Отделяем хайп: реалистичный взгляд на искусственный интеллект как на общедоступный ресурс

Двадцать второго апреля 2019 года компания Tesla провела мероприятие, которое назвала «День беспилотника». Оно должно было привлечь внимание к технологии беспилотного управления транспортным средством, которой компания оснащает все свои автомобили. Илон Маск и другие топ-менеджеры, а также инженеры выступили с презентациями. В ходе мероприятия Маск сказал: «Я с полнейшей убежденностью предсказываю, что в следующем году Tesla представит беспилотные роботакси». Далее он высказал предположение, что к концу 2020 года миллион таких машин компании Tesla будут ездить по дорогам общего пользования. Под роботакси Маск подразумевал в подлинном смысле самоуправляемые автомобили, способные функционировать без людей в салоне, брать пассажиров и доставлять их в любые места назначения. Иными словами, он объявил о создании в полном смысле роботизированной версии Uber или Lyft.

Это был ошеломляющий прогноз, намного опережающий ожидания практически всех экспертов, которых я опрашивал. Несколько дней спустя в эфире Bloomberg TV я сказал, что был «поражен» предсказанием Маска и считаю его «необычайно оптимистичным и, пожалуй, даже несколько безрассудным». Я высказался так потому, что столь радикальное заявление, безусловно, должно было вызвать давление на Tesla со стороны рынка, ожидающего выполнения обещания. Это в сочетании со способностью компании добавлять автомобилям функции путем загрузки программ, то есть с появлением у водителей неотработанного софта, стало бы источником огромной опасности. Нет ничего страшного, когда клиенты тестируют сырые версии новой видеоигры или приложения для соцсетей, но это безответственная стратегия в отношении программного обеспечения, использование которого может привести к травмированию или гибели человека. Действительно, уже случались аварии со смертельным исходом с участием автопилота Tesla, который умеет рулить автомобилем, разгоняться и тормозить, но тем не менее требует присмотра водителя. Кроме того, мне представляется очевидным, что, даже если бы компании удалось за год довести эту технологию до совершенства, намного больше времени потребовалось бы на адекватное тестирование автомобилей и получение одобрения регулирующего органа. Таким образом, миллион действующих роботакси Tesla к концу 2020 года просто не мог появиться. Даже выпуск единственной по-настоящему беспилотной машины на дороги общего пользования за этот срок выглядел бы как чудо.

Значительная часть «Дня беспилотника» была посвящена обсуждению новейшего микропроцессора для поддержки этой функции, создаваемого компанией Tesla. Раньше она использовала оптимизированные для глубоких нейронных сетей чипы производства NVIDIA. Tesla заявила, что ее новый чип обеспечивает беспрецедентные возможности, но руководители NVIDIA быстро осадили ее, отметив, что последние версии их чипов для ИИ не уступают продукту, который разрабатывает Tesla, а может, даже быстрее его.

Тем не менее, наблюдая за ходом «Дня беспилотника», я понял, что Tesla действительно обладает впечатляющим конкурентным преимуществом — тем, что, возможно, позволит ей потеснить конкурентов и первой создать полностью беспилотные автомобили. Это преимущество кроется не в особом процессоре и даже не в алгоритме. Как это часто бывает в области искусственного интеллекта, оно заключается в данных, принадлежащих Tesla. Каждый автомобиль Tesla имеет восемь камер, которые непрерывно работают, делая снимки дороги и обстановки вокруг автомобиля. Бортовые компьютеры способны оценивать эти снимки, выбирать те, что представляют интерес для компании, и автоматически загружать их в сжатом виде в сеть Tesla. По дорогам мира уже ездит свыше 400 000 оборудованных камерами машин, и их число быстро увеличивается. Иными словами, Tesla имеет доступ к огромному массиву данных о реальном мире в виде фотографий, и ни один из ее конкурентов не может даже приблизиться к такому объему информации.

Директор Tesla по ИИ Андрей Карпати рассказал, что компания может запрашивать фотографии определенного типа от своего «парка» оборудованных видеокамерами машин. Например, если инженеры Tesla хотят обучить свою систему беспилотного управления поведению в условиях дорожных работ, то могут затребовать тысячи реальных фотографий ремонта на автодорогах и использовать эти изображения для обучения программы-автопилота посредством компьютерного моделирования. Поскольку все разработки в области самоуправляемых автомобилей сильно зависят от моделирования, способность Tesla использовать огромные объемы данных из реального мира — ее потенциально подрывное преимущество. Как говорится, реальность более удивительна, чем любая фантастика, но никакой инженер не способен разработать модель, детально воспроизводящую зачастую немыслимую реальность, зафиксированную камерами постоянно расширяющегося парка автомашин Tesla.

Этот пример иллюстрирует тот факт, что новости о прогрессе в области искусственного интеллекта часто представляют собой мешанину хайпа и сенсаций, вплетенных в сообщение, содержащее и важную информацию. Как я уже отмечал, искусственный интеллект неизбежно станет общедоступным ресурсом и в конечном счете затронет буквально все сферы жизни. Однако прогресс будет неоднородным: некоторые технические проблемы трудноразрешимы. В частности, ряд самых резонансных и распиаренных ИИ-приложений, скорее всего, не дотянут до наших ожиданий, тогда как огромные достижения в других, менее публичных, областях неожиданно нас поразят. В этой главе будут приведены примеры и описаны принципы, позволяющие понять, в каких направлениях ИИ обещает стать подрывной технологией относительно скоро, а в каких на это, скорее всего, потребуется намного больше времени.

Поставка вашего домашнего робота задерживается

Обещание подарить домашнему хозяйству персонального робота — машину, способную убирать и стирать и всегда готовую выполнить любое ваше пожелание, словно неутомимый дворецкий, — завладело коллективным воображением еще в те времена, когда первые фантасты стали рисовать образы будущего. Каковы перспективы появления подобной машины? Давайте для начала отвлечемся от примеров из фантастики, известных большинству из нас, таких как робот Рози из «Джетсонов» или гуманоидные машины вроде С-3РО из «Звездных войн». Возьмем значительно менее смелый проект — робота, обладающего довольно ограниченной способностью наводить порядок в доме и, возможно, по команде приносить пиво из холодильника. Скоро ли появится персональный робот за разумную цену, который покажется настолько полезным, чтобы массы чувствительных к соотношению цена/качество потребителей были готовы за него платить?

Печальная реальность состоит в том, что появление такой машины, скорее всего, дело весьма далекого будущего. У персональных роботов, попытки создания которых предпринимались до сих пор, есть одна проблема — они попросту мало на что способны. Минимальные требования к подлинно полезной машине, включая способность визуального восприятия, мобильность и ловкость, необходимые для работы в таком непредсказуемом окружении, как жилище, относятся к числу самых сложных задач в робототехнике. Компании, пытавшиеся вывести на рынок бытовых роботов, даже не приблизились к преодолению этих трудностей. Они создали агрегаты, имеющие настолько ограниченные возможности, что для большинства людей ценность этого предложения весьма сомнительна.

Одна из попыток преодолеть эти трудности — Jibo, машина, представленная как первый «социальный робот». Это воплощение замысла Синтии Бризил из Массачусетского технологического института (МТИ), одного из ведущих мировых специалистов по роботам, способным взаимодействовать с людьми на социальном и эмоциональном уровне. Выпущенный осенью 2017 года Jibo представляет собой пластмассового настольного робота высотой около 30 см. У него нет рук, ног или колес, но он умеет наклонять и поворачивать голову и создавать иллюзию контакта, когда общается с владельцем. Робот способен поддерживать рудиментарный диалог и решать ряд практических задач, связанных главным образом с поиском информации. Он может искать необходимое в интернете, сообщать о погоде и дорожной ситуации, воспроизводить музыку и т.д. Иными словами, Jibo обладает возможностями, подобными функциям умных колонок Echo на базе Alexa компании Amazon. Разумеется, Echo не двигаются, но, поскольку за ними стоят мощная облачная вычислительная инфраструктура Amazon и намного более многочисленная команда высокооплачиваемых ИИ-разработчиков, их потенциал в информационном поиске и понимании естественного языка выше — и безусловно, разрыв будет увеличиваться со временем. Главным недостатком Jibo стала его цена — около $900. Хотя пользователям полюбилась его милая способность повторять за человеком движения головы и танцевать под музыку, которую он проигрывает, это не стоит лишних $800 с точки зрения большинства потребителей. Создавший Jibo стартап закрылся в ноябре 2018 года, после того как истратил, по имеющимся данным, $70 млн венчурного капитала.

Говорят, Amazon работает над собственным домашним роботом. Машина под кодовым именем Vesta описывается как своего рода «Echo на колесах» из-за умения ориентироваться в доме и подъезжать по команде. Однако я не видел сообщений о том, что Amazon планирует добавить роботу руку и наделить его способностью физически манипулировать окружающими предметами. В отсутствие таких опций снова встает вопрос ценностного предложения. Самые дешевые версии Echo стоили $50. Так зачем покупать дорогую мобильную (но, скорее всего, довольно медлительную) версию Echo, вместо того чтобы просто расставить по всему дому дешевые стационарные колонки? Такого рода вопросы преследуют отрасль персональных роботов, и нет уверенности, что даже компании Amazon удастся в обозримом времени вывести на рынок коммерчески успешный продукт.

Чтобы представить серьезность препятствий на пути к созданию по-настоящему функционального домашнего робота, подумайте всего лишь об одной его предполагаемой задаче — приносить пиво из холодильника. Если нет серьезных преград вроде лестницы или закрытой двери, ему будет, пожалуй, нетрудно добраться до холодильника. Технология ориентации роботов в известном им окружении уже существует, о чем свидетельствуют, например, роботы-пылесосы Roomba.

Однако, оказавшись у холодильника, робот должен открыть его дверцу. Проделайте это действие сами и обратите внимание на то, сколько силы нужно приложить. Дело, однако, не только в грубой физической силе. Вы с легкостью открываете дверцу, потому что весите, скорее всего, намного больше 45 кг. Рассмотрим физику этого процесса. Робот, способный открыть дверцу холодильника, — это не пластмассовая игрушка и не умная колонка Echo от Amazon. Чтобы машина не опрокинулась, она должна быть довольно тяжелой, а чтобы справиться с окружающими предметами, созданными для людей, — иметь человеческие пропорции. Такая машина будет дорогой. Даже если удастся найти дешевый способ создать необходимый противовес — скажем, залив в пластмассового робота воду, — для перемещения робота необходимого веса потребуются мощный мотор и колеса, рассчитанные на большую нагрузку.

После того как дверца открыта, робот должен найти пиво. Что, если оно заставлено контейнерами с едой, оставшейся после вчерашнего ужина? Что, если банки пива упакованы по шесть штук? Сможет ли робот вытащить банку? Подумайте, как различается механика этого действия в зависимости от того, сколько банок пива остается в упаковке. Она нетронута или в ней всего лишь одна банка? Робот, способный решить такую простую задачу, должен обладать неимоверной ловкостью и, скорее всего, иметь две очень дорогие механические руки — одной недостаточно.

Конечно, часть этих проблем устранить довольно легко. Возможно, пиво придется ставить в строго определенное место в холодильнике, заботиться об удалении упаковки и даже снабдить каждую банку RFID-меткой, чтобы роботу не пришлось визуально искать ее. Не исключено, когда-нибудь пиво будет продаваться в футуристической таре, специально приспособленной для роботов. Однако на сегодняшний день все эти требования оборачиваются дополнительными неудобствами и, следовательно, уменьшают вашу готовность выложить очень большую сумму за такого робота.

Можете не сомневаться, любой подлинно функциональный домашний робот потребует очень серьезных денежных вложений. На такие вещи, как электромоторы, механические руки и всевозможные сенсоры, необходимые для наделения робота способностями к визуальному восприятию, ориентации в пространстве и тактильной обратной связи, не распространяется удешевление вследствие действия закона Мура, характерного для электронной промышленности, где вычислительная мощность становится все более доступной. У домашнего робота есть принципиальная проблема: чтобы представлять реальную ценность для потребителей, он должен как минимум приближаться к нам по возможностям манипулировать предметами. Люди же, как оказывается, потрясающе эффективные биологические роботы.

Представьте, что на столе перед вами лежат два предмета: слева — массивный стальной подшипник диаметром 7,5 см и весом около 1,9 кг, справа — сырое яйцо. Вы с легкостью возьмете со стола оба эти предмета. Задумайтесь, какую силу мышцы вашей руки должны приложить для того, чтобы взять каждый из них и поднять. Задумайтесь, что произойдет, если вы по какой-то причине перепутаете эти предметы и приложите к ним не ту силу. Даже с завязанными глазами вы почти наверняка благополучно возьмете и тот и другой предмет, основываясь на одной только тактильной обратной связи. Моторы и сенсоры, необходимые для воспроизведения этой способности в механической руке, были бы дорогими — даже при наличии необходимого программного обеспечения.

Реальность такова, что даже после нескольких десятилетий работы над механическими руками и алгоритмами управления ими их ловкость все еще далека от человеческой. Родни Брукс, один из самых видных робототехников, сооснователь iRobot Corporation — производителя Roomba и ряда самых совершенных в мире военных роботов, иллюстрирует этот факт сравнением с пластмассовыми штангами с захватом на конце, с помощью которых иногда подбирают мусор.

Такой [захват] позволяет производить фантастические манипуляции, недоступные в настоящее время ни одному роботу, но ведь это просто кусок пластмассы. …Все дело в том, что это вы выполняете действие! Нередко демонстрируют видео, где человек, используя роботизированную руку, выполняет какое-нибудь задание. Но этого же самого можно добиться с помощью маленькой пластмассовой палки-хваталки: все делает человек. Если бы все было так просто, мы могли бы прикрепить хваталку к механической руке и она выполнила бы задание: раз человек может сделать это, почему робот не может? Здесь упускается из виду нечто принципиально важное.

Даже если бы робот для поддержания порядка в доме обладал необходимой ловкостью, перед ним все равно стояли бы такие трудности, как распознавание многих тысяч объектов и принятие решений о том, что с ними сделать. Какие вещи следует осторожно убрать в нужное место, а какие идентифицировать как мусор и выбросить? С каким уровнем ошибок вы готовы смириться, отпустив робота самостоятельно хозяйничать хотя бы в одной комнате своего дома?

Из всего этого не следует, что домашний робот никогда не появится. Уже достигнут существенный прогресс в преодолении многих препятствий. Например, вероятнее всего, роботы будущего научатся распознавать объекты, взаимодействуя с облаком. Уже можно видеть очень впечатляющую демонстрацию этого в приложении Lens компании Google: направьте свой мобильный телефон практически на что угодно и приложение автоматически проведет идентификацию, а также предоставит описание и примеры аналогичных объектов.

С расширением сетевого взаимодействия в мире и развитием интернета вещей сенсоры, которые используются в роботах, начнут применяться в самых разных устройствах, это приведет к экономии вследствие роста масштабов производства, и стоимость снизится. Скорее всего, благодаря проникновению роботов в коммерческий сектор то же самое со временем произойдет и с остальными компонентами.

Кроме того, исследователи успешно используют глубокое обучение и другие методы для создания более ловких механических рук. Один из самых впечатляющих результатов представила OpenAI в октябре 2019 года, объявив о создании системы из двух интегрированных глубоких нейронных сетей, благодаря которой роботизированная рука собрала кубик Рубика. Система обучалась с использованием высокоскоростного моделирования и добилась успеха лишь после эквивалента примерно 10 000 часов обучения с подкреплением. Собрать кубик Рубика одной рукой непросто даже для людей. Несмотря на заявление компании о достижении уровня, «близкого человеческой ловкости», оказалось, что это нелегко и ее системе: роботизированная рука роняла кубик в восьми из десяти попыток. Тем не менее подобные программы свидетельствуют о реальном прогрессе, и, как мы скоро убедимся, рост ловкости роботов окажет существенное влияние на многие промышленные и коммерческие сферы уже в ближайшие годы. Однако по-настоящему полезный домашний робот по разумной цене останется недостижимой мечтой до тех пор, пока искусственный интеллект, необходимый для управления роботами в условиях высокой непредсказуемости, не станет значительно совершеннее и радикально дешевле. В обозримом будущем этого ожидать не приходится.

Склады и фабрики: эпицентр революции в области роботизации

Если универсальный продуктивный домашний робот появится, скорее всего, не скоро вследствие технических препятствий и экономических факторов, то во многих промышленных и коммерческих областях наблюдается противоположная картина. В замкнутом пространстве фабрики или склада вполне возможно устранить или по крайней мере свести к минимуму непредсказуемость и хаос, царящие во внешнем мире. В большинстве случаев необходимо реорганизовать взаимодействия и потоки людей, машин и материалов на территории предприятия с тем, чтобы использовать возможности роботов и одновременно обойти их ограничения. Ценностное предложение в сочетании с требованием ставить банку пива — и любой другой предмет — в точку со строго определенными координатами в холодильнике, чтобы ее мог достать робот, выглядит не слишком привлекательно. Однако в условиях крупномасштабной коммерческой деятельности, когда даже крохотное увеличение эффективности может вылиться в огромную финансовую отдачу, действует совершенно иной расчет.

Лучше всего это демонстрирует организация деятельности распределительных центров Amazon и других онлайновых розничных магазинов. В стенах этих, обычно громадных, комплексов робототехническая революция идет уже давно и, безусловно, ускорится в самое ближайшее время. Менее десятилетия назад почти во всех подобных складах кипела жизнь: сотни рабочих беспрерывно сновали по проходам между высокими стеллажами с тысячами единиц хранения. Обычно работники делились на две группы: «укладчиков», задача которых заключалась в приемке поступающих на склад товаров и размещении их на нужных местах на полках, и «подборщиков», подходивших к тем же самым местам за товарами, необходимыми для комплектации заказов клиентов. На складе царила вечная кутерьма, словно в очень плохо организованном муравейнике: среднему работнику нередко приходилось проходить с десяток километров за смену между местами хранения, разбросанными случайным образом по территории склада, и взбираться по лестницам к верхним полкам.

В суперсовременных распределительных центрах Amazon это лихорадочное движение сменилось практически полной противоположностью. Теперь рабочие остаются на месте, а полки с товарами едут туда-сюда на спинах полностью автоматизированных роботов. Реорганизация складской деятельности началась в 2012 году с покупки компанией Amazon за $775 млн стартапа Kiva Systems, производителя роботизированных складских систем. Роботы, напоминающие гигантские оранжевые шайбы для хоккея весом больше 135 кг, перемещаются, ориентируясь по штрихкодам на полу, по огороженной территории, которая исключает риск их столкновения с рабочими. Они управляются алгоритмами и доставляют стеллажи со складскими запасами на станции, где находятся рабочие, которые пополняют опустевшие полки либо берут определенные товары, чтобы выполнить заказ.

Сейчас в распределительных центрах Amazon по всему миру работает больше 200 000 таких роботов. В результате количество единиц хранения, снятых с полок типичным подборщиком за час, увеличилось в три-четыре раза. Роботы пока не заменили рабочих. Напротив, количество людей, занятых на складах Amazon, значительно увеличилось, что в какой-то степени компенсировало исчезновение рабочих мест в традиционных розничных магазинах вследствие расширения онлайновой торговли. Роботы быстро перемещаются по гладким полам, где отсутствуют препятствия, перевозя до 300 кг товаров, тогда как рабочие остаются на одном месте, выполняя действия, требующие зрения и ловкости рук, которые — во всяком случае пока — недоступны никакому роботу. Эта синергия между работниками и машинами позволяет Amazon постоянно повышать уровень обслуживания клиентов. Например, доставка в течение одного дня, предложенная клиентам категории Prime в 2019 году, скорее всего, была бы невозможна без огромных инвестиций в роботизацию. Аналогично автоматизация стала главным фактором, позволившим Amazon не отстать от бурно растущего спроса с началом коронакризиса, несмотря на то что многие складские рабочие компании заболели.

Сочетание труда рабочих и роботов с использованием относительных преимуществ тех и других, бесспорно, повышает эффективность. Одновременно оно преобразует характер подобной работы, что имеет как положительные, так и в отрицательные последствия. При новой системе на смену изнурительному хождению по складским проходам пришло отупляющее повторение одного и того же действия. Теперь рабочие стоят на месте и час за часом кладут товары на подъезжающие полки или забирают их оттуда. По результатам одного анализа травмы на складах Amazon (и без того в два с лишним раза более частые, чем в среднем в складской индустрии) лишь участились с внедрением новой роботизированной технологии, в том числе из-за туннельного синдрома и напряжения, возникающего при снятии тяжелых предметов с верхних полок. Как объяснил отраслевой консультант Марк Вулфраат репортеру веб-сайта Vox Джейсону Дел Рэю: «Попробуйте-ка проходить десяток километров в день по бетонному полу, комплектуя эти заказы… Если вам больше 20 лет, к концу недели вы почувствуете себя совершенно разбитым… Стоять на резиновом коврике, куда подвозят товары, — это в три раза продуктивнее традиционного подхода и более гуманно… [но] если вы в три раза быстрее комплектуете заказы, это также приводит к перегрузке и напряжению из-за монотонных движений и необходимости быстрее поднимать и перекладывать товары».

Реальность такова, что рабочие подобных предприятий постепенно теряют самостоятельность и превращаются, в сущности, в подключаемые биологические нейронные сети, выполняющие функции, недоступные пока машинному интеллекту. Одним из следствий этого стали протесты работников распределительных центров в Соединенных Штатах и в Европе, жалующихся, что с людьми обращаются как с роботами и постоянно заставляют их соответствовать нерациональным ожиданиям под контролем все более требовательных алгоритмов. На мой взгляд, если такие работы все больше будут восприниматься как расчеловечивающие и даже опасные, а рабочих будут все ближе подталкивать к их физическим и психологическим пределам, это неизбежно станет основанием для ликвидации подобных рабочих мест с появлением необходимой технологии.

Действительно, в замкнутой и относительно контролируемой среде непрекращающийся процесс автоматизации будет, скорее всего, постепенно вытеснять ручной труд. Amazon уже энергично движется к автоматизации все большего числа складских операций. Согласно отчету журналиста Reuters Джеффри Дастина, опубликованному в мае 2019 года, Amazon внедряет передовую технику, способную упаковывать товары в коробки, готовые для отправки клиентам. Хотя роботы еще не обладают нужной ловкостью, чтобы без сбоев брать разнообразные предметы и класть их в коробки, они вместо этого практически мгновенно создают индивидуализированную упаковку для товара, движущегося на ленте транспортера. Машины могут упаковывать около 600–700 предметов за час — в пять раз больше человека. Два участника этого проекта Amazon сказали Дастину, что в конце концов это может привести к исчезновению около 1300 рабочих мест в 55 складах на территории Соединенных Штатов.

Помимо прочего, Amazon внедрила роботов, похожих на уменьшенную версию «хоккейных шайб» Kiva, в сортировочных центрах, где упакованные заказы загружаются в грузовики для доставки. Каждый маленький робот везет одну коробку в определенную точку сортировочного центра — в соответствии с почтовым индексом, где сбрасывает ее через отверстие в полу в грузовик, стоящий внизу. Все это является еще одним ярким примером того, как можно полностью спроектировать и реконструировать рабочую среду для максимального использования огромных, хотя и ограниченных, возможностей роботизации. Безусловно, по мере совершенствования роботов и их универсализации подобная среда будет видоизменяться для достижения наибольшей производительности.

На складах и фабриках эндшпиль автоматизации будет сыгран, когда роботы наконец приблизятся к человеку по способности захватывать объекты и обращаться с ними. После этого появление полностью автоматизированного склада, где человеческий труд ограничен слежением за работой машин и их обслуживанием, становится реалистичным. Amazon отчетливо демонстрирует огромную заинтересованность в достижении этого рубежа. Компания организовала ряд разрекламированных ежегодных конкурсов для команд инженеров из университетов всего мира, которые создают роботов, способных выполнять задания, пока выполняемые людьми на складах. Хотя разработка механической руки, которая может без ошибок брать тысячи разных предметов — всевозможных размеров, весов, форм и фактур, оказалась чудовищно сложной задачей, прогресс на этом пути неизбежен. Выступая на конференции в июне 2019 года, генеральный директор Amazon Джефф Безос сказал: «Я думаю, что проблема захватывания объектов будет решена в следующие десять лет» — несмотря на то что «она оказалась невероятно трудной. Возможно, это связано с тем, что мы начали с создания машинного зрения и хотели в первую очередь сделать машины видящими». Иными словами, тысячи человек, занятых сегодня на укладке и подборке, — большинство складских работников компании — уже сейчас находятся на пути к тому моменту, когда они станут ненужными. И времени у них осталось не так уж и много — всего лет десять.

Скорее всего, однако, влияние роботизации на занятость проявится намного раньше. Опять-таки ключевой фактор — это контролируемая, относительно предсказуемая среда на складе. Я думаю, в подобной обстановке даже далекий от совершенства робот станет источником существенной добавленной стоимости. Действительно, робот, надежно справляющийся с обработкой 50% — а то и меньше — единиц хранения типичного склада, обеспечил бы огромный рост производительности, если бы все его неудачи были предсказуемыми. У Amazon имеются колоссальные потоки данных, с помощью которых можно прогнозировать, с какими заданиями робот справится, а с какими, скорее всего, нет. Очевидно, что уже в момент размещения клиентом онлайнового заказа компания точно знает, какие единицы хранения в него входят, и может без труда спрогнозировать, подходит ли этот заказ для робота или его следует поручить человеку. Иными словами, Amazon может пользоваться преимуществами роботов, имеющих ограниченные возможности, просто управляя потоком работ в распределительных центрах.

Способность надежно предсказывать результат роботизированной операции и избегать ошибок — это отчетливая граница между контролируемой средой по типу складской, где появится множество роботов уже в ближайшее время, и намного более хаотическим внешним миром, где такие технологии, как полный автопилот, столкнутся с очень серьезными препятствиями. Складской робот, предсказуемо справляющийся с половиной встречающихся ему предметов, может быть очень полезным. Беспилотник на дороге общего назначения, надежно справляющийся с 99% возможных ситуаций, не просто бесполезен — он опасен, поскольку оставшийся 1% практически гарантирует катастрофу.

Ценность частично функционального робота — исполнителя заказов дополнительно повышает то обстоятельство, что продажи Amazon характеризуются распределением с длинным хвостом: львиная доля заказов клиентов приходится на относительно небольшую часть продуктов, хранящихся на складе. Робот, способный надежно захватывать и обрабатывать существенный процент этих популярных товаров, обеспечил бы наибольший выигрыш в производительности. Конечно, никакой робот не будет полностью надежным, даже если доверять ему лишь заказы, которые он, предположительно, способен исполнить. Однако неудачи будут относительно редки, и легко представить ситуацию, когда один человек надзирает за работой сразу нескольких роботов-исполнителей, вмешиваясь лишь в случае возникновения проблемы. Итак, массовая автоматизация складов едва ли будет откладываться до момента, когда роботы станут такими же ловкими, как и люди. Более вероятно ее постепенное проникновение, поэтапная эволюция, в ходе которой каждая стадия процесса может потребовать существенной реорганизации потока операций на складе.

Что происходит за пределами Amazon и как создать эффективного робота

Инициативы Amazon в области робототехники привлекают огромное внимание вследствие размера и влияния компании, но ее конкуренты в области онлайновой торговли и всевозможные традиционные розничные сети идут примерно по тому же пути. Так, продовольственные магазины в Северной Америке и Европе энергично занимаются автоматизацией распределительных центров, чтобы повысить свою эффективность и застолбить место в сфере онлайновой торговли. Отчасти их подталкивает к этому подрывное изменение, происходящее с подачи Amazon на рынке торговли продуктами питания, — это неизбежность после покупки ею сети Whole Foods в июне 2017 года.

Один из лидеров в этой области — британская компания Ocado, имеющая собственную онлайновую службу доставки продуктов, а также поставляющая свою систему автоматизации складской деятельности сетям супермаркетов всего мира. В распределительном центре компании в Андовере больше тысячи роботов движутся по рельсам, образующим приподнятую над полом решетчатую структуру наподобие гигантской шахматной доски. В ячейках под рельсами можно разместить до 250 000 ящиков — каждый с определенной товарной позицией. Роботы перемещаются по рельсам, захватывают и втягивают ящики внутрь, а затем доставляют их на станции, где сотрудники достают нужные товары и комплектуют заказы клиентов. Роботы работают автономно, взаимодействуя друг с другом и избегая столкновений благодаря мобильной сети передачи данных и периодически возвращаясь на станции подзарядки аккумуляторов. Имеются даже специализированные роботы-спасатели, которые приходят на помощь в случае сбоя в работе какого-то робота-перевозчика. Склад в Андовере может выполнять в неделю около 65 000 онлайновых заказов, составленных в совокупности из 3,5 млн товарных позиций.

Как и на складах Amazon, роботы занимаются быстрым перемещением грузов, тогда как главная задача людей в условиях подобной автоматизации — отбор и упаковка товаров, до сих пор требующие человеческой ловкости. Огромное разнообразие товарных позиций, характерное для типичного списка наименований, включающего все, от консервов до фасованных и свежих продуктов питания, — серьезная проблема для роботов. Как отмечает пишущий о технологиях журналист Джеймс Винсент, «ничто так не озадачивает робота, как сетка апельсинов». Сложность заключается в том, что «сетка может иметь неожиданную ориентацию, на ней нет очевидных мест для захвата, а если сжать ее слишком сильно, вместо апельсинов получится апельсиновый сок». Тем не менее Ocado уже экспериментирует с роботами, пытающимися преодолеть эти препятствия. Компания использует роботизированные манипуляторы с присосками для поднятия предметов с подходящей поверхностью, таких как консервные банки, а также мягкие обрезиненные манипуляторы, которые когда-нибудь смогут эффективно захватывать более хрупкие предметы.

Попытки создать по-настоящему ловкого робота стали центром внимания многих венчурных фирм Кремниевой долины. Появился ряд хорошо финансируемых стартапов с разными подходами к исследованиям и инновациям. Одним из самых заметных является компания Covariant, основанная в 2017 году, но вышедшая из тени только в начале 2020 года. Исследователи из Covariant убеждены, что «обучение с подкреплением», по сути методом проб и ошибок, — это самый эффективный путь к прогрессу. Компания заявила, что разрабатывает систему на основе мощной глубокой нейронной сети, которую называет универсальным ИИ для роботов. Предполагается, что такой ИИ сможет управлять всевозможными машинами, способными «видеть, мыслить и выполнять задачи, слишком сложные для традиционных программируемых роботов». Компания, основанная исследователями из Калифорнийского университета в Беркли и OpenAI, получила инвестиции и положительные отзывы от ряда светил в области глубокого обучения, включая лауреатов премии Тьюринга Джеффри Хинтона и Яна Лекуна, Джеффа Дина из Google и основательницу ImageNet Фей-Фей Ли. В 2019 году Covariant обошла 19 компаний в состязании, организованном швейцарским производителем промышленных роботов АВВ, где представила единственную систему, способную распознавать разнообразные объекты и манипулировать ими без участия человека. Covariant будет работать совместно с АВВ и другими ведущими компаниями над созданием интеллекта для промышленных роботов, который когда-нибудь достигнет человеческого уровня восприятия или даже превзойдет его.

Многие стартапы и университетские исследователи, занятые в этой области, считают, как и Covariant, что глубокие нейронные сети и обучение с подкреплением — лучший двигатель прогресса в создании более ловких роботов. Примечательным исключением является Vicarious, маленькая фирма — разработчик ИИ, расположенная в районе залива Сан-Франциско. Долгосрочная цель этой фирмы, основанной в 2010 году, за два года до состязания ImageNet 2012 года, благодаря которому глубокое обучение получило широкую известность, — интеллект человеческого уровня, или универсальный искусственный интеллект. Иными словами, Vicarious в определенном смысле конкурирует с более масштабными и намного лучше финансируемыми проектами DeepMind и OpenAI. Мы ближе познакомимся с путями, которые прокладывают эти две компании, и с погоней за ИИ человеческого уровня в целом в главе 5.

Одна из главных задач Vicarious — разработка приложений более гибких (или, как говорят исследователи ИИ, менее «хрупких»), чем типичные системы глубокого обучения. Подобная адаптивность — обязательное требование для любого робота, который должен взять на себя широкий круг задач, в настоящее время выполняемых людьми. Технический сооснователь Vicarious Дилип Джордж, возглавляющий в компании исследования в области ИИ, убежден, что создание роботов, способных распознавать окружающие предметы и обращаться с ними, — это принципиально важный этап на пути к универсальному интеллекту. В начале 2020 года компания сообщила, что разработка универсальных роботов для сферы логистики и производства станет ее главной бизнес-стратегией в краткосрочной перспективе.

Vicarious держит детали в тайне, но утверждает, что создала новаторскую систему машинного обучения на основе принципов функционирования человеческого мозга, которую называет рекурсивной кортикальной сетью. Компания оснастила своей системой роботов, уже запущенных в производство ее первыми клиентами, в число которых входит подразделение логистики Pitney Bowes и косметическая компания Sephora. Роботы Vicarious обладают поразительной способностью обучаться — заметно улучшать свои результаты в первые несколько часов выполнения заданий. Целью является создание роботов, возможности которых не ограничиваются умением брать предметы со складских полок или из контейнеров, то есть конструирование действительно универсальных машин, способных осуществлять такие функции, как сортировка и упаковка, заменять рабочих, подающих заготовки к станкам для обработки и принимающих готовые детали, а также выполнять мелкую конвейерную сборку. Vicarious привлекла $150 млн венчурного капитала, и ее поддерживают такие виднейшие деятели Кремниевой долины, как Илон Маск, Марк Цукерберг, Питер Тиль и, конечно, Джефф Безос.

Параллельно разработкам в области искусственного интеллекта Vicarious пытается реализовать новаторскую бизнес-модель «роботы как услуга», которая со временем, возможно, окажется подрывной в целом ряде отраслей. Вместо того чтобы изготавливать или продавать собственных роботов, Vicarious покупает промышленных роботов у таких компаний, как АВВ, интегрирует их со своим программным обеспечением и сдает в аренду компаниям примерно так же, как агентство по временному трудоустройству присылает работников. В результате компаниям-клиентам не нужны ни долгосрочная программа автоматизации, ни первоначальные капиталовложения, которые обычно ассоциируются с применением промышленных роботов. Это сразу же устраняет один из главных недостатков использования роботов: затратность покупки, установки и программирования и, как следствие, долгая окупаемость. Однако традиционные промышленные роботы лишены гибкости и адаптивности людей. При изменении процессов на фабрике или складе — что может происходить часто, иногда каждые несколько месяцев — роботов приходится перепрограммировать, что отнимает много времени и средств. Это было одним из главных факторов, мешающих более широкому применению роботов в производственной и складской деятельности. Подход «роботы как услуга» в сочетании со способностью быстро обучать роботов новым задачам ясно говорит о том, что мы приближаемся к будущему, где роботы станут такими же адаптивными, как и люди. Скорее всего, это полностью изменит ситуацию в самых разных отраслях.

Vicarious не единственная компания, осознавшая выгоды этой бизнес-модели. Аналогичный подход применяет австрийская компания Knapp, которая использует роботов, работающих на программном обеспечении разработки Covariant. В январе 2020 года руководитель Knapp Петер Пухвайн сказал The New York Times, что стратегия компании — это стремление сделать себестоимость использования роботов ниже себестоимости труда людей. Например, «если компания платит работнику $40 000 в год, Knapp оценит [робота] примерно в $30 000». «Мы просто просим меньше, — объяснил Пухвайн изданию. — В сущности, это и есть наша бизнес-модель. Для клиента это простое решение». Разумеется, к низкой цене добавляется тот факт, что роботы не берут отпуск, никогда не болеют, не опаздывают на работу и в целом не создают никаких управленческих проблем и неудобств, постоянно возникающих в отношениях компании с работниками.

Даже если роботы обретут ловкость и начнут приближаться по возможностям к человеку, скорее всего, пройдет много времени, прежде чем такие машины станут настолько доступными по цене, чтобы их можно было использовать дома в качестве бытовой техники. Однако в условиях фабрики и склада, где ситуации намного более предсказуемы, а логика прибыльности и эффективности неизбежно смещает баланс рабочих и машин, подрывное изменение, по всей видимости, произойдет намного быстрее. Как мы убедились, роботы становятся не просто более умелыми в физическом манипулировании предметами, но и более адаптивными, в связи с чем будет расти вероятность их применения даже в таких областях, как сборка электронных устройств, где принципиально важна возможность быстрого изменения производства для размещения новых продуктов. Это станет важной главой в истории превращения искусственного интеллекта в общедоступный ресурс наподобие электричества, затрагивающий практически все аспекты экономики.

В конечном счете это будет иметь существенные последствия для занятости, особенно с учетом того, что склады и распределительные центры — одно из немногих светлых пятен в смысле создания рабочих мест в последние годы, когда онлайновая торговля уничтожает традиционный розничный сектор. Наиболее серьезными могут быть последствия, если изменения наложатся на восстановление после теперешнего экономического спада. Пока коронавирус — или хотя бы неотвязный страх следующей пандемии — остается значимым фактором, роботизированное производство представляет собой привлекательное решение проблем, связанных с необходимостью социального дистанцирования и с заболеваемостью сотрудников. Мы полнее рассмотрим потенциальное влияние искусственного интеллекта и робототехники на занятость и экономику в главе 6.

Грядущая революция ИИ в традиционной розничной торговле и индустрии фастфуда

Агентство Bloomberg опубликовало 3 декабря 2019 года статью под названием «Роботы во втором проходе» (Robots in Aisle Two), посвященную проникновению искусственного интеллекта, роботизации и автоматизации в американские традиционные розничные магазины. В статье, написанной бизнес-репортером Мэтью Бойлом, отмечалось, что ведущие продовольственные сети особенно заинтересованы в освоении новых технологий, в которых они видят средство защиты от прихода на этот рынок компании Amazon. Скучная сфера торговли продовольственными товарами, где последней крупной инновацией стало внедрение сканеров для штрихкодов в конце 1970-х годов, спешно бросилась экспериментировать с новыми технологиями на основе ИИ, в частности с «роботами для сканирования полок, программным обеспечением для динамического ценообразования, умными тележками, системами мобильных касс и автоматизированными мини-складами в подсобных помещениях».

Вместе с тем в статье цитировалось очень сдержанное высказывание одного из инсайдеров сферы розничной торговли. «Вы нескоро увидите роботов в сети Target, — сказал ее гендиректор. — Участие человека по-прежнему очень важно». Примерно за два дня до появления этой статьи на сайте Bloomberg в китайском Ухане был зафиксирован первый случай заболевания COVID-19. В следующие несколько месяцев все наши соображения, связанные с воспринимаемой ценностью «участия человека», были обнулены и пересмотрены. Не приходится сомневаться, что практически в любой среде, где работники непосредственно контактируют с потоком клиентов, коронакризис должен существенно ускорить движение к автоматизации. Это верно не только из-за проблем с социальным дистанцированием и гигиеной, но и вследствие неизбежного увеличения фокуса на эффективность после экономического спада, вызванного вирусом. Скорее всего, даже когда текущий кризис уйдет в историю — а это произойдет не ранее чем появится общедоступная эффективная вакцина или лечение, — зародившаяся тенденция окажется необратимой.

Ретейлеры разного масштаба, от местных продуктовых магазинов до национальных и региональных сетей, энергично движутся к использованию роботов, способных решать специализированные задачи. Например, Brain Corporation, производитель автономных роботов для мытья полов, резко увеличила продажи после того, как спровоцированный коронавирусом кризис создал потребность в тщательной уборке магазинов каждую ночь. Walmart планировала разместить такие машины более чем в 1800 своих магазинов в США к концу 2020 года. Розничный гигант также использует сортировочные машины, помогающие распределять поступающие товары по отделам по мере разгрузки грузовиков. Ретейлеры вкладывают деньги в роботов для контроля запасов на полках магазинов. К лету 2020 года Walmart планировала оснастить по меньшей мере тысячу своих магазинов машинами высотой 2 м с 15 камерами для самостоятельного инспектирования полок и считывания штрихкодов. Данные, собранные роботами, передаются алгоритмам, которые следят за товарными запасами и сразу сообщают работникам о необходимости пополнить их. Анализ выявил прямую связь между отсутствием товаров на полках и снижением продаж магазина, поэтому появление роботов-учетчиков сразу же повышает прибыльность и одновременно удовлетворенность клиентов посещением магазина. Алгоритмы машинного обучения используются для управления всем, от товарных запасов до выбора товаров и размещения конкретных позиций в магазине. Благодаря этим мерам традиционные ретейлеры начинают пользоваться преимуществами искусственного интеллекта того же типа, который Amazon столь эффективно применяет в своей онлайновой торговле.

Одной из самых актуальных тенденций сегодня является создание так называемых мини-центров исполнения заказов в подсобных помещениях традиционных продуктовых магазинов. Такие центры организуются рядом стартапов, включая Takeoff Technologies и израильский Fabric, которые автоматизируют процессы приема и исполнения заказов во многом точно так же, как это делается в значительно более крупных распределительных центрах. Мини-центры помогают продуктовым магазинам эффективно осуществлять доставку онлайновых заказов, они способны обрабатывать до 4000 заказов в неделю. Благодаря тому, что онлайновые операции отделены от работы основного магазина, эта технология позволяет универсамам не отправлять работников за товарами в торговый зал, где может скапливаться много людей, и не затрагивать запасы товаров в зонах обслуживания покупателей, которые и без того быстро снижаются во времена спровоцированного коронавирусом ажиотажного спроса. Хотя мини-центрам недоступен эффект масштаба, обеспечивающий ценовое преимущество более крупным складам, первоначальные капиталовложения и трудоемкость их организации заметно сокращаются, что является важным плюсом для мелких сетей и независимых магазинов.

В общем, роботы, используемые в сфере розничной торговли, обладают теми же достоинствами и недостатками, что и работающие на складах или фабриках. Машины эффективно переносят и сортируют материалы в подсобных помещениях магазина, перемещаются по проходам между стеллажами, моют полы и считывают штрихкоды. Чего они в настоящее время не могут делать — заполнять товарами полки. Фундаментальное ограничение, мешающее революции роботизации идти вширь, почти всегда проблема ловкости. Роботы пока не умеют брать с полок на складе предметы, отличающиеся огромным разнообразием; не способны они и решить еще более сложную задачу размещения товаров на полках розничных магазинов. Эта ситуация неизбежно изменится с появлением по-настоящему ловких роботов.

Важно также отметить, что меняется бизнес-модель розницы. Большинство традиционных магазинов испытывают сильное давление со стороны Amazon и других онлайновых ретейлеров, и, по всей видимости, продажи продолжат постепенно перетекать из традиционной среды розничной торговли в гигантские и все более автоматизированные распределительные центры, управляемые поставщиками услуг электронной торговли. Даже в секторе продовольственных товаров онлайновые заказы и доставка становятся все более популярными, а когда почти всем пришлось сидеть дома в разгар коронакризиса, их объемы резко увеличились. Время покажет, является ли это изменение предпочтений покупателей постоянным, но похоже, что, как только потребители привыкнут к удобству доставки продуктов питания прямо к двери, трансформация закрепится. Это может привести к общей перестройке розничных продовольственных магазинов: автоматизированные операции в их подсобных помещениях станут более важными, а торговые залы и товарные запасы в них постепенно сократятся. Со временем мы можем стать свидетелями появления продовольственных магазинов, представляющих собой, в сущности, склады, предлагающие почти мгновенную доставку или комплектацию заказа. Возможно, в них будут маленькие зоны, где покупатели смогут посмотреть на товары, прежде чем сделать заказ через терминал или мобильное устройство.

Для развития одной особенно важной тенденции в автоматизации розничной торговли не требуются ловкие роботы да и вообще какие-либо движущихся части. В совершенно новой модели ретейла — бескассовом магазине — покупатели проходят вдоль стеллажей, берут с полок товары и просто уходят: ни очереди в кассу, ни кассира или хотя бы очевидного механизма оплаты. Эта концепция родилась с появлением магазинов Amazon Go в 2018 году. Чтобы попасть в магазин площадью порядка 200 квадратных метров, покупатели сначала активируют приложение в своем смартфоне, затем сканируют его, проходя через турникет наподобие тех, что стоят на станциях метро. В магазине они просто забирают товары с полок и сразу кладут в свою сумку. Возможность этого обеспечивает сочетание датчиков и видеокамер, размещенных группами на потолке по всему магазину. Подробности Amazon не раскрывает, но известно, что камеры могут безошибочно отслеживать, какие продукты взяты с полок, после чего данные обрабатываются системами глубокого обучения с функцией распознавания образов, которые надежно фиксируют покупки каждого клиента по мере того, как он идет между стеллажами и отбирает товары.

Технология несовершенна и порой случаются недостачи, однако намеренно обмануть систему невероятно трудно. Например, клиенты могут взять товар, снова поставить его на полку, в том числе в другом месте, затем взять снова, и покупка будет корректно учтена. Попытки похитить (скажем, заслонить товар перед тем, как снять его с полки, или быстро сунуть в карман, а не в сумку для покупок) редко оказываются успешными. Когда покупатель выходит из магазина через турникет, стоимость покупок автоматически списывается с его счета в Amazon.

Amazon открыла магазины Go в 26 точках крупнейших городов США и, согласно одному отчету, предполагает со временем открыть в Соединенных Штатах до 3000 магазинов. В феврале 2020 года компания объявила о начале работы первого полноценного бескассового гастронома. В супермаркете площадью без малого 1000 квадратных метров в пригороде Сиэтла Кэпитол-Хилл продается около 5000 наименований товаров. Хотя Amazon, как обычно, является крупнейшим игроком, в гонке за вывод этой технологии на рынок участвует и несколько стартапов. Например, Accel Robotics в декабре 2019 года получила венчурный капитал в размере $30 млн на разработку своей технологии grab and go. Другие стартапы, в том числе Trigo, Standard Cognition и Grabango, получили от инвесторов каждая минимум $10 млн. По сообщениям, Amazon продает лицензию на свою технологию другим ретейлерам. Иными словами, скоро возникнет оживленный и высококонкурентный рынок технологий управления магазинами без кассовых аппаратов. С учетом этого высоки шансы перехода многих ныне действующих ретейлеров на новую модель.

Если бескассовые магазины станут популярными, то в сфере розничной торговли может произойти масштабное подрывное изменение, которое поставит под удар рабочие места более чем 3,5 млн кассиров в одних только Соединенных Штатах. Эти магазины не только делают процесс покупок более удобным и экономят время, которое прежде тратилось на очереди в кассу, но и прекрасно вписываются в будущее, сформированное пандемией коронавируса, поскольку обеспечивают абсолютно бесконтактную оплату, когда не нужно даже приближаться к какому-либо работнику. Как ни парадоксально, с началом пандемии Amazon временно закрыла большую часть своих магазинов Go, возможно, из-за их популярности и, как следствие, длинных очередей покупателей. Однако в долгосрочной перспективе эта технология представляется идеальной в мире, где социальное дистанцирование, по крайней мере временно, ставится во главу угла.

Другой сектор, где я ожидаю существенной роботизации и автоматизации в сравнительно близком будущем, — отрасль быстрого питания. Например, McDonald’s уже сделала шаг в этом направлении, установив в своих ресторанах во всем мире терминалы самообслуживания с сенсорными экранами. По имеющимся данным, в 2019 году компания потратила на эти аппараты почти миллиард долларов и собирается установить их практически во всех своих точках в США. Терминалы самообслуживания уже привычны и в европейских ресторанах McDonald’s.

Приготовление пищи в подсобных помещениях ресторанов также, вероятно, будет автоматизироваться в ближайшее время. Этот процесс уже в значительной мере разбит на ряд рутинных действий. Такой подход объясняется отраслевой стратегией по сохранению низкой оплаты труда и приспособлению к высокой текучести кадров, достигавшей в 2019 году 150%. Вследствие механического характера этих работ чрезвычайно вероятно, что их исполнители постепенно будут заменяться автоматами.

Одним из самых успешных примеров этого является Creator, Inc. из Сан-Франциско. Сложный, эстетично оформленный робот в первом ресторане компании, открывшемся в районе Саут-оф-Маркет, способен выдавать по безупречному гамбургеру каждые 30 секунд. Клиенты заказывают гамбургеры через мобильное приложение, и робот выполняет заказы с начала и до конца, при этом ни один человек не прикасается к пище. Машина еще и обеспечивает приятные мелочи, которые найдешь не в каждом шикарном ресторане, где работают повара-люди. Для каждого бургера готовится свежий фарш и трется сыр, режутся булочки и измельчаются овощи. Creator продает свои бургеры по $6 — примерно в два раза дешевле, чем пришлось бы заплатить за такое же качество в других ресторанах. Цель компании не производство дешевых гамбургеров руками робота, а снижение затрат на рабочую силу для того, чтобы больше вложить в качество блюда. Около 40% стоимости продукции Creator приходится на продукты, тогда как в типичном ресторане эта доля может составлять 30%.

Оказывается, сконструировать и произвести машину для полностью автоматического изготовления первоклассного гамбургера — нетривиальная задача. Creator была основана в 2012 году, и я писал об этой компании, которая тогда называлась Momentum Machines, в своей книге «Роботы наступают». Потребовалось больше шести лет работы над аппаратной и программной частями, прежде чем удалось отправить робота в производство и в июне 2018 года открыть ресторан в Сан-Франциско. Теперь же эта компания, получавшая финансирование от Google Ventures и других ведущих венчурных фондов из Кремниевой долины, готова быстро внедрять свою технологию и, может быть, продавать на нее лицензии другим ресторанам.

Скорее всего, по пути Creator, создающей автоматы для производства шедевральных гамбургеров, скоро пойдут другие стартапы, которые будут специализироваться на роботах для выпуска дешевых стандартизированных бургеров. Думаю, со временем крупнейшие сети фастфуда, как и мелкие рестораны, неизбежно начнут внедрять эти технологии. Как только крупнейший участник рынка сделает это и сумеет заработать, законы конкуренции практически гарантируют всеобщую автоматизацию.

Процесс не ограничится гамбургерами. Предприниматели найдут возможности использовать роботов для приготовления любых блюд, от пиццы до тако и вашего любимого кофе. Разумеется, устоявшееся мнение, что в этой отрасли клиенты предпочитают иметь дело с сотрудниками, а не с роботами, легко может превратиться в свою противоположность из-за коронакризиса. Машина, способная сделать готовое блюдо при полном отсутствии контакта с человеком, неожиданно может стать существенным рыночным преимуществом. Сейчас, когда я это пишу, многие рестораны мира ограничили обслуживание торговлей навынос. Если при продолжении кризиса предпочтения клиентов изменятся в пользу еды навынос, это еще сильнее подорвет преимущества, обеспечиваемые контактом с человеком, и, вполне вероятно, ускорит переход к автоматизации фастфуда.

Искусственный интеллект в сфере здравоохранения

В течение полувека, с 1970 по 2019 год, расходы Соединенных Штатов на здравоохранение, выраженные в виде доли ВВП, выросли в два с лишним раза, примерно с 7 до почти 18%. Темпы роста затрат на эту сферу в других развитых странах не так высоки, и суммы, расходуемые в настоящее время, меньше, чем в США, но общая картина аналогична. В таких странах, как Германия, Швейцария и Великобритания, расходы в виде доли ВВП по меньшей мере удвоились за тот же период. Главной движущей силой этой общемировой тенденции является так называемая болезнь издержек, или эффект Баумоля, — явление, изученное экономистами Уильямом Баумолем и Уильямом Боуэном, которые описали его в своей книге о болезни издержек в сфере сценических видов искусства, вышедшей в 1966 году.

Суть болезни издержек состоит в том, что некоторые отрасли экономики, прежде всего здравоохранение и высшее образование, требуют нестандартного и немасштабируемого труда высококвалифицированных работников, вследствие чего в них нет роста производительности, наблюдающегося в экономике в целом. Например, благодаря непрерывному процессу автоматизации в производстве выработка отдельно взятого рабочего невероятно выросла. То же самое наблюдается в таких сферах, как розничная торговля и быстрое питание, где внедрение новых технологий, более эффективная организация рабочего пространства, совершенствование методов управления и бизнес-моделей — включая появление супермаркетов и онлайновой торговли — также сильно повысили производительность труда. Однако в здравоохранении пациентам по-прежнему требуется индивидуальный подход со стороны врачей, медсестер и других квалифицированных профессионалов. Бесспорно, новые знания и технологии повысили качество медицинского обслуживания и значительно увеличили успешность лечения, но до сих пор не увеличили производительность работников сферы здравоохранения, как это произошло с промышленными рабочими. Тем не менее уровень оплаты труда в сфере медицинского обслуживания должен расти, чтобы не отстать от роста зарплат работников более продуктивных отраслей. В противном случае врачи и медсестры будут уходить из профессии ради более привлекательных вариантов занятости (или вообще в нее не придут). В результате доля расходов на здравоохранение в экономике неуклонно растет.

Одна из самых заманчивых перспектив и сложнейших задач искусственного интеллекта — его превращение в средство от болезни издержек. Окажется ли искусственный интеллект технологией, которая в конце концов переломит кривую роста затрат на здравоохранение, обеспечив повышение производительности труда в этой сфере? Пока этого не произошло, но, безусловно, имеются веские основания ожидать существенного эффекта от внедрения ИИ в долгосрочной перспективе.

Роботы уже добились значительных успехов в больницах, но на них распространяются те же принципиальные ограничения, которые мы видели в складском хозяйстве и розничных магазинах. Например, быстро растет популярность роботов-дезинфекторов. Эти машины могут создавать виртуальную карту пространства больницы и автономно перемещаться по нему, обрабатывая поверхности мощным ультрафиолетовым излучением. В отличие от человека, робот не пропустит ни одного уголка. Ультрафиолет быстро разрушает РНК и ДНК вирусов и бактерий, и примерно за 15 минут комната среднего размера оказывается полностью продезинфицированной. Эта процедура оказалась существенно более эффективной, чем применение жидких дезинфицирующих средств, особенно после появления у самых опасных «супербактерий» устойчивости к этим химическим веществам. В первые три месяца пандемии коронавируса спрос на роботов-дезинфекторов одного из производителей, Xenex из Сан-Антонио, вырос на 400%.

Другие роботы автономно перемещаются по больничным коридорам и лифтам, развозя лекарства, постельное белье и медицинские принадлежности. Роботы самостоятельно перевозят тяжелые грузы и периодически возвращаются на станции зарядки аккумуляторов. Аналогично многочисленные фармацевтические роботы, которые с неизменной точностью готовят и смешивают препараты в соответствии с тысячами рецептов, повысили эффективность и снизили число ошибок в дозировке лекарств в крупных больницах. Машины работают в полностью автоматическом режиме: с того момента, когда лечащий врач вводит рецепт в компьютерную систему больницы, ни один человек не прикасается к лекарствам до тех пор, пока робот их не упакует и не снабдит штрихкодом для отслеживания. Система также следит за запасом медикаментов и ежедневно автоматически генерирует заказы для его пополнения.

Это важные достижение, но опять-таки они ограничены самыми рутинными сторонами работы, которая должна выполняться в медицинских учреждениях. Никакой робот не способен заменить докторов и медсестер при выполнении медицинских процедур, требующих высокой квалификации. Хирургические роботы, такие как система da Vinci, ставшие очень популярными, увеличивают возможности хирургов, но они неавтономны. Врач, который в ином случае выполнял бы операцию своими руками, теперь управляет роботом. Возможно, пациенту результат нравится больше, но резкого сокращения времени работы хирурга и бригады ассистентов не произошло. Манипуляции, выполняемые врачами и медсестрами, невероятно трудны для искусственного интеллекта, потому что требуют высочайшей ловкости в сочетании с навыками решения проблем и межличностного взаимодействия, а также способности действовать в непредсказуемой обстановке, где каждая ситуация и каждый пациент уникальны. Что касается роботов для терапевтической помощи, то влияние эффекта масштаба на производительность, наблюдаемое на фабриках и складах, представляется делом далекого будущего. Для его достижения потребуется не только невероятное увеличение ловкости роботов, но и, весьма вероятно, универсальный ИИ или нечто очень к нему близкое.

С учетом ограничений «железных» роботов похоже, что существенное влияние ИИ на здравоохранение в ближайшее время будет достигнуто в области задач, для выполнения которых не нужны движущиеся части. Иными словами, искусственный интеллект проявит себя в обработке информации и таких сугубо интеллектуальных видах деятельности, как диагностика или составление планов лечения. Расшифровка медицинских снимков с использованием машинного зрения особенно многообещающая область. Ряд исследований показал, что системы глубокого обучения во многих случаях способны сравняться с рентгенологами или превосходить их. Например, в исследовании, обнародованном группой ученых из Google и нескольких медицинских школ в 2019 году, система глубокого обучения проявила себя лучше, чем рентгенологи, в диагностике рака легких по КТ-снимкам. Система Google была точна в 94,4% случаев, «превзошла всех шестерых рентгенологов» в тех случаях, когда отсутствовали результаты предыдущего КТ-сканирования пациента, и «была наравне с теми же рентгенологами», если имелась возможность сравнивать результаты свежего сканирования с предшествующим исследованием.

Рентгенологические системы на основе ИИ использовались в экстренном порядке в некоторых случаях, когда возникала опасность перегрузки больниц из-за пандемии коронавируса. На пике дефицита тестов для выявления COVID-19 рентгенограмма грудной клетки, выявляющая симптомы пневмонии, стала важным альтернативным методом диагностики. В некоторых больницах накапливались необработанные снимки, с потоком которых рентгенологи просто не справлялись, что на шесть и более часов задерживало постановку диагноза. Для решения этой проблемы два производителя диагностических инструментов на основе ИИ, Qure.ai из Мумбаи и корейская компания Lunit, быстро перенастроили свои системы на выявление коронавируса. Одно исследование обнаружило, что система Qure.ai с точностью 95% отличала COVID-19 от других причин пневмонии.

Подобные результаты порождают энтузиазм, который порой выливается в хайп. Даже некоторые эксперты по глубокому обучению считают почти данностью, что в относительно близком будущем системы ИИ полностью заменят рентгенологов. Лауреат премии Тьюринга Джеффри Хинтон, пожалуй самый видный пропагандист глубокого обучения, в 2016 году сказал, что «теперь мы можем перестать учить рентгенологов», поскольку «в течение пяти лет глубокое обучение будет показывать лучшие результаты, чем люди». Хинтон сравнил врачей с Хитрым Койотом, персонажем мультфильма «Дорожный бегун», который, как известно, часто оказывается «уже за краем обрыва» и лишь потом смотрит вниз и падает в бездну. Однако через четыре года после заявления Хинтона нет никаких свидетельств нависшей над рентгенологами угрозы безработицы. Практикующие специалисты энергично оспаривают утверждение, будто их профессия скоро исчезнет. В сентябре 2019 года Алекс Братт, врач с факультета рентгенологии Стэнфордской медицинской школы, опубликовал комментарий под названием «Почему рентгенологам незачем бояться глубокого обучения» с доказательствами того, что системы анализа рентгеновских снимков на основе глубокого обучения не обладают гибкостью и целостным мышлением и их применимость в общем ограничена простыми случаями. По его словам, системы ИИ не способны объединять информацию из «истории болезни, результатов анализов, предыдущих снимков» и тому подобного. Таким образом, эта технология пока что работает прекрасно лишь в «случаях, которые можно надежно выявить на основании лишь одного снимка (или нескольких последовательных снимков), не обращаясь к клинической информации или предшествующим обследованиям». Я подозреваю, что Джефф Хинтон заявил бы на это, что такие ограничения неизбежно будут преодолены, и очень вероятно, что в долгосрочной перспективе он окажется прав, но, на мой взгляд, мы увидим постепенный процесс, а не резкое подрывное изменение.

Картина дополняется множеством других серьезных препятствий, из-за которых очень трудно в обозримом будущем оставить без работы рентгенологов или медиков любых других специальностей. Практически все аспекты здравоохранения зарегулированы подчас многочисленными инстанциями с пересекающимися полномочиями. Совершенно вывести из игры лицензированных врачей будет очень непросто. Авторитет таких организаций, как Американская медицинская ассоциация, дает докторам намного больше власти над собственной судьбой, чем большинству других работников. Существуют также важные вопросы юридической ответственности. Ошибка с плохими последствиями для пациента легко может обернуться судебным преследованием. Пока эта ответственность распределена между тысячами врачей. Если работу будет выполнять не врач, а устройство или алгоритм, разработанный и поставленный заказчику богатой корпорацией, это приведет к концентрации ответственности и может спровоцировать поток судебных исков. Все эти препятствия, наверное, будут преодолены в перспективе, но в обозримом будущем, на мой взгляд, вопрос состоит не в том, заменит ли ИИ рентгенологов, а в том, сможет ли он существенно повысить производительность их труда. Если глубокое обучение позволит рентгенологам анализировать существенно больше снимков за определенный период времени, а также моментально обеспечит их вторым квалифицированным мнением, сводящим ошибки к минимуму, это расширит возможности каждого доктора и сможет со временем заставить студентов-медиков выбирать другую специальность, реагируя на естественный рыночный спрос.

Конечно, визуальные образы не единственный вид информации, поддающийся обработке с помощью алгоритмов глубокого обучения. Переход к электронным медицинским картам создал огромный источник данных, во многих отношениях идеально подходящий для применения искусственного интеллекта. Задействование этого источника для повышения эффективности, сокращения затрат и улучшения результатов лечения пациентов, пожалуй, самый многообещающий вариант использования ИИ в здравоохранении в ближайшем будущем. По некоторым данным, врачебные ошибки — третья по распространенности причина смерти в Соединенных Штатах, уступающая только онкологическим и сердечным заболеваниям. До 440 000 американцев умирают ежегодно вследствие ошибок, которые можно было предотвратить. Особенно часты случаи назначения неправильного лекарства или неверной дозы.

В исследовании 2019 года ИИ-приложению израильского стартапа MedAware предоставили данные о почти 750 000 взаимодействий с пациентами бостонской клиники Brigham and Women’s Hospital в 2012 и 2013 годах. Оно выявило почти 11 000 ошибок. Анализ результатов показал, что программа MedAware в 92% случаев верно обнаруживала допустимые ошибки, почти 80% выданных ею предупреждений стали источником ценной клинической информации, и больше двух третей этих ошибок не были бы обнаружены существующими системами клиники. Исследование показало, что в дополнение к улучшению результатов лечения пациентов — а может быть, и спасению жизней — клиника сэкономила бы около $1,3 млн затраченных на устранение ошибок.

Один из самых известных случаев применения ИИ для обработки данных о пациентах произошел в 2016 году, когда DeepMind заключила пятилетнее соглашение об обмене данными с Национальной службой здравоохранения Великобритании (NHS). NHS предоставила DeepMind доступ к информации более чем о миллионе пациентов. К числу разработанных компанией пилотных приложений относилась система, способная анализировать медицинские карты и результаты анализов и немедленно уведомлять сотрудников NHS об угрозе острой почечной недостаточности, а также система на основе ИИ, способная диагностировать болезни глаз на основании медицинских снимков порою точнее, чем врачи. Несмотря на многообещающий прогресс, соглашение вызвало полемику в 2019 году, когда программа была передана Google, материнской компании DeepMind. Сразу же возникли опасения, что технологический гигант получит доступ к данным NHS о пациентах, хотя Google и сообщила о введении строгой политики конфиденциальности и тщательной анонимизации данных. Это очередная иллюстрация того, как факторы, помимо возможностей технологии — в данном случае кажущаяся угроза персональным данным, — могут существенно замедлить внедрение искусственного интеллекта в сфере здравоохранения.

Наиболее поразительны примеры успешного применения искусственного интеллекта в области психического здоровья. Стартап Woebot Labs из Кремниевой долины, основанный в 2017 году, создал чат-бот на основе технологии обработки естественного языка, аналогичной той, что используется в Alexa и Siri, дополнив ее элементами диалога, которые были тщательно подобраны психологами. По сути, идея Woebot состоит в автоматизации когнитивно-поведенческой терапии — проверенного метода помощи людям, страдающим от депрессии и тревоги. В течение недели после вывода чат-бота на рынок с ним поговорили больше 50 000 человек. Как отмечает основательница и генеральный директор стартапа Элисон Дарси, «Woebot доступен даже в два часа ночи в случае панической атаки, когда рядом нет, да и не может быть, психотерапевта». Действительно, круглосуточная доступность чат-бота, в настоящее время бесплатного, совершенно новое явление в психотерапии, и это приложение удовлетворяет важнейшую потребность. Возможность получения профессиональной психологической помощи ограничена даже у многих работающих американцев, имеющих медицинскую страховку. Ситуация во многих развивающихся странах с низким уровнем медобслуживания значительно хуже. Там, где властям сложно обеспечить население хотя бы элементарной медицинской помощью, услуги квалифицированных психиатров и психологов практически недоступны большинству. Woebot регулярно общается с жителями более 130 стран, многие из которых взаимодействуют с этой службой, реализованной только на английском языке, через автоматизированного переводчика на основе ИИ. В мире, где все более очевидным становится кризис в области психического здоровья, который, по всей видимости, значительно усилится из-за стресса и тревоги, связанных с пандемией коронавируса, подобные инструменты — единственное доступное решение проблемы для многих людей. Я усматриваю определенную иронию в том, что именно та область здравоохранения, которую мы привыкли считать наиболее «человеческой» по своей природе, первой выиграла от масштабируемого роста производительности, обеспеченного ИИ, который когда-нибудь, как мы надеемся, преобразует всю эту сферу.

Возможно, самым важным прорывом в области искусственного интеллекта медицинского назначения в обозримом будущем станет появление всеобъемлющей надежной системы общей диагностики и лечения, своего рода «врача из коробки». Ее задача — не заменить докторов, а дополнить их, фактически обеспечив общедоступность навыков и опыта лучших терапевтов. Легко представить будущее, в котором мощная диагностическая ИИ-система радикально повышает производительность труда врачей, а также создает условия, когда даже неопытный или посредственный терапевт ведет прием пациентов как будто при участии виртуальной команды элитных специалистов, постоянно наблюдающей за его работой и консультирующей его.

Безусловно, нам до этого пока далеко, но один из первых шагов на этом пути очень поучителен. Сразу после триумфа Watson в телеигре Jeopardy! в феврале 2011 года IBM стала энергично переориентировать эту технологию на использование в медицине и других областях и создала на основе Watson новое направление деятельности стоимостью миллиард долларов. В представлении компании система Watson должна была накапливать знания из множества разнообразных источников, включая учебники, медицинские карты, результаты диагностических и генетических тестов, научные статьи, и затем использовать сверхчеловеческую способность к выявлению взаимосвязей, превосходя даже самых одаренных экспертов. IBM надеялась, что это принесет ощутимую пользу в приложениях для разработки персонализированных планов лечения сложных заболеваний, в частности онкологических. Несмотря на невероятный хайп и восторженные публикации в СМИ, расписывающие, как Watson «идет в медицинскую школу» и готовится «взяться за рак», словно это подготовка к очередному выпуску Jeopardy!, результаты, по крайней мере на данный момент, оказались неутешительными. В 2017 году Онкологический центр Андерсона при Техасском университете, один из самых разрекламированных партнеров IBM из сферы здравоохранения, прервал работу с Watson, поскольку не получил от этой технологии реальной пользы. Тем не менее IBM продолжает верить в эту идею и вкладывать в нее деньги, как и растущее число других компаний, стартапов и гигантов вроде Google. Конкуренция останется острой, поскольку рентабельность инвестиций, которые позволят создать по-настоящему успешную технологию, обещает быть колоссальной. Я считаю успех неизбежным, но для этого потребуются ИИ-технологии, выходящие за рамки нынешнего применения глубокого обучения, иными словами — прорывы в создании универсального искусственного интеллекта. Мы рассмотрим новейшие достижения в этой сфере в главе 5.

В случае появления подлинно эффективной и надежной системы могут потребоваться медики новой категории. Возможно, это будут бакалавры или магистры со специальной подготовкой в области взаимодействия пациентов с медицинской ИИ-системой, одобренной и должным образом регулируемой. Эти сотрудники с более низкими зарплатами не заменят врачей, а будут работать под их контролем и заниматься типичными случаями. Например, большинство семейных врачей в Соединенных Штатах имеют дело с потоком пациентов с одними и теми же хроническими нарушениями, прежде всего ожирением, высоким кровяным давлением и диабетом. Новая категория практикующих врачей, работающих с искусственным интеллектом, может в значительной мере снять с них нагрузку, а также расширить географический охват. Во многих сельских районах США уже сейчас не хватает врачей, и ситуация будет лишь усугубляться по мере старения населения. Чтобы решить эти проблемы и со временем достичь роста производительности труда, который наконец покончит с болезнью издержек в здравоохранении, нам следует значительно расширить использование машинного интеллекта в области медицины. Думаю, другого выбора у нас практически нет.

Беспилотные легковые и грузовые машины: затянувшееся ожидание

Обещание Илона Маска вывести к концу 2020 года на дороги миллион роботизированных такси лишь один из самых свежих примеров преувеличенных ожиданий. Наверное, вследствие значимости автомобиля для нашего образа жизни, особенно в Соединенных Штатах, никакое другое применение искусственного интеллекта не вызвало столько хайпа и чрезмерного энтузиазма, как создание беспилотника. После состязаний Grand Challenges Управления перспективных исследовательских проектов Министерства обороны США (DARPA) в 2004 и 2005 годах эта технология достигла ошеломляющего прогресса, одновременно с завидной регулярностью обманывая гипертрофированные ожидания. В 2015 году самые авторитетные отраслевые специалисты предсказывали, что беспилотные транспортные средства выйдут на наши дороги в течение пяти лет. Получили известность рассуждения Криса Урмсона, одного из первопроходцев в этой области, в прошлом технического директора Waymo, дочерней компании Google, занимающейся беспилотниками, в настоящее время гендиректора и основателя стартапа Aurora по разработке беспилотной технологии, о том, что его сыну, которому в то время было 11 лет, не придется сдавать экзамены на водительские права в 16. Крупнейшие автопроизводители, включая Toyota и Nissan, также обещали создать беспилотные автомобили к 2020 году. Все эти прогнозы так и не сбылись. Урмсон с прежней уверенностью поделился в 2019 году ожиданиями, что по меньшей мере «сотни» беспилотных транспортных средств начнут курсировать по дорогам общего пользования в течение пяти лет, а за десять лет появится 10 000 таких машин, а может и больше. На мой взгляд, даже эти предположения слишком оптимистичны. Я бы сказал, существует реальная опасность того, что мы еще долгое время будем ожидать появления беспилотных автомобилей через пять лет.

В действительности задача рутинного передвижения беспилотников как по шоссе, так и в городской среде — иными словами, в ситуациях, развивающихся более или менее ожидаемым образом, — по большей части решена. Если бы дороги общего пользования сколько-нибудь походили на склад Amazon в отношении предсказуемости обстановки, машины с автопилотом уже могли бы широко эксплуатироваться.

Проблему, разумеется, представляют так называемые пограничные случаи, практически бесконечное число необычных взаимодействий и ситуаций, которые самоуправляемой машине трудно или невозможно с точностью спрогнозировать или, зачастую, верно интерпретировать. Большинство проектов создания полного автопилота основываются на высокоточном картировании улиц, по которым движется автомобиль. В результате неожиданные перекрытия улиц, ремонтные работы или дорожно-транспортные происшествия могут создать проблему. Ненастная погода, особенно сильный дождь или снег, также служит серьезной помехой. Однако самой трудной задачей является обеспечение безопасного взаимодействия с экосистемой, полной пешеходов и водителей двух- и четырехколесных транспортных средств, ведущих себя непредсказуемо. В таких городах, как Сан-Франциско, нередко встречаются беспечные или пьяные пешеходы. Даже внимательные люди часто действуют так, что их поведение трудно интерпретировать: осторожничают при переходе улицы в одних местах и действуют неосмотрительно — в других. В густонаселенных районах координация между водителями и пешеходами во многом опирается на социальное взаимодействие, понимание или воспроизведение которого может оказаться очень сложной задачей для самоуправляемых автомобилей. Связь, установленная посредством зрительного контакта, взмах руки, остановка посередине улицы с целью убедиться, что водитель уступает дорогу, и множество других тонких поведенческих проявлений составляют своего рода бессловесный язык, каким-то образом понимаемый практически каждым участником дорожного движения. Я допускаю, что овладение взаимодействиями такого рода может попросту выходить за рамки возможностей сегодняшних систем глубокого обучения. Иными словами, для подлинно беспилотных автомобилей может потребоваться технология намного больше приближенная к универсальному машинному интеллекту, и ждать этого придется долго.

По мнению многих аналитиков, с учетом трудностей, с которыми сталкиваются беспилотные автомобили в условиях города, первыми по-настоящему функциональными беспилотниками на наших дорогах станут дальнемагистральные грузовики. В конце концов, езда по автомагистралям является задачей по большей части уже решенной такими системами, как автопилот Tesla. Однако, хотя вероятность возникновения непредсказуемого события на автомагистрали ниже, чем на оживленном городском перекрестке, последствия ошибки значительно усугубляются высокими скоростями движения и тем, что транспортным средством в данном случае является полностью загруженный автофургон, обладающий большой кинетической энергией. Опять же, вопреки преувеличениям Илона Маска, автопилот Tesla не сертифицирован для использования без внимательного водителя за баранкой. Поэтому я считаю, что пройдет еще немало времени, прежде чем беспилотные грузовики станут обычным делом на скоростных шоссе общего пользования.

Я полагаю, что трудности, с которыми столкнулась одна маленькая компания, могут пролить свет на положение дел во всей этой отрасли. В начале 2017 года мне предложили посетить стартап Starsky Robotics из Сан-Франциско. Как объяснил гендиректор и сооснователь Стефан Зельц-Аксмахер, целью компании было создание системы, обеспечивающей беспилотное движение по автомагистралям на дальние расстояния, но под дистанционным контролем людей. В конечной точке маршрута или при возникновении какой-нибудь более сложной ситуации машиной должен был управлять удаленный оператор — чаще всего переученный водитель грузовика — с помощью консоли вроде тех, что используются в видеоиграх. Зельц-Аксмахер выразил уверенность, что компания уже в ближайшие годы выведет на американские дороги полностью беспилотные грузовики. Хотя команда Starsky и продемонстрированная технология произвели на меня глубокое впечатление, я сильно сомневался, что они достигнут этой цели, особенно с учетом нормативных препон, которые предстояло преодолеть. Однако Зельц-Аксмахер и его команда превзошли мои ожидания: в 2018 году компания успешно испытала беспилотный грузовик на закрытой дороге, а в 2019 году стала первым разработчиком, протестировавшим полностью беспилотный грузовик (без страхующего водителя в кабине) на шоссе общего пользования.

Starsky также внедрила инновационную бизнес-модель. Вместо прямой конкуренции с растущим числом хорошо финансируемых стартапов, надеющихся разработать и лицензировать беспилотную технологию, Starsky решила войти непосредственно в отрасль автомобильных грузоперевозок и использовать свои системы для получения конкурентного преимущества. Руководство компании считало, что только при полной интеграции разработки беспилотной технологии с текущей деятельностью автотранспортной компании и гибком применении новой системы там, где это разумно, можно достичь успеха в ближайшем будущем.

К сожалению, инвесторы прохладно отнеслись к этой идее, и компания была вынуждена закрыться в начале 2020 года, не сумев привлечь требуемое финансирование. В цикле постов, написанных после исчезновения компании, Зельц-Аксмахер назвал ограничения глубокого обучения одним из главных препятствий на пути прогресса в этой отрасли. «Контролируемое машинное обучение не стоит поднятой вокруг него шумихи», — писал он. «Это не настоящий искусственный интеллект», а скорее «изощренный инструмент подбора шаблонов». Иными словами, система, достаточно гибкая, чтобы поддерживать подлинно беспилотное управление транспортным средством в любых обстоятельствах без контроля со стороны удаленного оператора, выходит далеко за пределы возможностей сегодняшних систем глубокого обучения и едва ли появится в скором будущем. Зельц-Аксмахер полагает, что отрасль до сих пор не осознает в полной мере стоящие перед ней препятствия и что инвесторы теряют возможность безопасно выпустить на автомагистрали флот самоуправляемых грузовиков в ближайшее время в определенной мере из-за чрезмерного увлечения полной автоматизацией и продвинутыми характеристиками, которые часто демонстрируются конкурирующими стартапами, но еще очень далеки от использования в реальном мире.

Создание эффективной технологии — главная проблема в области разработки беспилотных транспортных средств, но я вижу еще ряд препятствий, связанных с бизнес-моделями для подобных автомобилей. Принято считать, что естественная ниша для беспилотников — это сервисы совместного использования автомобилей. Uber и ее конкуренты покрывают затраты на поездки за счет привлечения венчурного финансирования или, с недавнего времени, первоначального публичного размещения акций. Ввиду ограниченности такого финансирования многие считают самоуправляемые автомобили долгосрочным решением. Стоит убрать водителя, которому достается от 70 до 80% платы за проезд, и перед компанией открывается прямой путь к прибылям. Это главная причина, по которой Uber считает разработчиков беспилотных транспортных средств, в частности Waymo, прямой угрозой, и с 2016 года много средств вкладывает в собственные программы создания автопилота.

Однако в расчете на то, что беспилотная технология поможет Uber и Lyft, есть слабое место. Дело в том, что эти компании воспринимаются как привлекательные онлайновые предприятия, и рынок именно так их и оценивает, поскольку они являются главным образом цифровыми посредниками, получающими небольшую сумму с каждой транзакции в обмен на предоставление программного обеспечения, мгновенно сводящего пассажиров и водителей. Это уберегает их от всех рискованных и неприятных аспектов таксомоторного бизнеса, связанных с владением, финансированием, техобслуживанием и страхованием автомашин. Все это перекладывается на водителей. Uber и Lift не возятся с заменой масла, мойкой машин и спустившими шинами; они остаются выше практической стороны этого бизнеса, лишь собирая интернет-платежи. Избавившись от водителей, они лишатся тех, кто владеет автомашинами и обслуживает их. Если автомобили станут беспилотными, эти компании окажутся владельцами огромного парка транспортных средств и будут нести все сопутствующие расходы и хлопоты. Фактически Uber станет очень похожей на Hertz или Avis, ни одна из которых не считается «технологической компанией». Более того, транспортные средства, являющиеся собственностью агрегаторов, будут намного более дорогими из-за специализированного оборудования, например лидаров. Вдобавок из-за пандемии коронавируса значительно чаще приходится чистить и дезинфицировать автомобили. Опять-таки это в настоящее время является обязанностью водителей.

Я думаю, будет очень интересно наблюдать за развитием беспилотников в ближайшие годы как с точки зрения технологии, так и бизнес-модели, которая в конце концов определится. Большое число стартапов Кремниевой долины сосредоточилось на разработке и лицензировании беспилотной технологии наряду практически со всеми ведущими автопроизводителями, в той или иной мере инвестирующими в нее. Любой из этих проектов может привести к революционному прорыву, но, на мой взгляд, одним из самых интересных моментов будет углубляющееся расхождение стратегий Waymo и Tesla и усиление конкуренции между этими компаниями с течением времени.

Waymo, наследница программы Google по созданию беспилотного автомобиля, начатой в 2009 году, имеет больше опыта, чем любая другая организация, и в общем считается лидером отрасли. Это единственный поставщик работоспособного сервиса: клиенты за плату уже сейчас могут прокатиться в машине, за рулем которой нет водителя. Этот сервис, который называется Waymo One, пока доступен только на определенных маршрутах в тщательно картированной — или «геозонированной» — пригородной территории Финикса. Дороги там широкие, погода предсказуемо благоприятная, а пешеходов почти нет. Иными словами, это очень далеко от возможности вызвать Uber и поехать в любую точку Сан-Франциско или Манхэттена. Тем не менее Waymo One — впечатляющий прорыв. На мой взгляд, примерно так и будет выглядеть сервис беспилотных автомобилей в обозримом будущем: определенные маршруты с обозначенными остановочными пунктами в тщательно отобранных зонах с не слишком сложными условиями. Конечно, при этом снова возникает вопрос: может ли подобный ограниченный сервис стать прибыльным? Насколько дешевой должна быть поездка в полностью автоматизированной машине (очень дорогом транспортном средстве), чтобы клиент отдал предпочтение ей, а не значительно более гибкой возможности — поездке от двери до двери, предлагаемой Uber или Lyft с водителями?

Если Waymo движется вперед осмотрительно и с похвальной осторожностью, то Tesla, наоборот, постоянно рвет шаблоны, зачастую действуя, по мнению многих участников отрасли, на грани безрассудства. Компания сообщила существующим клиентам, что их машины имеют всю необходимую материальную базу для поддержки функции беспилотного движения и что со временем она станет им доступной в результате обновления программного обеспечения. Это невероятно смелое обещание. Tesla отличается от Waymo и практически всех остальных игроков тем, что отказалась от лидара — локатора, который следит за объектами вокруг автомобиля, испуская лазерный луч и регистрируя отраженный свет. Лидар — система дорогая и, во всяком случае в своих нынешних воплощениях, уродливая. Одна лишь Tesla верит, что сумеет достичь полной автоматизации, полагаясь исключительно на видеокамеры и радары. Как я уже отмечал, существенным преимуществом Tesla являются данные, которые компания получает от многочисленных видеокамер своих автомобилей. Waymo имеет около 600 беспилотных транспортных средств. В распоряжении Tesla постоянно расширяющийся парк из более чем 400 000 машин, ездящих по дорогам и собирающих данные. Автомобили Waymo проехали миллионы километров по настоящим дорогам и миллиарды — в компьютерных моделях. Машины Tesla проделали миллиарды километров в реальном мире под контролем своих автопилотов. Все эти данные, собираемые на настоящих дорогах, — очевидное преимущество, но успех в конечном счете будет зависеть от наличия достаточно мощного искусственного интеллекта, который сможет воспользоваться этим источником. На мой взгляд, есть веские основания сомневаться в том, что сегодняшняя технология глубокого обучения на это способна.

Другой важный вопрос связан с уровнем автономности, который в конце концов удастся обеспечить. Беспилотные системы делятся на пять категорий. К уровням от первого до третьего относятся системы вспомогательного характера. Машина может автоматически двигаться в определенных условиях, например при крейсерском режиме на шоссе, но водитель должен сохранять бдительность и быть готовым в любой момент взять управление на себя. Большинство автопроизводителей, включая Tesla, сфокусировались на автопилотировании в этих пределах. Проблема в том, что, поскольку система практически всегда работает корректно, у водителей появляется соблазн отвлечься от дороги. Например, несколько водителей автомобилей Tesla сказали мне, что постоянно отвечают на электронные письма в телефоне, когда включают автопилот на выделенных полосах для машин с пассажирами на автомагистралях Кремниевой долины. Подобное поведение уже приводило к авариям с человеческими жертвами. Неясно, каким образом машина может заставить водителя сохранять внимание во время длительных однообразных поездок. Одним из сильнейших коммерческих аргументов в пользу беспилотных систем является обещание, что в один прекрасный день они резко уменьшат огромную смертность в дорожно-транспортных происшествиях — ежегодно в мире в них гибнет больше 1,3 млн человек. Если у вспомогательных систем сохранятся их недостатки, то они вряд ли существенно повлияют на это число.

Поэтому Waymo и многие другие более мелкие стартапы в этой области приняли решение сосредоточиться исключительно на автономности четвертого и пятого уровней. К ним относятся беспилотные автомобили, в которых вы можете позволить себе заснуть. У них даже может не быть педали тормоза и рулевого колеса. Опять-таки в этом отношении резко выделяется Tesla. Заявление компании, что она сможет преодолеть разрыв между этими двумя типами автопилотирования, загрузив программное обновление, мгновенно переводящее ее машины со второго на четвертый уровень автономности, поразительно, и это еще слабо сказано. Многие считают такое обещание безмерно смелым, если не просто фантомом. Я очень удивлюсь, если Tesla сможет его выполнить в обозримом будущем, но в случае успеха она станет однозначным лидером в своей отрасли. Возможно, эти ожидания уже в какой-то мере сказались на стоимости ее акций.

Илон Маск и остальные руководители Tesla, безусловно, много размышляли над перспективами полной автономности. Помимо технологии, они разработали возможное решение проблемы с бизнес-моделью. На «Дне беспилотника» в 2019 году Маск описал схему, согласно которой владельцы Tesla смогут включать свои машины в сервис роботакси, предоставляемый компанией. Tesla будет получать свою долю от каждой совместной поездки так же, как Apple получает прибыль от App Store. Интересной особенностью этого предложения является то, что оно решает проблемы с владением и обслуживанием автомобилей, способные со временем похоронить такие компании, как Uber и Lyft. Возможно, Tesla нашла способ принять на себя функции чистого онлайнового посредника, избежав необходимости владеть парком машин. Большинство владельцев автомобилей Tesla могут не захотеть делиться своими машинами с незнакомцами, но если этот план окажется жизнеспособным, то многие клиенты станут подходить к покупке Tesla как к инвестиции, а не как к приобретению машины для личного пользования.

Вряд ли стоит сомневаться в том, что беспилотные транспортные средства когда-нибудь станут одним из самых весомых и значимых свидетельств революции в области искусственного интеллекта. Эта технология в перспективе способна преобразовать и наши города, и образ жизни, а также спасти многие тысячи жизней. Однако я считаю, что ее реального появления придется ждать еще лет десять, если не больше. Сначала убедительные признаки революции в области ИИ появятся в других областях — на складах, в офисах и в розничных магазинах, — где технические проблемы являются более решаемыми, среда — более контролируемой, сама технология в меньшей мере регулируется государством, а цена ошибки намного ниже. Впрочем, можно помечтать и представить, что одному-единственному обновлению программного обеспечения Tesla удастся доказать мою неправоту.

Как оторваться от плато в области инноваций: исследования в сферах естественных наук и медицины

Те, кого можно назвать «технооптимистами», считают само собой разумеющимся, что мы живем в эпоху невероятного ускорения технологического развития. Скорость инноваций, говорят они, беспрецедентна и демонстрирует экспоненциальный рост. Самые восторженные верующие в такое ускорение — которые нередко принадлежат к числу сторонников Рэя Курцвейла, сформулировавшего эту идею в своем «законе ускоряющейся отдачи», — убеждены, что следующие 100 лет будут эквивалентны, по историческим меркам, «более чем 20 000 лет прогресса».

Однако внимательное рассмотрение показывает, что, хотя ускорение реально, этот небывалый прогресс почти полностью ограничивается областью информационных и коммуникационных технологий. Действительно, экспоненциальный рост вытекает из закона Мура и проявляется в появлении программного обеспечения со все большими возможностями. За пределами же этого сектора, в мире, состоящем из атомов, а не из битов, в последние полвека наблюдается совершенно иная картина. Обновление таких областей, как транспорт, энергетика, домостроение, физическая инфраструктура общего назначения и сельское хозяйство, не только не идет экспоненциально нарастающими темпами, а, скорее, стагнирует.

Чтобы понять, как выглядит жизнь, насыщенная инновациями, представьте себе человека, родившегося в конце XIX века и дожившего до 1950-х и 1960-х годов. На глазах такого человека вся общественная жизнь изменилась просто невообразимо: появилась инфраструктура водоснабжения и обработки сточных вод в городах; стали обычными автомобили, самолеты, изобретен реактивный двигатель и наступила космическая эпоха; электрификация сделала возможными освещение, радио, телевидение и электробытовые приборы; в практику вошли антибиотики и массовый выпуск вакцин; ожидаемая продолжительность жизни в Соединенных Штатах выросла с 50 лет почти до 70. В отличие от этого, человек, родившийся в 1960-х годах, стал свидетелем появления персонального компьютера и, позднее, интернета, но почти во всех остальных областях, претерпевших революционное обновление в предыдущие десятилетия, он увидел в лучшем случае небольшой прогресс. Разница между автомобилем, который вы водите сейчас, и тем, который можно было купить в 1950 году, просто ничтожна по сравнению с разницей между автомобилем 1950 года и транспортными средствами, доступными в 1890 году. То же самое можно сказать и о бесконечном множестве других технологий практически во всех сферах современной жизни.

От впечатляющих достижений в области компьютеров и интернета вряд ли можно ожидать такого же широкомасштабного прогресса, который наблюдался в предшествующие десятилетия. Этот факт очень хорошо передает знаменитое замечание Питера Тиля: «Нам обещали летающие машины, а вместо этого дали 140 символов». Утверждение, что мы живем в эпоху относительной стагнации, несмотря на продолжающееся ускорение развития информационных технологий, подробно изложили экономисты Тайлер Коуэн, опубликовавший в 2011 году книгу «Великая стагнация», и Роберт Гордон, нарисовавший крайне пессимистическую картину будущего Соединенных Штатов в своей книге «Начало и конец роста Америки». Ключевой аргумент обеих книг: легкодоступные плоды технологической инновации были по большей части собраны примерно к 1970-м годам. В результате сейчас мы переживаем технологическое затишье, характеризующееся упорными попытками добраться до верхних ветвей дерева инноваций. Коуэн с оптимизмом утверждает, что со временем мы преодолеем технологическое плато. Гордон, напротив, предполагает, что даже верхние ветви этого дерева могут оказаться голыми и величайшие открытия мы уже совершили.

Хотя я считаю позицию Гордона слишком пессимистичной, множество свидетельств дают основание полагать, что широкомасштабный застой в создании новых идей совершенно реален. В научной статье, опубликованной в апреле 2020 года группой экономистов Стэнфорда и МТИ, отмечается, что продуктивность исследований в разных отраслях резко снизилась. Выполненный анализ привел авторов статьи к выводу, что эффективность создания инноваций американскими исследователями «уменьшается наполовину каждые 13 лет» или, иными словами, «только для того, чтобы поддерживать постоянный рост ВВП на душу населения, Соединенные Штаты должны удваивать объем исследований каждые 13 лет, компенсируя растущую сложность поиска новых идей». «Куда ни посмотри, — писали экономисты, — видно, что идеи и сопутствующий им экспоненциальный рост даются все труднее». Примечательно, что это касается даже той области, в которой по-прежнему наблюдается устойчивое экспоненциальное развитие. Авторы статьи обнаружили, что «сегодня для достижения знаменитого удвоения плотности компоновки транзисторов в компьютерных чипах», согласно закону Мура, «требуется в 18 с лишним раз больше исследователей, чем в начале 1970-х годов». Одно из возможных объяснений заключается в том, что, прежде чем продвинуть рубежи науки вперед, нужно понять ее текущее состояние. Практически во всех областях науки для этого необходимо усвоить намного больше знаний, чем в прошлом. Вследствие этого для инновации сегодня требуются все более многочисленные команды ученых с высокоспециализированной подготовкой, а координация их усилий неизбежно является более сложной задачей, чем руководство небольшой группой.

Безусловно, замедление инновации может объясняться множеством других факторов. Законы физики говорят, что доступные инновации распределены между областями научного знания неравномерно. В сфере разработки аэрокосмической техники закон Мура, разумеется, не действует. Во многих областях для того, чтобы дотянуться до следующей группы инновационных «плодов», требуется гигантский скачок. Играет свою роль и чрезмерное или неэффективное государственное регулирование, и ориентация на краткосрочные результаты, господствующая в настоящее время в корпоративном мире. Долгосрочные инвестиции в исследования и разработки часто несовместимы с одержимостью квартальной прибылью или с зависимостью оплаты труда руководителей от краткосрочного изменения стоимости акций. Тем не менее в той мере, в которой скорость обновления снижается растущей сложностью среды и взрывным увеличением объема знаний, искусственный интеллект может оказаться самым мощным инструментом, помогающим преодолеть технологическое плато. Я считаю это важнейшей задачей ИИ в процессе его превращения в общедоступный ресурс. В долгосрочной перспективе с точки зрения устойчивого процветания и способности справляться как с известными, так и с неожиданными вызовами ничто не сравнится по важности с повышением нашей коллективной способности обновляться и генерировать новые идеи.

В ближайшем будущем самым многообещающим применением искусственного интеллекта, особенно глубокого обучения, в научных исследованиях может стать открытие новых химических соединений. Подобно тому как система AlphaGo, созданная DeepMind, работает с практически бесконечным игровым пространством — количество возможных комбинаций в игре го превышает число атомов во Вселенной, — так и «химическое пространство», охватывающее практически все мыслимые конфигурации молекул, с практической точки зрения является бесконечным. Чтобы обнаружить в этом пространстве полезные молекулы, требуется многомерный поиск ошеломляющей сложности. Необходимо учесть такие факторы, как трехмерный размер и форма молекулярной структуры, а также множество других параметров, в частности полярность, растворимость и токсичность. Для химика или специалиста по материаловедению перебор вариантов — это трудозатратный процесс экспериментирования методом проб и ошибок. Обнаружение по-настоящему полезного нового химического вещества может занять большую часть профессиональной карьеры. Например, литий-ионные батареи, сегодня широко использующиеся в наших электронных устройствах и электромобилях, родились из исследования, начатого еще в 1970-е годы, но коммерческое применение возникшей на его основе технологии стало возможно лишь в 1990-х годах. Искусственный интеллект обещает чрезвычайно ускорить этот процесс. Поиск новых молекул во многих отношениях идеальная задача для глубокого обучения; можно обучить алгоритмы на характеристиках молекул, полезность которых известна, или в некоторых случаях на законах, управляющих конфигурацией и взаимодействием молекул.

На первый взгляд это может показаться относительно узким применением. Однако поиск полезных новых химических веществ затрагивает практически все стороны обновления. Ускорение этого процесса обещает дать инновационные высокопрочные материалы для машин и инфраструктуры, химически активные вещества для более эффективных батарей и солнечных панелей, фильтрующие или поглощающие материалы, способные уменьшить загрязнение, и новые лекарства, которые, возможно, совершат переворот в медицине.

Университетские исследовательские лаборатории и растущее число стартапов с энтузиазмом обратились к технологии машинного обучения и уже совершили важные прорывы благодаря действенным методам на основе ИИ. В октябре 2019 года ученые из Дельфтского технического университета в Нидерландах объявили, что сумели создать совершенно новый материал исключительно с помощью алгоритма машинного обучения без проведения реальных лабораторных экспериментов. Новое вещество является прочным и долговечным, но в то же время сверхсжимаемым, если на него действует сила выше определенного предела. Это означает, что материал фактически можно сжать до малой доли его первоначального объема. По словам Мигеля Бесса, одного из ведущих исследователей в этом проекте, когда-нибудь благодаря материалам с подобными свойствами «самые обычные предметы вроде велосипедов, обеденных столов и зонтов смогут поместиться в кармане».

Для участия в таких проектах исследователи должны обладать серьезной технической подготовкой в области искусственного интеллекта. Однако команды из других университетов разрабатывают более доступные инструменты на основе ИИ, способные в скором времени открыть новые химические соединения. Например, ученые из Корнеллского университета работают над проектом SARA («научный автономный интеллектуальный агент» — Scientific Autonomous Reasoning Agent), который, как надеются, «резко, на порядки, ускорит поиск и разработку новых материалов». Исследователи Техасского сельскохозяйственного и политехнического университета также работают над программной платформой для автоматического поиска прежде неизвестных веществ. Оба проекта частично финансируются Министерством обороны США, особенно заинтересованным в инновациях. Такие разработки играют ту же роль во многих областях научных исследований, что и облачные инструменты, предлагаемые Amazon и Google, которые делают машинное обучение более доступным для использования во многих приложениях для бизнеса. Это позволит, скажем, химикам и материаловедам применять ИИ, даже если они не являются экспертами в машинном обучении. Иными словами, искусственный интеллект превращается в общедоступный ресурс, который можно использовать все более творчески и целенаправленно.

Еще более смелый подход заключается во встраивании программного обеспечения на базе ИИ, предназначенного для открытия химических веществ, в роботов, способных проводить эксперименты в реальной лаборатории. В этом направлении движется, например, небольшая компания Kebotix из Кембриджа в штате Массачусетс, стартап, отпочковавшийся от ведущей гарвардской лаборатории материаловедения и создавший, по словам его участников, «первую в мире самоуправляемую лабораторию для открытия новых материалов». Роботы этой компании могут ставить эксперименты самостоятельно, пользуясь лабораторным оснащением, скажем пипетками для переноса и смешивания жидкостей, и управляя установками для проведения химического анализа. Затем результаты экспериментов анализируются алгоритмами искусственного интеллекта, которые выбирают лучшее направление действий и инициируют дальнейшие эксперименты. В результате возникает повторяющийся самосовершенствующийся процесс, по утверждению представителей компании, резко ускоряющий выявление полезных новых молекул.

Многие наиболее многообещающие и хорошо финансируемые возможности на стыке химии и искусственного интеллекта связаны с разработкой новых лекарств. По одному отчету, на апрель 2020 года насчитывалось не менее 230 стартапов, использовавших ИИ для поиска новых лекарственных средств. Дафна Коллер, профессор Стэнфорда и сооснователь онлайновой образовательной платформы Coursera, — один из ведущих мировых экспертов по применению машинного обучения в биологии и биохимии. Коллер также является основателем и гендиректором insitro, стартапа из Кремниевой долины, основанного в 2018 году и привлекшего более $100 млн на поиск новых лекарств с помощью машинного обучения. Повсеместное замедление технологических инноваций, поразившее американскую экономику в целом, особенно очевидно в фармакологии. Коллер сказала мне следующее:

Проблема в том, что создание новых лекарств постоянно усложняется: уровень успешности клинических испытаний находится ближе к середине 10%-ного диапазона; затраты на исследования до уплаты налогов при разработке нового лекарственного средства (с учетом неудачных попыток) превышают $2,5 [млрд]. Рентабельность инвестиций в создание лекарств линейно уменьшается с каждым годом и, по некоторым оценкам, станет нулевой еще до 2020 года. Одна из причин заключается в том, что разработка лекарств принципиально усложнилась: многие (если не все) «низко висящие плоды» — иными словами, лекарства, значимые для больших популяций, — уже сорваны. Поэтому на следующем этапе разработки лекарств нам придется сосредоточиться на более специализированных препаратах, действенность которых может зависеть от конкретных условий и которые предназначаются лишь определенной подгруппе пациентов.

insitro и его конкуренты рассчитывают с помощью искусственного интеллекта быстро выявлять перспективные рецептуры, которые могут стать новыми лекарствами, и таким образом сильно снизить затраты на разработку. По словам Коллер, открытие лекарственного средства — это «долгий путь, на котором вас ждет множество развилок» и «99% дорог ведут в тупик». Если искусственный интеллект будет «более-менее верным компасом, это невероятно повысит шансы на успешное завершение процесса».

Применение подобного подхода уже окупается. В феврале 2020 года исследователи из МТИ объявили об открытии с помощью глубокого обучения эффективного нового антибиотика. Созданная исследователями ИИ-система способна перелопатить информацию о свойствах сотни с лишним миллионов химических соединений за несколько дней. Новый антибиотик — ученые назвали его «галицин» в честь HAL, искусственного интеллекта из фильма «Космическая одиссея 2001 года», — оказался смертельным практически для всех видов бактерий, на которых его испытывали, включая штаммы, резистентные к существующим препаратам. Это принципиально важно, поскольку медицинское сообщество давно предупреждает о скором кризисе, вызванном лекарственно-устойчивыми бактериями — эдакими «супербактериями», которые уже стали бичом многих больниц. Из-за высокой стоимости создания и относительно низкой прибыли очень мало антибиотиков находится сейчас в процессе разработки. Новые лекарства, которым все же удается проходить через сложные и дорогостоящие процессы испытаний и одобрения регулирующими органами, представляют собой в основном разновидности существующих антибиотиков. В отличие от них, галицин воздействует на бактерии принципиально иным образом и, судя по результатам экспериментов, может быть менее чувствительным к мутациям, из-за которых антибиотики утрачивают со временем свою эффективность. Иными словами, искусственный интеллект нашел нестандартное решение, что критически важно для значимой инновации.

Еще одно достижение, о котором также было объявлено в начале 2020 года, принадлежит британскому стартапу Exscientia, использовавшему машинное обучение при поиске новых лекарств для лечения обсессивно-компульсивного расстройства. По сообщению компании, начальный этап разработки занял всего год (что примерно в пять раз меньше, чем при использовании традиционных методов), и это первое открытое ИИ лекарственное средство, проходящее клинические испытания.

Как было показано в главе 1, особенно примечательным достижением в применении искусственного интеллекта в биохимических исследованиях стал прорыв DeepMind, обнародованный в ноябре 2020 года, — предсказание конфигурации структуры при сворачивании белка. DeepMind не пыталась открыть какое-то лекарство, а использовала свою технологию в целях изучения процессов на фундаментальном уровне. В конце 2018 года DeepMind представила более раннюю версию своей системы AlphaFold на проводимом раз в два года всемирном конкурсе по прогнозированию структуры белка CASP (Critical Assessment of Structure Prediction). Команды со всего мира с помощью разнообразных методов, на основе как вычислений, так и просто интуиции, пытались предсказать, какую форму примет белок. AlphaFold победила в 2018 году с большим отрывом, но, несмотря на превосходство над конкурентами, сумела правильно предсказать структуру только 25 белковых последовательностей из 43. Иными словами, эта предварительная версия AlphaFold еще не была достаточно точной, чтобы стать действительно полезным инструментом исследования. Всего за два последующих года DeepMind сумела настолько усовершенствовать свою технологию, что ряд ученых объявили проблему прогнозирования белковой структуры «решенной». Я считаю это ярчайшим свидетельством того, что применение искусственного интеллекта для решения конкретных задач будет развиваться очень быстро.

Помимо использования машинного обучения для открытия новых лекарств и других химических соединений самым многообещающим применением искусственного интеллекта в научном поиске может стать усвоение и понимание постоянно растущего объема опубликованных исследований. Только в 2018 году в 40 000 с лишним журналов вышло больше 3 млн научных статей. Осмысление информации в подобных масштабах намного превосходит возможности разума любого человека, и искусственный интеллект, похоже, единственный имеющийся у нас инструмент, способный обеспечить более-менее целостное ее восприятие.

Системы обработки естественного языка на основе новейших достижений в области глубокого обучения используются для того, чтобы извлекать информацию, выявлять неочевидные закономерности в исследованиях и в целом устанавливать концептуальные взаимосвязи, которые в ином случае могут остаться незамеченными. Разработанная IBM технология Watson остается одним из важных игроков в этой сфере. Другой проект, Semantic Scholar, был начат Институтом искусственного интеллекта Пола Аллена из Сиэтла в 2015 году. Semantic Scholar позволяет использовать ИИ для поиска информации в более чем 186 млн опубликованных статей практически во всех областях научного знания.

В марте 2020 года Институт Аллена совместно с консорциумом других организаций, включая Microsoft, Национальную медицинскую библиотеку США, Управление научно-технической политики Белого дома, подразделение AWS компании Amazon, приступил к созданию COVID-19 Open Research Dataset — базы данных с возможностью поиска по научным статьям, связанным с пандемией коронавируса. Она позволяет ученым и медицинским учреждениям быстро находить ответы на конкретные вопросы из самых разных областей научных исследований, включая биохимию вируса, эпидемиологические модели и лечение заболевания. По состоянию на апрель 2021 года база данных включала более 280 000 научных статей и активно использовалась учеными и врачами.

Подобные инициативы имеют колоссальный потенциал превращения в инструменты ускорения генерирования новых идей. Однако эта технология пока находится в зачаточном состоянии, и для реального прогресса придется преодолеть еще не одно препятствие и создать более универсальный машинный интеллект — в эту тему мы углубимся в главе 5. Легко представить по-настоящему эффективную систему в роли интеллектуального ассистента ученых в исследованиях, способного поддерживать полноценный диалог, играть с идеями и активно подсказывать новые направления научных изысканий.

В то же время я считаю важным сохранять взвешенный и реалистичный взгляд на наши потенциальные возможности. Ничто из вышесказанного не означает, что искусственный интеллект гарантирует бурное появление инноваций или стабильное достижение результатов за все более короткое время. В конце концов, суть науки — экспериментирование, а на постановку эксперимента и оценку его результатов требуется время. В некоторых случаях применение научного метода действительно можно ускорить, например благодаря использованию лабораторных роботов или даже быстрому проведению некоторых экспериментов в компьютерной модели.

Однако в таких областях, как медицина и биология, многие эксперименты должны ставиться на живых организмах, и в этом отношении возможность резкого ускорения процесса весьма ограниченна. Поиск вакцин от COVID-19 ярко высветил этот факт. Ученые смогли разработать формулы вероятных вакцин за считаные недели после получения генетического кода вируса. Долгое ожидание пригодных для использования вакцин почти полностью объяснялось необходимостью их масштабных испытаний как на животных, так и на людях, а также наращивания мощностей для производства в необходимых масштабах. Даже если бы у нас имелся по-настоящему совершенный, как в научной фантастике, искусственный интеллект, это не гарантировало бы существенного ускорения появления вакцины. В этом и заключается одна из причин моего скептического отношения к заявлениям Курцвейла о том, что искусственный интеллект скоро приведет к радикальному увеличению продолжительности жизни человека. Даже если ИИ действительно поможет выдвинуть плодотворные новые идеи в этой области, как мы протестируем созданные на их основе решения на безопасность и эффективность, не дожидаясь однозначных результатов долгие годы или даже десятилетия? Безусловно, есть немало возможностей реформировать систему регулирования и упростить одобрение новых лекарств и методов лечения, но в конечном счете даже самым умным и изобретательным ученым приходится ждать получения результатов экспериментов, подтверждающих верность их идей.

В этой главе я хотел дать краткий обзор самых интересных и значимых применений искусственного интеллекта, а также обозначить те области, в которых ИИ может оказаться прорывной технологией в ближайшем будущем, и те, где нам придется ждать этого дольше. Предложенный список никоим образом не является исчерпывающим. Постепенно искусственный интеллект затронет и преобразует практически все.

Утверждение, что искусственный интеллект быстро превращается в ресурс, подобный электричеству, подчеркивает масштабность и революционность этой технологии. Однако по сравнению с электричеством ИИ намного сложнее и динамичнее, он будет непрерывно совершенствоваться, открывая практически бесконечное число постоянно меняющихся возможностей. Чтобы понять подлинный потенциал этого нового ресурса, нужно углубиться в научные основы и в историю создания искусственного интеллекта и узнать, как развивается эта область и какие трудности ее ожидают, а также познакомиться с конкурирующими идеями, которые формируют технологию по мере ее развития. Это и будут темы двух следующих глав.

Отправить