этим причинам машина, предназначенная для автоматизации эпистемологического беспорядка (см. проект беспилотных автомобилей), во все времена сталкивается с большими трудностями. Недавние дебаты о гендерной, классовой и расовой предвзятости систем машинного обучения для распознавания лиц напоминают о том, что семиотики, философы языка и историки искусства знали всегда. Интерпретация изображений – действие, имеющее неразрешимые политические последствия. В связи с этим критические исследователи ИИ Майкл Кастель и Тайлер Рейгелут предложили сравнивать машинное обучение с теорией советского психолога Льва Выготского об обучении как социальном процессе[537]. Семиотическая структура классификатора (машины имитации) подтверждает то, что заявлял Выготский: в интеллекте нет доступной для обнаружения внутренней логики, поскольку по своему устройству он представляет собой социальный процесс.

Подведем итоги. Эксперимент Розенблатта по автоматизации распознавания образов с помощью небольшой 400‑мерной матрицы привел к разработке сверточных нейронных сетей в 1980‑х годах, развитию глубокого обучения в 2010‑х и, наконец, алгоритмическому моделированию обширных запасов спонтанных знаний, массовой коммуникации и культурного наследия. Перцептрон был экспериментом по распознаванию визуальных образов, который впоследствии расширился на невизуальные данные и приобрел масштаб нового «распознавания паттернов» в наборах данных культурного, социального и научного характера. В эпоху глубокого обучения архитектура многослойного перцептрона служит моделью не биологического мозга, а коллективного разума, и выражает его базовую онтологию, сформированную психометрией. Благодаря перцептрону Розенблатта искусственные нейронные сети унаследовали методы многомерного анализа психометрии и статистики, и это можно назвать, пожалуй, самым важным событием в истории ИИ. Стало возможным не только распознавание образов, но и вычисление данных гораздо большей размерности – полвека спустя, в эпоху «больших данных» (big data) эта функция стала ключевой. Как известно, этот неудачный термин относится к данным, которые не только огромны по размеру, но и типологически разнообразны – в статистике такое разнообразие представляют «измерения». В настоящее время Google, Amazon, Facebook[538] и Twitter собирают данные, которые определяют многомерное множество параметров о пользователях – местоположение, возраст, пол, национальность, язык, образование, работа, количество контактов, а также политические взгляды, культурные интересы и т. п. Разнообразие социальных измерений, анализируемых платформенными компаниями, поистине головокружительно и превосходит воображение любого профессионального статистика. Таким образом, подъем алгоритмов машинного обучения служит ответом на взрыв размерности социальных данных, а не только на проблему информационной перегрузки.

За последнее десятилетие машинное обучение превратилось в обширное алгоритмическое моделирование коллективных знаний, «социальное исчисление», цель которого заключается в кодировании индивидуального поведения, общественной жизни и культурного наследия в форме колоссальных архитектур статистических корреляций[539]. Это помогло установить монополистический режим экстрактивизма знаний в глобальном масштабе и навязать новые методы автоматизации труда и управления. Подобно лишь немногим артефактам нашей эпохи, ИИ служит примером уникальной концентрации власти в виде знания.