Наш переход от полного молчания об ИИ к постоянным разговорам о нем во многом связан с Канадой. Многие крупнейшие научные прорывы, лежащие в основе современного бума ИИ, совершили исследователи канадских институтов, причем львиную долю работы выполнили трое ученых: Джеффри Хинтон из Университета Торонто, Йошуа Бенжио из Университета Монреаля и Рич Саттон из Университета Альберты.
История выдающейся роли Канады в ИИ-исследованиях демонстрирует, как всего три человека могут изменить технологический статус целой страны, и при этом они могут быть даже не канадцами.
Начнем с Джеффри Хинтона. Чтобы понять его вклад в ИИ, полезно вспомнить основные споры, которые волновали эту область с момента появления термина «искусственный интеллект» на конференции в Дартмуте в 1956 году – событии, положившем начало новой научной дисциплине.
То, что мы называем «искусственным интеллектом», – это обобщающий термин для множества подходов, которые могут использоваться для симуляции похожего на человеческое мышления машинами. Сторонники разных подходов порой фанатично преданы своим методам, и споры между ними определяли развитие молодой науки на протяжении семи десятилетий.
Нейронные сети – один из подходов к ИИ, существующий практически с самого начала. Основная идея: искусственный мозг должен работать по тем же принципам, что и человеческий, – сеть взаимосвязанных нейронов, согласованно обрабатывающих информацию. Звучит достаточно очевидно, но это не так. Искусственные системы совсем не обязательно должны копировать природные образцы. Самолеты ведь не летают, махая крыльями.
Нейронные сети лучше объяснить через сравнение с тем, чем они не являются. Обычные программы работают по четким правилам и заданным инструкциям: сложные схемы, ведущие программу по разным путям в зависимости от действий пользователя – если это, то то; если не это, то другое. Существует направление ИИ – символический, или основанный на правилах, также известный как «старый добрый ИИ» (Good Old Fashioned AI, GOFAI), – которое использует этот подход.
Предположим, вы учите компьютер распознавать котов. Символический подход состоит в том, чтобы задать множество правил о том, что делает кота котом: у него есть хвост, уши, он пушистый и т. д. Когда программа видит объект, который подходит под все эти признаки, она знает, что смотрит на кота. Суть решения – дать программе правильный набор правил.
Нейронные сети для решения той же задачи действуют иначе. Исследователь показывает компьютеру миллионы изображений котов, помеченных как «кот», и система анализирует эти изображения, чтобы выявить закономерности и понять, что делает кота котом. Вместо правил система получает примеры и обучается через распознавание образов.
Именно это делает нейронные сети похожими на человеческий мозг. Ребенок учится распознавать кота не через изучение правил о том, что делает кота котом, а наблюдая множество примеров существа, которое все называют котом.
Методы с правилами и методы с примерами можно использовать как два разных способа решения одних задач. Если систему нужно научить играть в шахматы, при символическом подходе ей заложили бы правила игры, расположения фигур на доске и возможные ходы. При подходе, использующем нейронные сети, ей показали бы множество шахматных партий, чтобы она могла распознавать закономерности в игре и научиться играть самостоятельно.
Оба подхода существуют практически с момента зарождения ИИ как научной области. Еще в 1957 году исследователи из Корнелла построили перцептрон – пятитонный компьютер размером с целую комнату, который, по словам изобретателя Фрэнка Розенблатта, был первой машиной, «способной мыслить самостоятельно»[291]. Это было некоторое преувеличение, поскольку машина выполняла только простые задачи – например, отличала карточки с метками, сделанными на них слева, от карточек с метками, сделанными справа. Но это было простое, хотя и убедительное доказательство того, что машины можно научить учиться самостоятельно.
Перцептрон теперь считается первой в мире ИИ-системой. Когда эта «мыслящая машина» только появилась, она произвела такой же сенсационный эффект на СМИ, как и ChatGPT более шести десятилетий спустя. «НОВОЕ УСТРОЙСТВО ВМС УЧИТСЯ НА ПРАКТИКЕ: Психолог показывает зародыш компьютера для чтения и обучения», – писала New York Times. «Это первый серьезный соперник человеческого мозга из когда-либо созданных», – отмечал New Yorker.
Энтузиазм угас, когда очевидными стали недостатки перцептрона. Он мог выполнять только простейшие задачи и то в очень ограниченных условиях. Вскоре последовал широкий скептицизм, и Марвин Минский – профессор Массачусетского технологического института, ключевая фигура в исследованиях ИИ прошлого столетия – даже написал в 1969 году целую книгу «Перцептроны», критикуя их недостатки[292]. В следующем году Минский получил премию Тьюринга – высшую награду в области компьютерных наук.
Карьера Фрэнка Розенблатта пошла в противоположном направлении. Когда участь нейронных сетей была предрешена, его исследовательские интересы переключились с нейросетей на не менее спорное занятие – инъекции вещества из мозга обученных крыс необученным, чтобы проверить, передастся ли таким образом обучение. Именно этим он занимался, когда погиб по трагической случайности на лодке в 1971 году в возрасте 43 лет.
Нейронные сети впали в немилость и стали восприниматься как сомнительное занятие, а их приверженцев считали чуть ли не колдунами, занимающимися мистикой и чародейством. Это не было делом для серьезных ученых. Слово «нейронный» стало ругательством, и исследователи всячески старались заменить его в работах терминами вроде «функциональная аппроксимация» и «нелинейная регрессия» – всем, что могло скрыть от рецензентов истинную природу исследований. С 1970-х до начала 2000-х талантливым молодым ученым, работавшим над докторскими, советовали переключиться на другое; нейронные сети были тупиком, верным способом поставить крест на будущей карьере.
Джеффри Хинтон сохранял веру, даже когда академическое сообщество отвергало нейронные сети. «В восьмидесятых Джефф выступил против всего американского ИИ-сообщества, против всех, заявив, что они неправы. Я знал многих из них – очень умные люди, так что это было смело с его стороны», – рассказывает мне Гарт Гибсон, основатель и генеральный директор Института искусственного интеллекта «Вектор» в Торонто[293].
Хинтон родился в закате Британской империи зимой 1947 года в Уимблдоне, в семье научной династии. Его прадед – Джордж Буль, изобретатель булевой алгебры, основы всех современных компьютеров. Двоюродная сестра Джоан Хинтон была физиком-ядерщиком, работавшей над Манхэттенским проектом. В детстве мать сказала ему, что «он может стать либо ученым, либо неудачником», и какое-то время казалось, что он станет неудачником.
Когда Хинтор поступил учиться в Кингс-Колледж Кембриджа в конце 1960-х, он никак не мог понять, к чему у него есть способности. Изучал физику, потом химию, потом математику, затем вообще бросил учебу, чтобы через год снова поступить и попробовать себя в архитектуре, потом переключился на физику, затем на физиологию и окончил в 1970 году с дипломом по экспериментальной психологии. После чего тут же принялся работать плотником в Лондоне – строил полки, вешал двери, чтобы как-то заработать на жизнь.
Через пару лет его убедили вернуться в науку, и он поступил в аспирантуру по искусственному интеллекту в Эдинбургском университете. Много лет спустя коллега представил его на конференции как человека, который потерпел неудачу в физике, ушел из психологии и в итоге оказался в искусственном интеллекте – области без всяких стандартов. Хинтон любит повторять эту историю с оговоркой: «Я не потерпел неудачу в физике и ушел из психологии; я потерпел неудачу в психологии и ушел из физики – это намного солиднее звучит»[294].
Именно в Эдинбурге Хинтон заинтересовался нейронными сетями. Это было опасное увлечение. Начало 1970-х – самая низкая точка для этой области, время, когда большинство исследователей бросали это направление, а не приходили в него. Но Хинтон, которому еще не было тридцати, считал, что их хоронили раньше времени. «Позиция Джеффа всегда была такой: есть только одна разумная машина, которую мы знаем, – это мозг, – продолжает Гибсон. – Только она. Ничто другое не доказало способность мыслить. Зачем ожидать, что мы сможем изобрести что-то с нуля, способное конкурировать?»
За эти убеждения Хинтон провел большую часть карьеры на обочине научного мейнстрима. После защиты диссертации ему с трудом удавалось получать даже приглашения на собеседования в британских университетах. И он был вынужден переехать в Калифорнию, устроившись в Университет Сан-Диего, где научная атмосфера была более благосклонна к необычным идеям. Десять лет он мотался между университетами США и Британии, пока в 1987 году не обосновался на факультете компьютерных наук Университета Торонто, где и работает с тех пор.
В середине 1980-х Хинтон представил доклад на конференции, в которой приняли участие около 20 ИИ-исследователей, собравшихся в старой французской усадьбе под Бостоном – месте отдыха для ученых из соседнего Массачусетского технологического института. Среди присутствующих был Марвин Минский. Хинтон раздал копии усыпанной формулами работы о том, что он назвал машиной Больцмана – типе нейронной сети, которая преодолела недостатки перцептрона, критиковавшегося Минским в книге 15 годами ранее.
Пока Хинтон выступал с докладом, Минский разобрал свою копию статьи на страницы и разложил их в ряд на столе перед собой. Он молча слушал, а когда лекция закончилась, встал и вышел, не сказав ни слова и оставив бумаги. Хинтон позже собрал разрозненные страницы и отправил их в офис Минского с короткой запиской: «Возможно, вы оставили их случайно»[295].
Широкий скептицизм сдерживал прогресс нейронных сетей на протяжении трех десятилетий – до 2012 года, когда Хинтон с двумя аспирантами участвовал в ImageNet, престижном соревновании по компьютерному зрению в Стэнфорде, где исследователи представляли ИИ-программы для распознавания объектов на изображениях. Работа Хинтона AlexNet, основанная на нейросетях, разгромила конкурентов, распознав больше изображений с меньшим числом ошибок, чем любой другой подход. Это был не постепенный прогресс, а значительный прорыв, революционизировавший компьютерное зрение.
Результаты ImageNet 2012 стали переломным событием в машинном обучении – большая часть современного бума ИИ восходит к тому моменту. Нейросети реабилитировали, превратив из маргинального направления ИИ в основное практически в одночасье. Теперь их считают не просто жизнеспособным подходом к машинному обучению, а в большинстве случаев самым перспективным методом. То, что когда-то считалось шарлатанством чудаков, стало практически синонимом ИИ. Сегодня фраза «искусственный интеллект» часто служит упрощенной заменой точного термина «глубокое обучение», исключая все другие методы.
Нейронные сети – основа самых известных примеров ИИ сегодня, от ChatGPT до распознавания изображений Facebook и автономных автомобилей Tesla. Хинтон, долгое время считавшийся чудаком на периферии ИИ-движения, теперь рассматривается как одна из ведущих, если не главная, фигур области. В 2018 году Хинтон вместе с двумя давними соавторами, Йошуа Бенжио и Яном Лекуном, получил премию Тьюринга – миллионную награду, считающуюся высшей в компьютерных науках, ту же награду, которую Марвин Минский, в одиночку разрушивший репутацию нейронных сетей, получил почти полвека назад.
История Хинтона о преодолении грозных технических вызовов и противостоянии консервативным взглядам научного сообщества перемежается огромными личными трагедиями. Научную борьбу он вел, переживая личные трагедии – потерю двух жен от рака и собственное заболевание позвоночника, из-за которого не мог сидеть дольше нескольких минут. Хинтон вынужден проводить время на ногах или лежа, не может летать коммерческими рейсами и часто принимает студентов, лежа на столе. К неспособности сидеть он относится с характерным юмором, шутя о «давно стоящей проблеме» (longstanding problem).
История ученого, который в буквальном смысле противостоит ортодоксии, проводит большую часть карьеры в изгнании, чтобы в итоге добиться признания и совершить смену парадигмы, преодолевая при этом огромные личные испытания, – это почти голливудский сюжет о том, какой мы представляем науку в лучших ее проявлениях: человек против мира – и человек побеждает, свет против тьмы – и свет побеждает.
Я спросил Хинтона, что помогало ему не сдаваться все эти годы, когда так многое было против него. Он сказал, что это врожденная черта – невосприимчивость к давлению окружающих и готовность допустить, что все могут ошибаться. Он рассказал случай из школы: когда ему было всего семь лет, учительница спросила класс: «Откуда приходит все хорошее?» Хинтон, сын убежденных коммунистов, выкрикнул: «Из России!»[296]
Когда Хинтон в 1980-х переехал в Университет Торонто, там была неплохая, но не элитная программа по компьютерным наукам. Хотя он провел большую часть жизни в стороне от мейнстрима, теперь мейнстрим пришел к нему. ImageNet запустил борьбу за ИИ-таланты из лаборатории Хинтона в Торонто. В 2013 году Google заплатил 44 млн долларов за DNNresearch – стартап на основе исследований Хинтона, в котором было только три сотрудника, никаких продуктов и никаких финансовых показателей. Хинтон и Алекс Крижевский, соавтор AlexNet (названного в его честь), перешли в Google. Другой соавтор той знаковой работы, Илья Суцкевер, стал одним из самых узнаваемых лиц в ИИ как соучредитель и главный научный сотрудник OpenAI, изгнанный оттуда после неудавшегося путча.
Сейчас, в свои 70 с лишним, Хинтон поддерживает активную исследовательскую деятельность, хотя отошел от научного руководства студентами. «Научное руководство требует способности понять мышление студентов, увидеть, как они думают, а мне в последнее время это дается все труднее», – говорит он. Бывшие ученики и соавторы Хинтона очень востребованы везде, где занимаются ИИ, и работают на руководящих позициях практически во всех ИИ-подразделениях крупных технологических компаний США, Европы и Азии.
Тот факт, что Университет Торонто совершил крупнейший прорыв в ИИ за поколение, а его студенты стали ценными кадрами в передовых подразделениях ведущих мировых технологических компаний, – мощное подтверждение способности Канады конкурировать на высшем уровне в передовых вычислениях. Но это поднимает неудобные вопросы.
Почему страна готовит лучшие умы в области ИИ в государственных университетах, если потом они уезжают в американские, китайские и британские компании? Почему крупные научные прорывы в машинном обучении происходят в Канаде, а коммерческая выгода достается зарубежным организациям? Почему Канада так сильна в ИИ-исследованиях, но так слаба в извлечении выгоды из революционного экономического потенциала технологии? «По сути, все изобрели здесь, но экономическая выгода доставалась технологическим компаниям Западного побережья и китайским технологическим компаниям, – говорит Джордан Джейкобс, управляющий партнер венчурной фирмы Radical Ventures из Торонто. – Обидно быть изобретателем технологии, а затем покупать готовые решения на ее основе у других»[297].
Джордан – ведущий деятель в сфере ИИ в Канаде. В 2017 году он в числе восьми человек основал Институт искусственного интеллекта «Вектор» в Торонто. Идея состояла в том, чтобы воспользоваться присутствием Джеффри Хинтона в городе, создав вокруг него институт, который продолжит его дело. Хинтон – один из основателей и главный научный советник института.
Обычно, когда страны развивают потенциал в ИИ, они вливают средства в университетские отделения и факультеты и исследовательские лаборатории. «Вектор» уникален тем, что представляет новую организационную форму, которая надстраивается над существующей университетской структурой. Он объединяет ресурсы более 24 университетов и служит мостом, соединяющим отделения разных институтов.
В своей основе «Вектор» – исследовательский институт, стремящийся конкурировать с Гарвардом, Стэнфордом и Массачусетским технологическим институтом в области ИИ. Он предлагает гранты и стипендии, привлекает перспективные таланты в Канаду. Но другая его задача – применить результаты исследования на практике. Институт способствует внедрению ИИ в существующие отрасли и помогает стартапам создавать новые. Он поддерживает стартапы, организует семинары и связывает ИИ-специалистов с нуждающимися в них компаниями.
Но амбиции «Вектора» выходят за рамки создания ИИ-компаний. Он хочет стать катализатором преобразования самой канадской экономики. Канада отличается от других развитых стран тем, что слишком сильно зависит от сырья – в основном нефти и леса. Она занимает второе место в мире по экспорту древесины и четвертое – по экспорту нефти. Оба ресурса не бесконечны и все чаще оказываются под огнем критики экологических активистов. Грандиозный план – заменить сырье ИИ-компаниями в основе экономики страны.
«Мы не можем сидеть сложа руки и девальвировать валюту ради конкурентоспособности, экспортировать сырье и жить за счет этого, – говорит Эд Кларк, глава «Вектора». – Очевидно, что нефть не будет кормить нас вечно, поэтому мы должны стать лучше всех в мире в создании ИИ-компаний»[298].
Кларку сейчас за 70, его считают старейшиной канадского бизнеса. Но его путь к этому статусу был необычным. Он родился в семье ученых: отец был основателем кафедры социологии в Университете Торонто, мать изучала экономику в Колумбийском университете до Второй мировой войны – редкое достижение для женщины того времени. Кларк, как и его брат, защитил докторскую по экономике в Гарварде в 1970-х. Вскоре он присоединился к канадскому правительству, где 10 лет занимал высокие посты. Но карьера на государственной службе, которая казалась долгой, резко оборвалась в 1985 году, когда премьер-министр Брайан Малруни лично его уволил.
«Он обзвонил все канадские организации, которые я посещал в поиске работы, и говорил: если наймете его, то наживете себе врага в лице правительства Канады, – рассказывает Эд. – Я шел по улице в Оттаве, а люди переходили на другую сторону, чтобы не встретиться со мной».
Так Кларк в 37 лет, с четырьмя детьми и без денег, был вынужден бросить перспективную карьеру в правительстве и уехать из страны. Новую жизнь он начал в США, где только Merrill Lynch согласилась его нанять. Когда угроза канадского премьера дошла до новых работодателей, президент компании сказал Эду: «Никто не указывает Merrill Lynch, кого нанимать, а кого нет. Добро пожаловать!»
Из влиятельного правительственного чиновника Кларк стал рядовым сотрудником американской компании. «Я носил портфели 25-летних инвестиционных банкиров, которые говорили: прочитай этот документ, проверь на опечатки», – вспоминает он. Он быстро наверстал упущенное и построил блестящую карьеру в инвестиционном банкинге и вышел на пенсию гендиректором TD Bank, за 12 лет превратив заурядную компанию во вторую по величине в Канаде и один из 10 крупнейших розничных банков США, закрепив свою репутацию одного из ведущих бизнесменов Канады. «Жена всегда говорит: Брайан Малруни сделал меня мультимиллионером, потому что сам я бы никогда не оставил правительство и не пошел по предпринимательскому пути», – говорит он.
Кларк, кавалер Ордена Канады (2010) и включенный в Зал славы канадского бизнеса (2016), называет себя канадским патриотом и хотел бы видеть, как его страна создает больше компаний мирового уровня. «Помимо благотворительности меня волнует вопрос, как создавать великие канадские компании, а не просто великие канадские дочерние компании международных корпораций», – говорит он.
Когда Кларк говорит, люди слушают. Когда Джордан Джейкобс искал председателя для «Вектора», он понял, что лучше Кларка никого не найти. У Эда были авторитет и связи, чтобы привлечь нужных людей к инициативе, и предпринимательская хватка, чтобы быстро запустить процесс. «Эд был ключевым катализатором всего проекта, – говорит мне Джордан. – У него были такие связи, что он мог позвонить гендиректору крупного банка и сказать: „Вы инвестируете пять миллионов“, повесить трубку и сказать мне: „Иди объясни ему зачем“». Кларк, ушедший из банковского бизнеса более 10 лет назад, нашел новое призвание в роли главного ИИ-гуру страны. «Я искренне верю: в случае с ИИ, если мы не победим, все наши традиционные отрасли отстанут, – говорит он. – Это вопрос выживания. Мы должны выиграть эту битву».
«Вектор» был одним из трех институтов, созданных в рамках общеканадской стратегии ИИ – первой в мире стратегии искусственного интеллекта. Два других – Монреальский институт алгоритмов обучения (Mila) в Монреале и Институт машинного интеллекта Альберты (Amii) в Эдмонтоне. Канада серьезно относится к равенству, поэтому в области ИИ решила распределить ресурсы поровну между основными провинциями.
Если «Вектор» тесно связан с Джеффри Хинтоном, то Mila построен вокруг Йошуа Бенжио, профессора компьютерных наук Монреальского университета. Йошуа тесно работал с Хинтоном в ранние годы, когда нейронные сети еще считались тупиком, поэтому было логично, что в 2018 году они разделили премию Тьюринга. Без их партнерства современный бум ИИ мог и не случиться.
«Джефф, Ян и я были довольно близки, – говорит мне Бенжио. – Мы до сих пор общаемся. Но думаю, это было особенно важно в те годы, когда глубокого обучения могло и не случиться. На меня давили, чтобы я занимался другими вещами, – студенты хотели найти работу после выпуска»[299].
Бенжио – самый цитируемый специалист по компьютерным наукам в мире и может прийти на любую кафедру информатики где угодно и получить профессорскую должность. Он также получал множество предложений от крупных технологических компаний, включая очень серьезное предложение от Microsoft. Но пока его коллеги-лауреаты долгое время работали в крупных компаниях – Хинтон в Google, а Лекун руководил ИИ-исследованиями в Meta, – Бенжио не покидал академию, с 1993 года оставаясь в том же учебном заведении – Университете Монреаля. Я спросил его почему.
«Есть что-то в моей привязанности к стране, которая сделала меня таким, какой я есть, – сказал он. – Я понимал, что переезд в США был бы идеален для карьеры, но я бы не чувствовал себя там хорошо. Государственная, по сути, система образования дала мне очень многое, а еще у меня была безумная идея – создать что-то вроде Кремниевой долины здесь, в Канаде».
Mila создан для воплощения этого замысла. Цель – собрать критическую массу ИИ-исследователей в Монреале, которые смогут создать сетевые эффекты, заставляющие процветать такие места, как Кремниевая долина. Институт – это партнерство между Университетом Монреаля и Университетом Макгилла, его задача – производить исследования мирового класса и передовые стартапы в машинном обучении.
Бенжио благодарен Канадскому институту передовых исследований (CIFAR) за первоначальное финансирование нейронных сетей, когда эта область была еще непопулярна в академических кругах. CIFAR также разработал и реализует общеканадскую стратегию ИИ, в рамках которой были созданы три основных ИИ-института – «Вектор», Mila и Amii. «Он делает долгосрочные ставки и поставил на нашу мечту о глубоком обучении, – говорит Йошуа. – Денег было немного, но это дало нам моральную поддержку и интеллектуальный стимул».
CIFAR поддерживает долгосрочное глобальное междисциплинарное сотрудничество в передовой науке – от понимания сознания до создания квантовых материалов. Институт называет себя «сетью выдающихся умов». Его считают одним из агентств, готовых к риску, которые направляют государственные средства в фундаментальные исследования, иногда делая ставки на перспективные идеи.
CIFAR имеет относительно скромный годовой бюджет – всего около 30 млн долларов по сравнению с американскими возможностями вроде внушительного бюджета DARPA в 4 млрд. Но институт заработал отличную репутацию стратегических инвестиций в рискованные, но прибыльные проекты – полезный пример для других стран, желающих финансировать смелые идеи в условиях ограниченного финансирования.
Когда в 2017 году была запущена общеканадская стратегия ИИ, правительство выделило 125 млн канадских долларов трем ИИ-институтам – «Вектору», Amii и Mila – на первые 5 лет. В 2021 году добавили еще 443,8 млн на следующие 10 лет. Звучит внушительно, но это не так. Государственные расходы Канады на ИИ-исследования меркнут в сравнении с тем, что тратят конкуренты.
В 2023 году правительство Великобритании пообещало миллиард фунтов на ИИ-исследования. В 2021 году Национальная комиссия США по безопасности ИИ под председательством Эрика Шмидта предложила удвоить годовые расходы страны на невоенные ИИ-разработки – до 32 млрд долларов[300]. Точные цифры китайских невоенных инвестиций в ИИ трудно получить, но американцы считают, что они сопоставимы с теми, что тратят они сами.
«Мы никогда не сможем потратить больше Великобритании, Китая или США. Мы и рядом не стоим, – говорит мне Валери Пизано, президент и гендиректор Mila. – Если мы не можем быть больше и богаче, то должны быть быстрее, умнее и креативнее»[301].
Канада знает, что не может конкурировать, используя ту же стратегию, что и страны со значительными ресурсами. Поэтому «Вектору», Mila и Amii поручено разработать другие подходы, не повторяющие чужой опыт. «Идея в том, что нужно действовать по-другому и быть смелыми, – продолжает Пизано. – Типичный подход – финансирование небольших университетских групп – недостаточно гибкий, напористый, креативный и масштабный, учитывая, что это международная, а не региональная игра».
В борьбе за лидерство в ИИ Канада не может опираться на формулу «Деньги, помноженные на усилия» – нужно что-то другое. «У нас в Mila есть термин: «инновации в инновациях». Дело не просто в том, чтобы заниматься инновациями, а в умении тестировать новые модели, терпеть неудачи, возвращаться, пробовать действовать иначе, создавать партнерства и делать все это молниеносно», – говорит Пизано.
Одна из стратегий Mila – сделать передовые исследования из академии быстро доступными стартапам, чтобы те встраивали их в продукты раньше всех в мире. Присутствие Йошуа и Mila в Монреале – большое преимущество для стартапов, стремящихся вывести ИИ-продукты на рынок быстрее зарубежных конкурентов.
BrainBox AI – монреальский стартап, использующий искусственный интеллект для оптимизации энергопотребления в коммерческих зданиях. Компания применяет глубокое обучение для сбора различных показателей, включая погоду, количество посетителей и температурные условия, чтобы оптимизировать энергопотребление в реальном времени, значительно повышая энергоэффективность.
Генеральный директор компании Сэм Рамадори говорит, что участие в Mila помогает черпать таланты и идеи из одной из передовых ИИ-экосистем мира. Тесная обратная связь между ИИ-исследователями, разрабатывающими новые методы, и компаниями вроде его, использующими их в практических применениях, помогает стартапам создавать, тестировать, учиться и совершенствовать продукты в ускоренных циклах разработки.
«Мы находимся в здоровой экосистеме, и это очень важно, – говорит Рамадори. – Особенно когда речь идет о новой технологии и когда некуда обратиться за помощью. Если бы я писал традиционное программное обеспечение – ничего нового, можно нанять команду где-то далеко, чтобы все написали. С ИИ так не получается. Нужно постоянное взаимодействие, чтобы тестировать последние достижения»[302].
Третий институт наряду с «Вектором» и Mila – Институт машинного интеллекта Альберты (Amii) в Эдмонтоне, столице Альберты в Западной Канаде. Как Джеффри Хинтон в «Векторе» и Йошуа Бенжио в Mila, ключевая фигура Amii – Ричард Саттон, главный научный консультант института и профессор Университета Альберты.
Саттон – ведущий мировой авторитет по обучению с подкреплением – третьему подходу к ИИ, отличному от нейронных сетей и символического ИИ, обсуждавшихся ранее. В последние годы этот метод получил развитие как популярная техника создания более мощных ИИ-систем.
Обучение с подкреплением также черпает вдохновение из животных моделей интеллекта, конкретно поведенческой психологии. Эти системы учатся методом проб и ошибок адаптироваться к новым и сложным обстоятельствам. Программа, работающая на основе обучения с подкреплением, взаимодействует с окружением, выполняя действия и получая обратную связь в форме вознаграждений или штрафов. Со временем программа учится больше совершать действий, за которые получает вознаграждения, и меньше – тех, за которые ее штрафуют.
Если символические системы учат компьютер распознавать котов на основании правил того, что делает кота котом, а нейронные сети – показывая множество примеров, то системы, построенные на обучении с подкреплением, используют другой подход: показывают программе множество изображений и дают вознаграждение за каждое правильное определение кота и штрафуют за каждую ошибку. Алгоритм изначально дает случайные ответы на запросы, но по мере того, как его способность распознавать котов подкрепляется, он учится давать более точные ответы.
Как и нейронные сети, обучение с подкреплением существует с момента появления этой области – первые упоминания встречаются в работах Алана Тьюринга еще в 1950-х годах. Но до недавнего времени оно не считалось особенно перспективным подходом в ИИ-сообществе, причем среди скептиков был сам Джеффри Хинтон.
Как лауреатов Нобелевской премии, получателей премии Тьюринга приглашают прочесть лекцию о работе всей своей жизни. Во время выступления с такой лекцией летом 2019 года в Фениксе, штат Аризона, Хинтон сделал довольно прямой выпад против обучения с подкреплением: «Есть два вида алгоритмов обучения, на самом деле три, но третий работает не очень хорошо – это обучение с подкреплением». Когда аудитория рассмеялась, понимая шутку, Хинтон продолжил: «Есть прекрасное reductio ad absurdum обучения с подкреплением – это DeepMind»[303].
Теперь Хинтон играл роль Минского – представителя истеблишмента, который отвергает новое просто так, а потом оказывается вынужден поменять мнение. Обучение с подкреплением стало обязательным для новых и более мощных ИИ-систем, не в последнюю очередь благодаря работе DeepMind. Обучение с подкреплением лежит в основе AlphaZero, бота DeepMind, который может победить любого человека в го, сёги и шахматы, – огромное улучшение по сравнению с предыдущей версией AlphaGo, которую AlphaZero также способен победить.
Обучение с подкреплением использует также Covariant – калифорнийская компания, создающая ИИ-роботов для складов, автоматизирующих процессы сбора, сортировки и сборки товаров. Хинтон, скептически относящийся к религии, пережил нечто близкое к моменту прозрения, когда решил инвестировать в Covariant, написав позже в твиттере: «Я сделал небольшую инвестицию (не хочу усиливать обучение с подкреплением), но теперь жалею, что не вложил в 100 раз больше».
Человек, наиболее ответственный за превращение обучения с подкреплением из маргинального направления в мейнстрим, – Ричард Саттон, автор классического учебника в этой области, издающегося уже более 25 лет. Саттон с длинной растрепанной бородой и прямолинейными манерами больше похож на типичного философа, чем на специалиста по информатике. Родился в Огайо, изучал психологию в Стэнфорде, защитил докторскую по компьютерным наукам в Университете Массачусетса в 1984 году. Его карьера шла обычным путем до 2003 года, когда ему, сорокалетнему сотруднику AT&T Bell Labs в Нью-Джерси, диагностировали рак, что заставило задуматься, есть ли вообще смысл что-либо делать.
«Я думал, что скоро умру, все казалось нереальным, – говорит Саттон. – Мне надоело сидеть и ждать смерти, поэтому я решил устроиться на работу в Канаде»[304].
Саттон не думал о карьерных соображениях, когда зимой 2003 года занял преподавательскую должность в Университете Альберты. На первом занятии он сказал студентам, что может не дожить до конца курса. Он перенес четыре серьезные операции, химиотерапию и иммунотерапию после того, как агрессивная меланома поразила основные органы и мозг. Университет, зная о его проблемах со здоровьем, рискнул, наняв уважаемого, но больного преподавателя из-за рубежа. Это сработало блестяще.
Оказалось, что у человека, который думал, что не переживет осенний семестр, лучшие годы были еще впереди. После пятилетней борьбы Саттон победил рак. Сейчас, два десятилетия спустя, ему за 60 – возраст, когда большинство коллег уже на пенсии, но он продолжает активно работать и создает свои лучшие работы.
Саттон входит в десятку лучших умов в компьютерных науках – имя, которое обсуждают каждый сезон премии Тьюринга. Благодаря ему программа компьютерных наук Университета Альберты превратилась из малоизвестного научного сообщества на краю Субарктики в ведущее место для изучения машинного обучения. «Мы гордимся тем, что лучшее место для изучения обучения с подкреплением в мире – это Университет Альберты», – говорит он.
Что изменилось и сделало обучение с подкреплением предпочтительным методом создания более продвинутых ИИ-систем? Ответ во многом кроется в доступности больших вычислительных мощностей. Возражение скептиков вроде Хинтона заключалось в том, что обучение с подкреплением слишком неэффективно. Учить программу играть в шахматы методом проб и ошибок требует слишком много симулированных попыток по сравнению с демонстрацией примеров прошлых игр или прямым предоставлением правил. Резкий рост вычислительной мощности решил эту проблему простым перебором. Теперь алгоритмы могут быть ресурсозатратными, но при этом поразительно результативными.
Возьмем OpenAI Five – программу, играющую в Dota-2 на уровне чемпиона мира, построенную на принципах обучения с подкреплением. Агенту потребовалось 45 000 лет игрового опыта, которые компьютеры «прожили» за полгода чистого игрового времени, ежедневно симулируя 250 лет игры. Программа потребила 800 петафлопс-дней вычислений за 10 месяцев обучения. Обычному ноутбуку пришлось бы работать непрерывно на максимальной мощности более 200 лет, чтобы произвести такой же объем вычислений. На обучение OpenAI Five ушло 1,1 гигаватт-часа – около 92 лет потребления электричества среднего американского дома. Сторонники обучения с подкреплением, вроде Саттона, давно говорили, что в теории метод всегда работал, но нужны были более мощные компьютеры, чтобы можно было показать его полезность.
«Нужно понимать, что рост вычислительной мощности делает это возможным, – говорит Саттон. – Это необходимо, но недостаточно. Главный урок: с ростом доступной вычислительной мощности самыми мощными будут методы, которые масштабируются с ростом вычислительной мощности. Но такие методы еще нужно найти. Сама вычислительная мощность не сделает работу за вас».
Саттон считает, что обучение с подкреплением лучше подходит для создания более мощных ИИ-систем, чем конкурирующие методы. «Я не считаю глубокое обучение хорошим решением», – говорит он – и признаётся, что не впечатлен большими языковыми моделями вроде ChatGPT; приравнивать их работу к интеллекту означало бы обесценить смысл этого термина. «Я серьезно отношусь к интеллекту, – говорит Саттон. – Это самое мощное явление во Вселенной». И добавляет: «OpenAI имитирует людей, но это не интеллект. Это не способность достигать целей. Имитировать людей – не путь к мощному ИИ. Это привлекает внимание, но не дает настоящей силы».
Дело не только в OpenAI. Саттон разочарован тем, что выдается за прогресс в его области в США. «Кто в США пытается понять, как работает интеллект? – спрашивает он. – В университетах сейчас только и думают о практическом приложении, забывая про изучение разума. Печально».
Саттон считает, что Канада показывает в фундаментальных исследованиях лучшие результаты, чем можно было бы ожидать, во многом потому, что главный государственный орган финансирования исследований – Канадский совет по естественным наукам и инженерным исследованиям (NSERC) – работает совершенно иначе, чем американские агентства вроде Национального научного фонда. «Все получают небольшие гранты и могут заниматься тем, чем действительно хотят, не нужно придумывать ложные обоснования. Суммы скромнее, зато можно сосредоточиться на важном».
По мнению Саттона, в подходах к ИИ в США и Канаде есть философские различия. В США акцент на коммерции – лидируют компании, ищущие практические решения. В Альберте же больше интересуются фундаментальными вопросами о природе разума.
«Я считаю себя частью давней традиции исследований, пытающихся понять разум, – есть фундаментальные вопросы, и мы не знаем, как на них ответить, – говорит он. – А есть другой подход: нужно добиться результата любой ценой. Мы не особенно будем понимать, как это работает, но это будет работать, будет впечатлять; цель – создать ажиотаж, а не ответить на вопросы, стоящие десятилетиями и веками».
В 2022 году Саттон представил «Альбертский план исследований ИИ» – план из 12 шагов, – чтобы поставить исследовательское сообщество Эдмонтона в авангарде решения загадки интеллекта. Он считает, что вероятность появления искусственного интеллекта человеческого уровня в этом десятилетии составляет 25 % и его исследовательская группа будет той, кто этого добьется. «Понимание интеллекта – величайшая научная награда, которая вскоре может оказаться достижимой, – сказал он переполненной аудитории на лекции, организованной Amii летом 2022 года. – Альбертский план – прямой штурм этой великой цели».
«Сложно оценить масштаб – это как возникновение жизни на Земле, – считает он. – Момент, когда жизнь осознает себя и начинает создавать новую жизнь не копированием, а сознательным проектированием».
Общее мнение таково: Канада обязана лидирующими позициями в ИИ главным образом трем людям – Джеффри Хинтону, Йошуа Бенжио и Ричу Саттону. Сначала появились трое ученых, затем их аспиранты, затем прорывы вроде AlexNet, затем крупные технологические компании в поисках талантов, затем большие институты и дорогие компании и, наконец, большие деньги. Но все началось с трех ученых.
С одной стороны, это показывает силу отдельных личностей изменить значимость целой страны в ключевой области технологий. Но с другой стороны, это история не только триумфа отдельных людей, но и политики, создавшей условия для их появления. Если Канада трижды сорвала куш в области ИИ, то во многом потому, что годами скупала все лотерейные билеты. Подъем технологического сектора – продукт не удачи, а продуманной государственной политики, десятилетиями проводящей смелый социальный эксперимент по поиску лучших умов мира и привлечению их в Канаду.
Все три пионера ИИ – иммигранты в первом поколении: Джеффри Хинтон родился в Великобритании, Йошуа Бенжио во Франции, Рич Саттон – в США. Это норма, а не исключение – большинство звезд канадской технологической сферы также приехали из-за границы. Алекс Крижевский, соавтор Хинтона по AlexNet, родился на Украине. Другой соавтор, Илья Суцкевер, родился в бывшем Советском Союзе.
Тобиас Лютке, самый известный предприниматель страны, основавший Shopify с капитализацией 200 млрд долларов – самую дорогую компанию, вышедшую из Канады в XXI веке, – родился в Германии. Кристиан Уидрук, основатель Xanadu – известной компании в сфере квантовых вычислений, – родился в Австралии. Рохам Гарегозлу, основатель Dapper Labs – самой дорогой частной техкомпании Канады, – родился в Иране.
Их прибытие в Канаду не случайность, а результат целенаправленных усилий сменявших друг друга канадских правительств заселить огромную, но малонаселенную страну зарубежными талантами. Канада – вторая в мире страна по территории. Земли у нее почти как у всей Европы, но населения всего 40 млн человек – примерно как в Калифорнии. Плотность населения Канады одна из самых низких в мире – около четырех человек на квадратный километр. Сравните с Бангладеш (1300 человек на квадратный километр) или Сингапуром (8000). При этом население, рожденное в Канаде, продолжает сокращаться: уровень рождаемости ниже уровня воспроизводства, почти вдвое меньше мирового среднего.
Увеличение иммиграции давно считается решением проблемы демографического дефицита. Еще в 1960-х страна закладывала основы уникальной иммиграционной системы среди стран, принимающих мировых мигрантов. Если цель иммиграционных служб большинства стран – не пускать людей, то в Канаде – привлекать их, ставя амбициозные цели по количеству ежегодно принимаемых иммигрантов.
Канада принимает примерно столько же легальных иммигрантов, сколько США, – около 450 000 человек в год, хотя население у нее в 10 раз меньше. Почти четверть населения страны родилась за границей, и прогнозируется, что через 20 лет треть всех канадцев будет иметь иммигрантские корни. Уже сейчас более половины жителей таких городов, как Торонто, Миссиссога и Брэмптон, рождены за границей – гораздо более высокая доля, чем практически в любом другом городе мира.
Некоторые сторонники иммиграции предлагают цифры, на порядки превышающие нынешние уровни. В 2014 году Доминик Бартон, тогдашний глава McKinsey, создал лоббистскую группу, позже названную Century Initiative, – смелый, но спорный план увеличить население Канады к концу столетия до 100 млн человек. Инициативу поддержали корпоративные тяжеловесы из BlackRock и аналогичных структур. Проект предполагал создание мегарегионов в азиатском стиле и рассматривал «способность к сосуществованию» как сферу исследований.
«У нас есть иммиграционная стратегия: если все умные люди мира хотят жить в Канаде, почему бы им не позволить? – говорит Эд Кларк. – Мы принимаем 400 000 иммигрантов в год, 325 000 из них – высокообразованные люди, которые хотят сюда приехать. Чем они плохи?»
Звучит как разумная стратегия, и можно было бы предположить, что так поступают все популярные у мигрантов страны. Но это не так. Канада – радикальное исключение в плане открытости к иностранцам, и страна сохраняет широкую общественную поддержку иммиграции в то время, когда большинство стран закрывают двери.
Легко можно было бы прийти к выводу, что это просто вопрос экономической необходимости: сокращающееся трудоспособное население и истощение ресурсной базы означают, что у страны нет выбора, кроме как восполнить дефицит людьми из-за рубежа. Иммиграция уже обеспечивает полные 100 % роста канадской рабочей силы. Но такой экономический подход был бы упрощенным взглядом на сложную проблему. Большая часть богатого мира годами теряет население, и тем не менее практически никто, кроме Канады, не испытывает энтузиазма по поводу увеличения миграции. Коренное население Германии также сокращается примерно с той же скоростью, что и канадское, и она принимает примерно такое же количество иммигрантов ежегодно, что составляет меньшую долю в относительном выражении, поскольку в Германии вдвое больше людей. И тем не менее две страны кардинально различаются в том, как принимается эта волна мигрантов.
Ни одна из пяти канадских партий, представленных в парламенте, не придерживается открыто антииммигрантской повестки. Пьер Пуалиевр, лидер консерваторов – второй по величине партии страны, – сдвинул свою партию дальше вправо, и за крайний популизм его иногда сравнивают с Дональдом Трампом. И тем не менее даже он публично заявляет, что «Консервативная партия поддерживает иммиграцию», и сам женат на иммигрантке из Венесуэлы.
В Германии разногласия по поводу миграции стали главной темой политики страны, что ярче всего проявилось в подъеме ультраправой партии «Альтернатива для Германии» (AfD), которая за одно десятилетие превратилась из экстремистской маргинальной группы без представительства в парламенте во вторую по силе партию в стране.
За Германией следует вся Европа. Сложно убеждать экономическими аргументами, когда возражения в основном носят культурный характер: массовый наплыв иностранцев размывает качества, которые делают людей теми, кто они есть. Для противников иммиграции главный вопрос не в том, какой частью собственного процветания мы готовы поделиться с чужаками или, наоборот, сколько можем получить от этих новых людей, а в том – кто мы?
В Скандинавских странах я слышал опасения относительно того, что иммиграция делает население менее светловолосым. В Дании я слышал, как одна женщина прямо спросила, способны ли приезжающие в страну иммигранты в полной мере понять, «каково это – быть датчанином», и не оказывается ли само понятие того, что значит быть датчанином, под угрозой, поскольку страна принимает все больше людей, все менее похожих на них самих.
Это настроение встречается не только в богатом мире. Население Китая сокращается быстрее европейского из-за демографической катастрофы, вызванной политикой одного ребенка, которая, по прогнозам экономистов, вероятно, запустит цепную реакцию, ударив по перспективам роста страны. И тем не менее никто не собирается поддерживать увеличение числа приезжих.
В Китае 1,4 млрд человек, из которых только миллион, или менее 0,1 %, – иммигранты. Сравните с 15 % в США, 19 % в Германии и 30 % в Австралии. Даже в Северной Корее доля иммигрантов выше, чем в Китае. В 2017 году лидер Китая Си Цзиньпин сказал тогдашнему американскому президенту Дональду Трампу: «Мы – изначальный народ, черные волосы, желтая кожа, передающиеся по наследству. Мы называем себя потомками дракона»[305]. Так что вопрос не в том, почему другие не больше похожи на Канаду, а в том, почему Канада не больше похожа на других? Ее демографический облик меняется не меньше, если не больше, чем в большинстве других мест[306]. У Канады самое маленькое население, рожденное в стране, среди всех стран «Большой семерки», и тем не менее она принимает больше мигрантов относительно своего населения, чем какая-либо из этих стран. И эти мигранты культурно отличаются так же, как те, которых не принимают другие популярные направления иммиграции, – большая доля приезжает из Азии.
Откуда приезжают канадские иммигранты?
Источник: Council on Foreign Relations (2024).
Дело во многом в том, что у немцев и китайцев устоявшееся понимание своей национальной идентичности, а канадскую идентичность определить намного труднее. Люди, которые называют себя канадцами, кажется, понимают, что воплощают изменчивое понятие, существующее в состоянии постоянного пересмотра. Это гибкая идентичность. В то время как другие культуры мучаются вопросом, как сохранить свою самобытность, канадцы с любопытством ждут, как будет выглядеть их обновленная версия, не сопротивляясь, а принимая ускоренные изменения в понимании того, что значит быть ими.
Такая открытость делает Канаду привлекательной для иммигрантов, которые опасаются, что в других местах их примут не так хорошо. Хинтон решил преподавать в Торонто отчасти из-за того, что его двое усыновленных детей из Перу и Гватемалы чувствовали бы себя там более желанными.
Эд Кларк с нескрываемой гордостью рассказывает, что трое его внуков наполовину китайцы, и вспоминает случай со встречи в Институте Брукингса, где он состоит в совете попечителей. «Сижу я на заседании в Брукингсе, выступает черная женщина, рассказывает об ИИ и говорит: „Давайте честно – это дело белых мужчин“. Я поворачиваюсь к соседу и говорю: показать вам фотографию исследователей из „Вектора“? Белый мужчина наверняка найдется. Думаю, одного смогу найти. Но у нас есть иранки, русские женщины. Смотришь на это и понимаешь – вот наше будущее».
Было бы ошибкой считать, что канадское отношение к иммиграции полностью объясняется врожденной открытостью к чужакам. География играет большую роль. У страны есть преимущество изолированности: самая богатая страна мира внизу, бескрайние океаны слева и справа, и льды на севере.
Мигранты, направляющиеся в США и Европу, могут пересечь границу пешком, и миллионы именно так и поступили. Чтобы попасть в Канаду, нужно хотя бы купить авиабилет. Этот простейший фильтр отбирает определенный тип иммигрантов: образованных, среднего достатка, законопослушных. Другие страны получают иммигрантов, которых не могут отвергнуть. Канада получает тех, кого хочет. В этом вся разница.
«Я специально изучала результаты исследований о разнообразии – помимо того, считаем ли мы это правильным. Действительно ли разнообразие повышает креативность? Результативность компаний? Все исследования единодушны, – говорит Валери Пизано, генеральный директор Mila. – Нет ни одного исследования в мире, которое противоречило бы утверждению: большее разнообразие ведет к большей результативности. Канада имеет это преимущество. И конечно, в сфере технологий и стартапов это видно особенно ярко».
Время покажет, сохранится ли этот энтузиазм по поводу иммиграции. В последние годы в Канаде произошли значительные изменения в отношении к приезжим[307]. Если в 2022 году только 27 % канадцев считали, что в страну въезжает слишком много иммигрантов, то к 2024 году эта цифра подскочила до 58 %, что стало самым высоким уровнем обеспокоенности иммиграцией с 1998 года. В ответ на изменения общественных настроений правительство значительно сократило планы по иммиграции, и пока вопрос о том, как эти меры повлияют на технологический сектор страны, остается открытым.
Канада повышает ставки в конкуренции за привлечение трудолюбивых мигрантов, упрощая им переезд. Иммиграционная система страны считается своего рода образцом, и ее часто сравнивают с достаточно сложным процессом, через который проходят иммигранты при переезде в другие страны вроде США.
Американская рабочая виза H1B работает как лотерея. В 2023 году примерно один из девяти заявителей получил разрешение на работу в США. В Канаде такие визы выдают без ограничений – страна примет столько работников, сколько может принять экономика. Американская система не учитывает квалификацию – все заявители равны, и менее квалифицированных кандидатов часто выбирают вместо более квалифицированных. В Канаде квалификация заявителя лежит в основе балльной системы, которая оценивает и ранжирует кандидатов по таким факторам, как возраст, языковые навыки и образование.
Но самый привлекательный аспект канадской иммиграции – ее эффективность и предсказуемость. Даже тем, кому повезло получить одобрение H1B в США, все еще приходится преодолевать препятствия и месяцами находиться в неопределенности, ожидая решения по заявкам. В Канаде же документы можно оформить за несколько недель.
«Если я конкурирую с Apple за специалиста из Швейцарии или Великобритании, Apple говорит им: „Через шесть месяцев подам за вас заявку на визу H1B, получите или не получите – неизвестно“; а я могу сказать: „Можете начинать уже через две недели“, – говорит Джордан Джейкобс. – Большинство людей хотят ясности относительно своего будущего, так что у нас огромное преимущество».
Канада решила воспользоваться недовольством иммигрантов в США, активизируя усилия по переманиванию талантов у соседа. В 2023 году началась реализация «Стратегии технических талантов», позволявшей любому обладателю американского разрешения на работу получить право на канадское. Квота в 10 000 виз была исчерпана за 48 часов. «США вредят себе своей визовой политикой, – говорит Норберт Лютенхаус, исполнительный директор Института квантовых вычислений в Ватерлоо, иммигрировавший из Германии. – Спасибо им большое. Каждый раз, когда США жмут на тормоз, мы получаем больше преподавателей, постдоков и аспирантов – они приезжают в Канаду вместо США»[308].
Этот либеральный подход распространяется на специалистов, которым закрыт доступ в США по политическим причинам. Лютенхаус говорит, что первая волна пришла в основном из стран с мусульманским большинством сразу после 11 сентября. Сейчас поток сместился в сторону таких стран, как Китай, Россия и Иран.
Недавний яркий пример – случай Сары Сабур, молодой исследовательницы из Ирана. Получив степень бакалавра по компьютерным наукам в Технологическом университете имени Шарифа в Тегеране в 2013 году, она была принята в аспирантуру Вашингтонского университета. Но США отказали ей в визе, посчитав, что ее область изучения – компьютерное зрение – может иметь военное применение. В итоге она попала в Университет Торонто и исследовательскую группу Джеффри Хинтона. Они тесно сотрудничали над капсульными сетями – новым типом нейронных сетей, которые могут дать машинам такое же трехмерное восприятие, как у людей. Сабур сейчас работает научным сотрудником в Google в Торонто.
«То же самое с конференциями, – продолжает Лютенхаус. – Теперь люди задаются вопросом: стоит ли проводить серию конференций в США, если не уверен, получит ли ключевой докладчик визу для выступления? Он может быть из Китая или Индии. И внезапно у нас дыра в программе, потому что ключевой спикер не получил визу. Иногда не понимаешь, что творится в головах людей в США».
Привлечение большего числа иностранных студентов для учебы в Канаде также стало важной частью стратегии страны по увеличению иммиграции. По числу иностранных студентов Канада занимает третье место в мире после США и Британии – свыше полумиллиона студентов. Каждый восьмой из всех студентов, уезжающих учиться за границу, выбирает Канаду. И большинство из них не планируют уезжать. Согласно опросу Канадского бюро международного образования, более 60 % опрошенных заявили, что хотят остаться в стране после окончания учебы[309].
«Недавно к нам в Mila приезжали канцлер Германии и канадский премьер, – вспоминает Валери Пизано. – Один немецкий студент объяснял свою идею канцлеру, и тот спросил: „Почему ты уехал из Германии? Что привело тебя в Канаду?“ Студент ответил: „Просто посмотрите вокруг. В Германии такого нет. Видите, какая здесь энергия? Мне 25, и я часть этого. Здесь крестный отец ИИ. Посмотрите на моих коллег, на людей, с кем я работаю“».
Канада незаметно развивала свою технологическую отрасль последнее десятилетие, и мир начинает это замечать. В 2023 году у нее было 25 частных технологических компаний стоимостью свыше миллиарда долларов, и она заняла 8-е место в мире по этому показателю. В 2022 году в 706 венчурных сделок с канадскими технологическими стартапами было инвестировано более 10,5 млрд долларов против 1,5 млрд долларов десятилетие назад. Иностранные инвестиции льются рекой: две трети капитала, вложенного в канадские технологические компании, поступает из-за рубежа.
«Я считаю, что капитал следует за компаниями, а не наоборот. Все думают, что капитал создает экосистемы, но это неверно, – говорит Дэмиен Стил, бывший управляющий партнер и глобальный руководитель венчурных инвестиций OMERS Ventures. – Деньги идут туда, где есть возможности, и для меня это отличное подтверждение того, что канадская экосистема на правильном пути»[310].
Двадцать лет назад на канадской технологической сцене доминировали две компании: Research in Motion (RIM), производитель BlackBerry, и Nortel Networks – основа телекоммуникационной инфраструктуры во многих частях мира. Ни одна не смогла опережать более инновационных конкурентов из-за рубежа, и обе потерпели внезапный и стремительный крах.
«Они не поощряли инновации, а делали ровно противоположное, – говорит Стил. – RIM славилась тем, что подавляла инновации сотрудников, уходящих из компании. Сегодня все по-другому. Посмотрите на Shopify – они активно развивают группы бизнес-ангелов внутри компании, финансирующие стартапы предпринимателей, покидающих Shopify. Это и есть Кремниевая долина: успех порождает успех и поддерживает экосистему. Мы этого добились».
Технологическая экономика Канады больше не зависит от одного-двух крупных имен. Теперь множество игроков с разными ролями работают вместе, поддерживая позитивный цикл успешных компаний, создающих новые успешные компании. Заведения высшего образования вроде Университета Макгилла и Университета Торонто совершают научные прорывы и готовят кадры. Инкубаторы вроде CDL воплощают идеи в жизнь. Бывшие сотрудники успешных компаний вроде Shopify создают собственные истории успеха. А институты вроде «Вектора», Amii и Mila привлекают государственную поддержку, чтобы связать все воедино.
Но самое важное изменение – в мышлении. «Я мыслю категориями экосистемы, – говорит Дэмиен Стил. – Нужно смотреть шире и понимать: мы выигрываем только тогда, когда выигрывает вся экосистема».
Скептики возразят: несмотря на все разговоры о том, что Канада претендует на лидерство в области ИИ, ее компании пока относительно новые и небольшие, практически неизвестные за пределами страны. Когда люди думают об ИИ, они вспоминают OpenAI, Nvidia, DeepMind или ByteDance. Канада пока не создала ИИ-компанию, даже близко сопоставимую по масштабу. Попросите иностранцев назвать канадскую ИИ-компанию – большинство вряд ли сможет назвать даже одну.
Несмотря на все достоинства канадского подхода и позитивные эмоции, которые он вызывает, открытым остается вопрос: может ли канадская ИИ-компания стать такой же значимой, как ведущие мировые игроки?
«Абсолютно уверена, что это произойдет», – говорит Санья Фидлер, директор по ИИ в Nvidia[311].
Санья, которая также является доцентом Университета Торонто и была одним из соучредителей института «Вектор», считает несправедливым сравнивать канадские технологические компании с более известными компаниями, которые существуют гораздо дольше. По ее мнению, это дело времени, когда канадская ИИ-компания вроде Cohere, Waabi или Deep Genomics присоединится к американским, британским и китайским гигантам.
«Люди, управляющие этими компаниями, активно переманивались технологическими гигантами, и это одни из самых умных людей, которых я знаю, – говорит Фидлер. – Самые талантливые в области ИИ-разработок. Судя по динамике и траектории этих компаний, нет никаких сомнений, что они достигнут того же уровня».
CIFAR прогнозирует, что к 2030 году Канада войдет в число стран с самыми передовыми национальными ИИ-экосистемами в мире. Глобальный индекс ИИ Tortoise, оценивающий инвестиции в ИИ, инновации и внедрение, ставит Канаду на 8-е место в мире.
«По некоторым данным, в Торонто сейчас столько же ИИ-стартапов, сколько в любом городе мира, хотя пять лет назад их практически не было, – говорит Джордан Джейкобс. – Мы хотим добиться того, чтобы через 50 лет, когда мы оглянемся назад, Канада была одним из трех хабов. Полагаю, что одним таким хабом будет США, другим – Китай, а Канада станет третьим».