Рэй Курцвейл – Революция разума: на подступах к Сингулярности. Как технологии изменят общество и сознание (страница 9)

В частности, сеть сложных связей внутри новой коры способствует богатой ассоциативной памяти ⁶⁹. Каждое воспоминание в мозгу сродни странице «Википедии» – к нему ведут ссылки из самых разных мест, а само оно подвержено изменениям. Как и статья в «Википедии», воспоминание может содержать мультимедийную информацию и, с другой стороны, само может быть вызвано любым ощущением – запахом, вкусом, услышанным звуком или другим сигналом от органов чувств.

Схожесть представления образов в коре позволяет нам проводить аналогии. Активность нейронов, соответствующая опусканию руки, будет напоминать процессы, протекающие в коре при понижении тона голоса, а также будет похожа на образы, связанные с метафорами: падение температуры, приход империи в упадок. Таким образом, мы можем сформировать образ, изучая явление в одной области, и перенести его в совершенно другой контекст.

Способность новой коры проводить аналогии между несвязанными явлениями помогла свершиться многим научным открытиям в нашей истории. Например, Чарлза Дарвина (1809–1882) на теорию эволюции натолкнули исследования геологических процессов. Прежде естествоиспытатели в основном были убеждены, что Бог создал каждый вид живых существ независимо друг от друга. Существовало несколько квазиэволюционных гипотез, самой известной из которых была теория Жана-Баптиста Ламарка (1744–1829), который считал, что животные постепенно развиваются и превращаются в более сложные организмы, а потомство может унаследовать черты родителей, приобретенные ими в процессе жизнедеятельности⁷⁰. Но ни одна из подобных теорий не содержала подробного и достоверного описания механизма работы эволюции.

Однако Дарвину в работах Чарлза Лайеля (1797–1875) попалась на глаза идея, которая на первый взгляд не имела отношения к эволюции. Шотландский геолог высказал смелую догадку о происхождении глубоких каньонов на земной поверхности⁷¹. Большинство натуралистов в те времена сходились во мнении, что каньоны были созданы Богом, а реки под действием гравитации устремлялись к их дну и там спокойно текли. Лайелю пришла в голову мысль, что сначала возникли реки, и только спустя время – каньоны. Эта теория встретила большое сопротивление и не сразу стала общепринятой, но ученые достаточно быстро разобрались, что даже небольшой ручеек, промывая себе путь в течение миллионов лет, и в самом деле может сформировать Большой каньон. Теория Лайеля оказала большое влияние на работу его соотечественника, шотландского геолога Джеймса Хаттона (1726–1797), который впервые изложил принципы униформизма в геологии⁷². Суть их идеи состоит в том, что облик земной поверхности сформировался не в результате библейского катаклизма, а постепенно под воздействием обычных природных сил, действовавших на протяжении долгого времени.

В мире естествознания предположение Дарвина прозвучало гораздо более дерзко. Биология невероятно сложна, но Дарвину удалось заметить связь между исследованиями Лайеля и своими собственными изысканиями, о чем он написал в предисловии к своей книге «Происхождение видов», вышедшей в 1859 году. Дарвин провел аналогию между идеей Лайеля о том, как река постепенно разрушает горную породу, и небольшими генетическими изменениями, происходящими из поколения в поколение. Отстаивая свою теорию, он ссылается на диспут в смежной области науки: «Современная геология почти полностью отвергла возможность прорытия глубокой долины одной делювиальной волной; точно так же, если теория естественного отбора получит подтверждение, она развеет веру в постоянное творение новых органических существ или в реальность какой-либо большой и внезапной перемены в их строении»⁷³. Этим трудом он вошел в историю как автор, возможно, главного революционного открытия в нашей науке. Кстати, идеи других претендентов на этот титул, Ньютона, который открыл закон всемирного тяготения, и Эйнштейна, выдвинувшего теорию относительности, также были основаны на соображениях аналогии.

Глубокое обучение: попытка воссоздать силу неокортекса

Итак, нам нужно добиться от электронного мозга такой же гибкости и умения мыслить абстрактными категориями. Но каким образом? Мы уже обсудили, что системы, основанные на списках правил, слишком жестко запрограммированы и не могут имитировать мышление человека. Коннекционизм долгое время оставался непрактичным подходом, поскольку решения на его основе требовали огромных компьютерных мощностей. Однако стоимость вычислительных ресурсов радикально снизилась. Почему же это произошло?

В 1965 году Гордон Мур (1929–2023), сооснователь компании Intel, сформулировал знаменитый закон, названный его именем. Этот закон выразил важнейшую тенденцию в развитии информационных технологий⁷⁴. В наиболее известной формулировке он гласит, что количество транзисторов, которые можно разместить на кристалле интегральной схемы, удваивается каждые 24 месяца благодаря миниатюризации электронных компонентов. Скептики неоднократно отмечали, что период экспоненциального роста числа транзисторов неизбежно закончится, как только будет достигнут физический предел плотности размещения электронных компонентов. Однако они упускают из виду важное обстоятельство. Закон Мура – это лишь одно из проявлений более глубокого явления, которое я называю законом ускорения отдачи. Его суть заключается в том, что прогресс в информационных технологиях способствует более быстрому появлению инноваций. К моменту, когда Мур обнародовал свои наблюдения, экспоненциальный рост вычислительной мощности уже прошел через четыре технические парадигмы: электромеханическую, релейную, ламповую и транзисторную. Когда интегральные схемы исчерпают свой потенциал, им на смену придут наноматериалы или трехмерная архитектура процессора⁷⁵.

Описанная тенденция понемногу толкала прогресс вперед примерно с 1888 года (задолго до рождения Мура)⁷⁶. К 2010-му технологии наконец-то достигли уровня, который позволил раскрыть потенциал нейросетевого подхода к моделированию многоуровневых процессов, происходящих в новой коре. Разработчики начали активно применять методику, известную как глубокое обучение. Именно этот подход обеспечил внезапный прорыв в сфере ИИ, который произошел со времени публикации книги «Сингулярность уже близка».

Наглядным примером того, на что способна технология глубокого обучения, стало успешное освоение искусственным интеллектом настольной игры го. В этой игре намного больше возможных вариантов хода, чем в шахматах, к тому же гораздо сложнее определить, будет ли конкретный выбор удачным. Так что подход, который помог машине победить шахматных гроссмейстеров, оказался неэффективным в случае с го. По самым оптимистичным прогнозам, эта проблема должна была оставаться нерешенной по крайней мере до 2020-х годов. Например, в 2012 году Ник Бостром, один из ведущих футурологов и визионеров в области ИИ, высказал мнение, что компьютер сможет уверенно играть в го не раньше 2022-го⁷⁷. Однако в 2015–2016 годах дочерняя компания DeepMind холдинга Alphabet представила проект AlphaGo, созданный с использованием метода глубокого обучения с подкреплением. Эта система представляла собой большую нейросеть, способную анализировать сыгранные ей самой партии и учиться на своих успехах и ошибках⁷⁸. Вначале ее обучили на обширной базе игровых ходов, совершенных людьми, затем она провела множество матчей сама с собой. В результате версия AlphaGo Master достигла такого уровня, что смогла победить Кэ Цзе – чемпиона мира по игре в го⁷⁹.

Несколько месяцев спустя появилась существенно более продвинутая система под названием AlphaGo Zero. Когда в 1997 году компания IBM со своим суперкомьютером Deep Blue победила чемпиона мира по шахматам Гарри Каспарова, им пришлось снабдить программу всеми доступными знаниями о шахматах, которые программисты смогли почерпнуть у шахматных экспертов⁸⁰. Суперкомпьютер стал шахматистом, никаких других функций у него не было. В AlphaGo Zero не загружали вручную никакой информации о игре го, кроме правил самой игры, тем не менее за три дня игры с самой собой она прошла путь от выполнения случайных ходов к уровню мастерства, который обеспечил ей легкую победу над прошлой версией AlphaGo, которую тренировали люди, со счетом 100:0⁸¹. (В 2016-м AlphaGo в четырех играх из пяти обыграла Ли Седоля, который на тот момент занимал вторую строчку в неофициальном рейтинге игроков в го по количеству титулов.) Нейросеть AlphaGo Zero использовала новый формат обучения с подкреплением, став своим собственным тренером. Через 21 день AlphaGo Zero достигла уровня AlphaGo Master – нейросети, которая в 2017-м нанесла поражение 60 лучшим мастерам при игре онлайн, в том числе чемпиону мира Кэ Цзе, выиграв у того три партии из трех⁸². Через 40 дней обучения AlphaGo Zero превзошла в мастерстве все предыдущие версии AlphaGo и стала лучшим игроком в го среди людей и компьютеров⁸³. Этого результата удалось добиться без предоставления ей записей игр людей и еще какого-либо вмешательства со стороны операторов.

Но главное достижение команды DeepMind было еще впереди. Нейросеть следующего поколения, получившая название AlphaZero, продемонстрировала способность переносить навыки, полученные при игре в го, на другие игры, в частности шахматы⁸⁴. Эта программа сумела одолеть не только всех игроков из числа людей, но и все другие шахматные программы, проведя всего лишь четыре часа тренировок и не имея никакой специфической информации, кроме правил игры. Такого же успеха она добилась и в игре сёги. Последняя версия нейросети на момент написания книги называлась MuZero. Она повторила все достижения своей предшественницы, не зная заранее даже правил игры⁸⁵! Обладая способностью к «переносу навыков», MuZero может освоить любую настольную игру, в которой не фигурирует случайность, многозначность или скрытая информация, а также любую детерминированную видеоигру, например, «Понг» от компании Atari. Умение применять знания и опыт, полученные в одной области, для решения задач в другой – это ключевая особенность человеческого разума.