Что за волшебный трюк делает нас разумными?

А трюк в том, что никакого трюка нет.

Мы выяснили, что запрограммировать разум «сверху вниз» — от логических правил к реальности — нельзя. Но что если попытаться вырастить его «снизу вверх»?

Ещё в 1958 году Фрэнк Розенблатт создал свой «Перцептрон» — простую нейронную сеть, вдохновлённую устройством мозга, которая могла научиться распознавать буквы. Однако его работа была подвергнута сокрушительной критике со стороны столпов символического ИИ — Марвина Минского и Сеймура Паперта — в их знаменитой книге «Перцептроны»[141], что на долгие годы маргинализировало это направление.

Машина-ребёнок

Спустя четверть века эта идея вернулась с новой силой. В самом деле, что если создать машину, которая вместо следования инструкциям будет учиться на опыте, как ребёнок?

Центральной фигурой этого возрождения стал уже хорошо известный нам Джеффри Хинтон. Вместе с Дэвидом Румельхартом и Рональдом Уильямсом он в знаковой статье 1986 года представил «алгоритм обратного распространения ошибки»[142].

По сути, исследователи воспользовались, возможно даже не догадываясь об этом, выдающимся открытием великого отечественного нейрофизиолога Петра Кузьмича Анохина — создали «акцептор результата действия»[143].

Алгоритм позволял сигналу об ошибке, полученному на выходе, вернуться обратно через все её слои, корректируя при этом вес каждой отдельной связи. Нейронная сеть превратилась из статичной структуры в динамичную, обучаемую систему.

Внутренние представления

Именно этот прорыв открыл дорогу работам двум другим «крёстным отцам» глубокого обучения — Яну Лекуну и Йошуа Бенжио.

• Ян Лекун вдохновлялся исследованиями зрительной коры Дэвида Хьюбела и Торстена Визеля[144], разрабатывая свои «свёрточные нейронные сети»[145]. Его программа LeNet смотрела на изображение не как на мешок пикселей, а как на иерархию паттернов: от простых краёв и углов к более сложным формам[146]. По сути, она научилась видеть мир так, как это описали два упомянутых нобелевских лауреата по физио-логии и медицине.

• Йошуа Бенжио сосредоточился на проблеме «обучения без учителя». Он пытался заставить нейронные сети находить структуру в данных самостоятельно, без человеческих подсказок. Его работа над автоэнкодерами и генеративными моделями была направлена на то, чтобы, по сути, научить ИИ «думать» об объектах, а не просто их классифицировать[147].

Долгое время, впрочем, на эти идеи большого внимания не обращали. Пока, наконец, в 2012 году нейронная сеть AlexNet, созданная учениками Хинтона, не продемонстрировала в рамках публичных соревнований ImageNet такой результат, который казался почти невозможным[148].

Это был день, когда закончилась долгая «зима» искус-ственного интеллекта и началась революция глубокого обучения.

Конец «зимы»

Суть революции состояла в том, что учёные отказались от попыток сделать интеллект прозрачным и объяснимым. Они предположили, что он может возникать эмерджентно — просто из статистических закономерностей. И не из сложных структур, а из сложнейшего взаимодей-ствия миллионов простых элементов, настроенных в процессе обучения.

Самым мощным потрясением, конечно, стал феномен «всплывающих» способностей: модель, обученная предсказывать текст, вдруг продемонстрировала понимание арифметики или логики, чему она не обучалась. Это было похоже на чудо: «чёрный ящик» давал правильные ответы, но никто не понимал, как именно[149][150].

Но что было ещё более странным, а точнее — контринтуитивным: ИИ мог классифицировать кошку с точностью 99 %, но ему было абсолютно всё равно, что такое кошка. У него не было ни целей, ни желаний, ни внутренней озадаченности, а лишь мощная способность распознавать некие паттерны.

То есть ИИ распознавал не нашу «кошку», а паттерн, который стоит за тем, что мы считаем «кошкой». Иными словами, его знание и понимание «кошки» находились в совершенно ином умвельте — мире статистических корреляций — и радикально отличались от того, чем «кошка» является для нас — как мы её себе представляем, как мы о ней думаем, что это для нас значит.