При внимательном рассмотрении того, как статистические инструменты, задуманные для оценки когнитивных навыков и различения производительности людей, превратились в алгоритмы, становится очевидным более глубокий аспект автоматизации. Изучение метрологии труда и поведения фактически показывает, что в некоторых случаях автоматизация возникает в результате превращения самих средств измерения в кинетические технологии. Инструменты для количественной оценки труда и социальной дискриминации сами по себе стали «роботами». Еще до появления психометрии Бэббидж применил часы, которыми измеряли труд на фабрике, в Разностной машине для автоматизации умственного труда (см. главу 2). Кибернетики, в частности Норберт Винер, по-прежнему считали часы ключевой моделью как для мозга, так и для электронных вычислительных машин. Историк науки Хеннинг Шмидген отмечал, что хронометрия нервных стимулов способствовала укреплению метрологии мозга и модели нейронных сетей Мак-Каллока и Питтса[559]. Таким образом, представленная в этой книге теория автоматизации говорит о том, что машины возникли не только из логики управления трудом, но и благодаря инструментам и показателям количественной оценки человеческой жизни в целом и повышения ее производительности.

Моей целью было показать, что ИИ – это кульминация долгой эволюции автоматизации труда и количественной оценки общества. Статистические модели машинного обучения не радикально отличны от конструкции промышленных машин, а скорее гомологичны ей. Эти модели образуют тот же аналитический интеллект для решения задач и анализа коллективного поведения, но его сложность (количество параметров) выше. Подобно тому, как конструкция промышленных машин формировалась постепенно благодаря рутинным задачам и корректировкам, алгоритмы машинного обучения адаптируют свою внутреннюю модель к паттернам обучающих данных с помощью сопоставимого процесса проб и ошибок. Конструкция машины и модель статистического алгоритма следуют аналогичной логике: обе основаны на имитации внешней конфигурации пространства, времени, отношений и операций. В истории ИИ это верно для перцептрона Розенблатта (предназначался для записи движений взгляда и пространственных отношений в поле зрения) и всех современных алгоритмов машинного обучения (например, машин опорных векторов, байесовских сетей и моделей-трансформеров).

Если промышленная машина определенным образом воплощает схему разделения труда (подумайте о компонентах и ограниченных «степенях свободы» ткацкого либо токарного станка или карьерного экскаватора), то алгоритмы машинного обучения (особенно последние модели ИИ с огромным количеством параметров) способны имитировать сложную человеческую деятельность[560]. Несмотря на проблемы аппроксимации и смещения, модель машинного обучения представляет собой адаптивный артефакт, который может кодировать и воспроизводить самые разнообразные конфигурации задач. Например, одна и та же модель машинного обучения способна эмулировать движение манипуляторов на сборочных линиях и действия водителей в беспилотном автомобиле, переводить с одного языка на другой и разговорными выражениями описывать изображения.

Подъем в последние годы крупных фундаментальных моделей (например, BERT, GPT, CLIP, Codex) демонстрирует, как один алгоритм глубокого обучения можно натренировать на одном обширном интегрированном наборе данных (текст, изображения, речь, структурированные данные и трехмерные сигналы) и использовать для автоматизации широкого спектра последующих задач (ответы на вопросы, анализ тональности, извлечение информации, генерация текста, создание подписей к изображениям, генерация изображений, воспроизведение стиля, распознавание объектов, выполнение инструкций и т. д.)[561]. Крупные фундаментальные модели, построенные на колоссальных архивах культурного наследия, коллективных знаний и социальных данных, служат ближайшим приближением к механизации «всеобщего интеллекта», о котором говорили в индустриальную эпоху. Важным аспектом машинного обучения, который демонстрируют фундаментальные модели, заключается в том, что автоматизация отдельных задач, кодификация культурного наследия и анализ социального поведения не имеют технических различий и могут выполняться в рамках одного и того же процесса статистического моделирования.

В заключение стоит сказать, что машинное обучение можно рассматривать как проект автоматизации самого проектирования машин и создания моделей, то есть автоматизацию трудовой теории автоматизации. В этом смысле машинное обучение и, в частности, большие фундаментальные модели представляют собой новое определение Универсальной машины, поскольку они способны не только выполнять вычислительные задачи, но и имитировать труд и коллективное поведение в целом. Таким образом, прорыв, который воплощает машинное обучение, – это не «автоматизация статистики», как его иногда называют, а автоматизация автоматизации, то есть доведение этого процесса до масштабов коллективного знания и культурного наследия[562]. Кроме того, машинное обучение можно рассматривать как техническое доказательство постепенного слияния автоматизации труда и социального управления. Возникнув из имитации разделения труда и психометрии, модели машинного обучения постепенно превратились в интегрированную парадигму управления, воплощением которой служат корпоративная аналитика и огромные центры обработки данных.

На этом этапе анализа важно отметить, что внутренние ограничения влияют на текущую форму машинного обучения. В статье, опубликованной в сентябре 2021 года, Нил Томпсон и другие ученые-компьютерщики утверждают, что методы исправления ошибок глубокого обучения достигли вычислительного предела и не могут расти без непомерных (вскоре и для крупных корпораций) затрат на энергию и аппаратные ресурсы[563]. Проблема вычислительного взрыва, периодически возникающая в истории ИИ, на этот раз касается искусственных нейронных сетей. Результаты исследований, которые можно распространить на другие алгоритмы и техники исправления ошибок, доказывают, что «интеллектуальный взрыв» ИИ – это мираж. Когда критическая теория вовлекается в мультяшные кампании по поиску «инопланетного интеллекта» в черном ящике ИИ, она часто игнорирует логический предел вычислений. То, что ученые считают «инопланетным интеллектом», представляет собой игру статистических корреляций на очень большом масштабе. В ней нет никаких свидетельств «сингулярности», и в силу вычислительных ограничений современный ИИ не станет злонамеренным «сверхразумом», о котором предупреждал оксфордский ученый Ник Бостром.