С уважением относясь к опыту экономистов, получивших все приведенные выше оценки, я не могу согласиться с выводами ОЭСР. Во-первых, я сомневаюсь в правильности их входных данных и уравнений, а во-вторых, я иначе представляю себе вызванное ИИ разрушение рынков труда. Эти противоречия заставляют меня согласиться с более высокими оценками PwC, хотя я настроен еще более пессимистично. Во-первых, я не согласен с тем, как в исследованиях оценивались технические возможности машин в предстоящие годы. В оксфордском исследовании 2013 года группу специалистов по машинному обучению попросили предсказать, будут ли автоматизированы 70 профессий в ближайшие два десятилетия, а затем эти данные использовались для оценки потенциала автоматизации в других отраслях. И хотя исследователи ОЭСР и PwC использовали другой, основанный на задачах, подход, их оценки все равно строились на данных 2013 года. На тот момент эти предположения экспертов выглядели правомерными, но за последние пять лет были сделаны огромные шаги вперед в области машинного обучения. В то время эксперты иногда могли предсказать отдельные новшества, которые уже были на подходе. Но мало кто из них ожидал, что глубокое обучение станет настолько результативным и настолько быстрым. Когда дело доходит до реального применения, эти неожиданные новшества расширяют практические возможности ИИ и, следовательно, уничтожают рабочие места. Один из ярких примеров тому – соревнование ImageNet. На конкурсе алгоритмы команд-участниц должны выявить тысячи различных объектов (таких как птицы, мячи, отвертки и мечети) на миллионах изображений. Он быстро стал одним из самых уважаемых соревнований в области распознавания изображений, а его результаты превратились в ключевой показатель прогресса ИИ в области компьютерного зрения.

Незадолго до того, как в начале 2013 года оксфордские эксперты по машинному обучению сделали свой прогноз, состоялось соревнование ImageNet 2012 года, на котором «дебютировали» методы глубокого обучения. Команда Джеффри Хинтона, используя эти методы, сделала рекордно малое количество ошибок – около 16 %, и значительно обогнала остальных участников соревнований, ни одному из которых не удавалось добиться доли ошибок ниже 25 %.

Итоги конкурса вызвали большой интерес к глубокому обучению в сообществе ИИ, но это была всего лишь первая ласточка. К 2017 году алгоритмы почти всех команд делали 5 % ошибок: это приблизительно соответствовало результатам, которые показывают люди при выполнении аналогичных заданий. Причем средний по своим возможностям алгоритм 2017 года делал в три раза меньше ошибок, чем лучший алгоритм 2012 года. За годы, прошедшие после прогноза ученых из Оксфорда, компьютерное зрение стало лучше, чем человеческое. Теперь эта технология применяется на практике во многих областях. Но компьютерным зрением дело не ограничивается. Алгоритмы бьют все новые рекорды в области распознавания речи, машинного чтения и машинного перевода. Хотя все эти достижения нельзя назвать фундаментальными, они воодушевляют предпринимателей. Все вышесказанное заставляет меня поверить в более пессимистичный прогноз PwC, предполагающий, что к началу 2030-х годов 38 % рабочих мест в США все же окажется в зоне высокого риска.