5. В неизвестность

Как компьютеры могут победить недостатки человеческого разума

В настоящее время компьютеры скорее дополняют человеческий интеллект. Но некоторые машины научились решать проблемы, не ограничиваясь пределами возможностей человеческого разума. Это позволяет им изобретать новые гаджеты или даже переосмысливать пределы математической науки. Смогут ли машины вытеснить мыслителей и изобретателей? Ведь даже в тех отраслях, в которых машины превосходят людей, их открытия окажутся полезными, только если человек сможет понять изобретение и найти ему область применения.

Эвристические машины

Мы привыкли, что случай и изобретательность идут рука об руку. Взять, к примеру, появление моторных полетов. В один из летних дней 1899 года веломеханик из Дейтона, штат Огайо, достал из упаковки новую шинную камеру и передал ее покупателю. Они разговорились. В процессе этой беседы механик бездумно вертел в руках пустую коробку, вращая ей взад и вперед. Тогда он заметил, что верхняя часть коробки выписывала плавную спиральную кривую. Это было обычным наблюдением, которое в дальнейшем изменило весь мир.

Форма коробки была схожа с механикой крыла голубя в полете. Наблюдая за траекторией движения коробки, Уилбур Райт пришел к выводу, что простое вращение рамы, поддерживающей крылья биплана, позволит управлять самолетом в воздухе.

Самолет братьев Райт – лишь один из многих примеров. Другим случаем стало изобретение текстильной застежки-липучки. Жорж де Местраль создал этот материал после того, как заметил крючки, с помощью которых головки репейника цеплялись к шерсти собаки. Еще один пример: жидкая пластичная смесь Гарри Кувера совершенно не подошла для использования в оптических прицелах, поскольку прилипала ко всем поверхностям. Зато нашла свою нишу, став суперклеем.

Несмотря на кажущийся романизм подобных ситуаций, данный способ ведет к крайне медленному развитию технологий. Полагаться на случайность – значит отсрочить появление изобретения, которое могло быть открыто уже сегодня. «Сам процесс изобретения человеком чего-либо – весьма архаичен и неэффективен», – рассказывает Джулиан Нолан, генеральный директор компании Iprova, расположенной в Лозанне, Швейцария, и специализирующейся на открытии изобретений. По его мнению, за сотни лет ничего не изменилось. «И он идет совершенно не в такт с большинством других отраслей».

Но мы стараемся сами создавать свое везенье. И эти эвристические моменты скоро можно будет запускать по команде, ведь полет фантазии заменится надежными операциями программ. Компьютерные открытия уже окружают нас повсюду, начиная с алгоритмов – имитаторов естественного процесса создания лучших проектов и заканчивая системами, подбирающими ниши для новых проектов среди существующих запатентованных технологий.

Влияние программ может оказаться огромным. Некоторые эксперты полагают, что автоматизированные изобретения способны ускорить технический прогресс. А еще они могут уравнять правила игры, превратив каждого из нас в изобретателя. Но что произойдет, если важность идей обесценится? Например, если вы претендуете на получение патента, то ваша идея не должна быть «очевидной». Так как же это применить к открытиям, сделанным грубой силой?

Что такое генетические алгоритмы?

Генетические алгоритмы, также известные как эволюционные, решают проблему проектирования, имитируя естественный отбор (см. рис. 5.1). Желаемые характеристики описываются в качестве генома, в котором гены представляют собой такие параметры, как, например, напряжение, фокусное расстояние или плотность материала.

Процесс начинается с более или менее случайной выборки геномов, каждый из которых может (хотя и не обязательно) обладать собственным дизайном. При скрещивании родительских геномов из начального генофонда и введении «мутаций» создаются потомки с особенностями каждого из родителей и потенциально полезными новыми чертами. Пригодность потомства для решения данной задачи проверяется в моделировании.

Отбираются лучшие представители потомства, которые становятся генофондом для следующего этапа скрещивания. Процесс повторяется снова и снова, пока, как и при естественном отборе, не «выживает» наиболее пригодный проект.

Помимо изобретения новых проектов, генетические алгоритмы можно использовать для развития «паразитов», способных причинить максимальный ущерб тестовым средствам защиты и безопасности. «Природа совершенна и изобретательна по части поиска лазеек в сложных системах», – говорит Эрик Бонабо из Icosystem of Cambridge (штат Массачусетс), который воспользовался данной техникой для улучшения дизайна кораблей ВМС США.

Рис. 5.1. Генетические алгоритмы пытаются найти оптимальное решение проблемы путем многократного объединения и мутации лучших экземпляров в каждом поколении потенциальных решений

Как заложено природой

Первую группу исследователей, имитирующих эволюцию в патентовании дизайна и впервые применивших так называемые генетические алгоритмы, возглавил Джон Коза из Стэнфордского университета в Калифорнии в 1990-х годах. Команда проверяла алгоритмы, стараясь выяснить, смогут ли они заново изобрести ряд основных составляющих в проектировании электроники: ранние фильтры, усилители и замкнутые системы управления, созданные Bell Labs в 1920–1930-х годах. Им это удалось. «Мы смогли заново изобрести все классические схемы Bell Labs, – рассказывает Коза. – Если бы в то время существовали современные методы, то такие схемы могли бы создать генетические алгоритмы».

Чтобы исключить случайность открытий, команда исследователей повторила процедуру с шестью запатентованными конфигурациями глазных линз, используемых в различных оптических устройствах. Алгоритм не только воспроизвел все оптические системы, но и в ряде случаев улучшил оригиналы пригодными для патентования способами.

Универсальность генетического алгоритма демонстрируется в изобретениях, показываемых на ежегодной конференции по генетическим и эволюционным вычислениям (GECCO). Типичные инновации варьируются от эффективных стилей плавания для осьминогоподобного подводного дрона и проектирования компьютерных микросхем с низким энергопотреблением до самого экономичного маршрута для будущего космического зонда при очистке околоземных орбит. Чтобы правильно рассчитать маршрут, инженеры из лаборатории перспективных концепций Европейского космического агентства в Нордвейке, Нидерланды, решили рассмотреть задачу в качестве космической разновидности знаменитой туристической проблемы коммивояжера. Только вместо городов их зонд посещал заброшенные спутники и сломанные корпуса ракет, а затем сбрасывал их с орбиты. Самая значимая награда в GECCO – за конкурентоспособность человеку, или Humie. Она присуждается за открытия, конкурирующие с человеком по изобретательности. В 2004 году первая награда Humie была вручена за антенну сложной конфигурации, которую разработали для проекта, финансируемого NASA. Антенна работала идеально, несмотря на аляпистый внешний вид – вместо обычной палочковидной антенны это был как будто тонкий стебель с горсткой нескладно наклоненных ветвей. Конечно же, дизайнер вряд ли бы додумался до такого изобретения.

Но в этом и суть. «Компьютеры, используемые для автоматизации процесса изобретения, не подвластны стереотипности изобретателей-людей, – поясняет Роберт Плоткин, юрист-патентовед из Берлингтона, штат Массачусетс. – Именно поэтому они могут создавать такие проекты, о которых человек даже и не додумается».

В неизвестность

В использовании генетических алгоритмов есть лишь одна проблема: вы должны заранее знать, что именно хотите изобрести. Тогда работа вашего алгоритма будет плодотворной. Как правило, генетические алгоритмы хороши для оптимизации уже существующих изобретений, но мало подходят для создания чего-то по-настоящему нового. Так происходит потому, что они не делают больших новаторских шагов. Это также означает, что у них меньше шансов на создание коммерчески ценного достижения.

Один из подходов заключается в использовании программ, помогающих изобретателям отследить упущенные признаки проблемы, решение которой могло бы привести к новому открытию. «Изобретение – это нечто новое; то, что не было изобретено ранее, потому как люди упустили из виду хотя бы одну вещь, которую заметил изобретатель, – рассказывает Тони МакКаффри, директор по технологиям в Innovation Accelerator из Натика, штат Массачусетс. – Если помочь людям в обнаружении скрытых признаков проблемы, то повысится вероятность того, что они заметят ключевые элементы, способные решить данную проблему».

Для этого в Innovation Accelerator имеется специальная программа, которая может описать проблему человеческим языком. Затем она «разбивает» проблему на большое количество связанных фраз и использует их для поиска по базе данных аналогичных изобретений в Ведомстве по патентам и товарным знакам США. Такая система предназначена для поиска аналогов решения проблемы в смежных областях.

Другими словами, программа способна к нестандартному мышлению. В одном примере МакКаффри попросил систему придумать способ по снижению количества травм с сотрясением мозга у игроков в американский футбол. Программное обеспечение разделило описание проблемы на отдельные слова и занялось поиском способов по уменьшению энергии, поглощению энергии, обмену силами, уменьшению импульса, силе противодействия, изменениям направления и отражению энергии.

Результаты по запросу «отражение энергии» помогли фирме изобрести шлем с сильными магнитами, отталкивающими шлемы других игроков, благодаря чему снижались последствия ударов головой. К сожалению, в патентном ведомстве кто-то опередил эту компанию на несколько недель. Но само изобретение лишний раз доказало правильность используемого принципа.

В другом примере программа воспроизводила последние новшества при производстве лыж. Задача состояла в том, чтобы придумать, как остановить вибрацию лыж, чтобы лыжники могли быстрее передвигаться и безопаснее поворачивать. Спустя какое-то время производитель придумал свое решение, однако программа Innovation Accelerator нашла его быстрее. «Изобретатель скрипки придумал метод создания более чистой музыки путем снижения вибраций в инструменте, – продолжает МакКаффри. – Этот метод применили к производству лыж, благодаря чему вибрации лыж значительно уменьшились».

Выявление рыночных тенденций

Технология фирмы Нолана Iprova помогает изобретателям с нестандартным мышлением. Но источники подобных идей находятся далеко за пределами патентных документов. Компания не спешит раскрывать секреты работы своей методики Computer Accelerated Invention. Однако в патенте 2013 года Iprova заявляет, что предлагает клиентам «рекомендованные инновационные возможности» путем просмотра не только патентных баз данных и технических журналов, но и блогов, новостных сайтов и социальных сетей.

Особый интерес вызывает тот факт, что алгоритм может менять свои предложения по мере изменения технологических трендов в сети. И результат оказывается чрезвычайно продуктивным. Компания использует собственную технологию и создает сотни изобретений в месяц. Клиенты могут выбрать любое из изобретений для создания патента. Если судить по широкому кругу клиентов в сфере здравоохранения, автомобилестроения и телекоммуникаций, то Iprova, похоже, добилась успеха. Один из клиентов компании – Philips, крупная международная технологическая корпорация. Такие фирмы редко привлекают к своим командам исследований и разработки внешних экспертов.

Все это говорит о том, что открытия, сделанные алгоритмом, имеют все шансы стать самым эффективным изобретательским процессом в будущем. «Человеческие изобретатели, которые научатся пользоваться автоматизированными компьютерными инновациями, станут на голову выше своих коллег, продолжающих изобретать что-то по старинке», – говорит Плоткин. Но как же провести ту самую черту? Ведь может получиться так, что при правильном разделении труда никаких четких границ между человеком и алгоритмом существовать не будет. Однако если разделение труда окажется на стороне компьютера, то это может подорвать всю патентную систему. В настоящее время «рядовой обыватель» верит, что если на изобретение выдается патент, то оно не является очевидным. Однако если изобретатели работают за компьютером, то изобретения могут казаться очевидным результатом компьютерных вычислений, как, например, горячая вода из чайника.

Как говорится, счастливый случай благоволит подготовленному уму. Если бы Уилбур Райт не думал о своем самолете, обслуживая клиента, у него, возможно, и не случился бы момент озарения. Творческое программное обеспечение может сделать такие случайные сопоставления куда более распространенными. «Перепоручите случайные открытия алгоритму», – подытоживает Бонабо.

Что у нас на ужин?

Ловили ли вы себя на мысли о том, что готовите по одним и тем же проверенным рецептам из одних и тех же ингредиентов? Здесь вам поможет приложение Chef Watson. Оно создает новые рецепты с помощью мозга суперкомпьютера Watson от IBM.

Ключом к успеху Chef Watson является способность суперкомпьютера поглощать большие объемы информации и связывать ее между собой. Он уже доказал свою мощь, победив в викторине Jeopardy! и помогая врачам диагностировать рак в Мемориальной больнице Слоуна-Кеттеринга в Нью-Йорке. Теперь алгоритм нацелен на нечто более сложное – он использует свой творческий потенциал для создания рецептов, которые люди действительно захотят попробовать.

IBM объединилась с американским кулинарным сайтом Bon Appetit для сбора достаточного объема данных. В базе данных сайта насчитывалось свыше 9000 рецептов, размеченных по ингредиентам, типам блюд и способам приготовления (например, тайская или каджунская кухня). В базе данных Watson создает статистическую корреляцию между ингредиентами, способами и этапами приготовления, а затем использует эту информацию для определения сочетаемости ингредиентов и требований к каждому типу блюд. «Именно поэтому он знает, что для буррито, бургеров и супа нужны разные ингредиенты, – говорит Стив Абрамс из IBM. – Он понимает, что для буррито всегда нужна какая-то "обертка", а супу требуется жидкость. Вот почему у вас нет жидкого буррито».

Работа с приложением начинается с того, что повар указывает желаемый ингредиент для блюда, а затем задает количество экспериментальных вариантов.

По задумке разработчиков, Chef Watson станет еще умнее и начнет собирать данные из других источников. Для точного определения пропорций ингредиентов он уже штудирует статьи Википедии о мировых кухнях, а также просматривает факты о питании из базы данных Министерства сельского хозяйства США. Chef Watson иногда некорректно сочетает ингредиенты случайным и необъяснимым образом. Однако при создании креативных рецептов из чистых данных отмечаются и другие ошибки. Один тестировщик заметил, что алгоритм, похоже, путается в размерах порций. Другой пользователь обнаружил, что в каком-то рецепте требовалось ровно 554 ягоды можжевельника, а где-то еще предлагалось «очистить от кожи и костей» тофу.