Создание семантического мира
Искусственный интеллект, машинное обучение и глубокое обучение – основные элементы семантической паутины. Я впервые рассказал о ней добрый десяток лет назад и, пожалуй, в те времена неверно интерпретировал исходную идею Тима Бернерса-Ли. В его трактовке семантическая паутина – это сеть данных, которые могут обрабатываться машинами:
«Я мечтаю о Сети, [где компьютеры] смогут анализировать все данные в паутине – контент, ссылки, транзакции между людьми и компьютерами. «Семантическая паутина», способная это обеспечить, пока не появилась, но когда появится, повседневные механизмы торговли, документооборота и прочие рутинные процессы будут обслуживаться машинами, которые общаются с машинами. Наконец-то появятся разумные помощники, о которых люди мечтали веками».
Я не такой специалист в технических вопросах, как сэр Тим сотоварищи, и понимаю его идею таким образом: интеллектуальный интернет, который начинает индексировать сам себя таким образом, что все его узлы могут общаться друг с другом, достигать соглашений по разным вопросам и работать лучше.
В моей трактовке семантической паутины интернет будет управлять всеми моими устройствами, а эти устройства будут предугадывать все мои желания. Телевизор без просьб с моей стороны найдет развлекательную передачу, холодильник будет знать, какие продукты заказать, прежде чем они закончатся, автомобиль станет дозаправляться без моей команды. В такой версии семантической паутины машины действуют интеллектуально не только потому, что оснащены искусственным интеллектом и специально обучены, но и потому, что делятся накопленными знаниями с другими машинами, обучая всю сеть.
Искусственный интеллект, машинное обучение и глубокое обучение – подлинные основы семантической паутины. Отмечу, что между машинным и глубоким обучением есть разница. Глубокое обучение создано в качестве этапа продвижения от машинного обучения к полноценному искусственному интеллекту. MIT Review так определяет его:
«Программы для глубокого обучения призваны имитировать деятельность нейронов в коре головного мозга, составляющей около 80 % объема мозга, отвечающего за мышление. Программа в буквальном смысле учится распознавать закономерности в цифровых представлениях звуков, изображений и других данных».
Иными словами, цель этих разработок – компьютер, не уступающий в интеллекте человеческому мозгу либо превосходящий его. Мечта о таком компьютере стала реальностью, когда в нашем распоряжении появились практически неограниченные вычислительные мощности; подобные машины становятся реальностью, ими занимаются такие интернет-гиганты, как Facebook, Amazon, Tencent, Baidu, Alibaba и Google. Их общими усилиями мы стремительно движемся к созданию искусственного интеллекта второго уровня – общего искусственного интеллекта.
Ранее в этой главе я уже упоминал о трех основных уровнях искусственного интеллекта, а именно:
• Ограниченный искусственный интеллект (ANI) специализируется на одной задаче. Таков, например, компьютер IBM Deep Blue, обыгравший Гарри Каспарова в шахматы. Он умеет делать только одно: играть в шахматы.
• Общий искусственный интеллект (AGI) – этап, на котором машина проходит тест Тьюринга и по уровню интеллекта сравнивается с человеком, умеет мыслить логически и абстрактно. Такая машина быстро учится, в том числе опытным путем.
• Сверхразумный искусственный интеллект (ASI) – машины становятся умнее всего человечества вместе взятого.
Эти разработки образуют ядро семантической паутины. Лидером в этой сфере является, судя по всему, Google. Я не утверждаю, что остальные компании отстают, но, если судить по числу публичных заявлений, сделанных Google за последние шесть лет, именно эта компания наделала больше всего шума по поводу глубокого обучения.
Google начал разработки в области искусственного интеллекта в 2011 году, запустив проект Google Brain. Первые результаты были получены в 2012 году: Google объявил, что его машины научились распознавать изображения котиков:
«Когда инженеры из секретной лаборатории Google X Lab построили нейронную сеть из 16 000 компьютерных процессоров, проложили между ними миллиард связей и позволили этой сети открыть YouTube, она занялась тем же самым, что делают многие люди: начала искать котиков.
Этой модели мозга на трое суток показали 10 млн видеороликов с YouTube, выбранных случайным образом, после чего, изучив список из 20 000 элементов, машина начала распознавать изображения котиков, пользуясь алгоритмом глубокого обучения. Она справилась, хотя в нее и не загрузили никакой информации о том, как идентифицировать котиков.
Просматривая изображения на YouTube, система достигла 81,7 % точности при распознавании человеческих лиц, 76,7 % точности при определении частей человеческого тела и 74,8 % точности при идентификации котиков».
В 2014 году Google опередил Facebook и приобрел британский стартап DeepMind за $600 млн. Вооружившись Google Brain и Deep Mind, компания смогла серьезно расширить горизонты искусственного интеллекта: машины научились играть в видеоигры.
В следующий раз о компании написали все СМИ в 2016 году, когда машины Google обыграли чемпиона мира по игре го – игре настолько сложной, что считалось, будто ни одна машина никогда не сможет победить в ней человека. Следом появилась еще одна важная новость: машины придумали собственный язык. В ходе эксперимента компьютеры создали собственную форму шифрования на основе машинного обучения, при этом конкретных криптографических алгоритмов в них не загружали. Последняя новость – машины запоминают навыки, которые понадобились им для решения разных задач; это ключевое требование для достижения общего искусственного интеллекта. Легко понять, почему Google заинтересован в искусственном интеллекте и глубоком обучении, – посмотрите, как эти технологии помогают оптимизировать его сервисы, в частности Google-переводчик, о чем мы уже говорили.
Благодаря усилиям интернет-гигантов мы стремительно приближаемся к этапу, когда машины станут умнее людей, и уже недалек тот момент, за которым начинается всеобщая автоматизация. Вскоре чат-бот научится обслуживать вас лучше, чем человек. А если внедрить чат-бота в человекоподобного робота или аватара? Добро пожаловать в семантическую паутину – это не операционная система, это сознание.
Что будет, если применить идею семантической паутины в банковском секторе? По сути, цифровые банки – это цифровые хранилища ценности. Данные депонируются и снимаются в форме денег, которые признаются государством и находятся под его контролем. Сейчас у нас уже есть альтернативы, например биткоин, позволяющий откладывать и снимать деньги в форме данных, причем их ценность признается в сети на основе общего согласия. Обе системы базируются на данных и транзакциях данных, и обе они сходятся в том, что децентрализация увеличивает безопасность, поскольку нет и не может быть единой точки отказа.
Но банковские системы создавались на базе множества закрытых серверов, где не предусмотрены искусственный интеллект и возможности машинного обучения. Это проблема. Как машина может что-либо обо мне узнать, если вся моя информация хранится в нескольких системах, исходя из того, чем я пользовался: депозит, ссуды, ипотека, карты или сбережения? Это сложный вызов для аналогового банка: вся его информация рассредоточена по устаревшим системам и напоминает лоскутное одеяло.
Семантический банк очистит эти данные и воспользуется возможностями искусственного интеллекта и аналитики, чтобы разобраться в истории моих финансовых операций и предсказать мои финансовые потребности в будущем. Делать это будут не люди, а машины. Семантический банк будущего станет опираться на свои структуры с открытым исходным кодом, состоящие из приложений, API и инструментов аналитики. С их помощью он будет извлекать информацию из семантической паутины и получать глубокую аналитику, интегрируя сведения обо мне с данными моих устройств и перемещений.
Семантический банк превратится в живого и активного компаньона моего кибермозга. Он понимает меня, знает, когда я медлю с решением или, наоборот, рискую, когда упускаю возможности для инвестиций, а когда могу сэкономить. Он не спрашивает моего разрешения на эти операции, а выполняет их за меня – в этом вся суть, – а я просто живу, зная, что семантический банк присматривает за мной.
Вот почему никто из героев сериала Star Trek не задумывается о деньгах – все эти вопросы решает система. Это завтрашний день финансового сектора, и рассвет уже близок.
