Воспитание машин. Новая история разума

По нынешним меркам 1011 FLOPS – это не так уж и много. Современный универсальный процессор Intel Core i9 с производительностью 1012 FLOPS и специализированные матричные процессоры NVIDIA Tesla V100 с пиковой производительностью 1014 FLOPS уже далеко превосходят рассчитанную нами вычислительную мощность мозга. Этот парадоксальный вывод мы подробно обсудим чуть ниже.

Основным каналом получения информации из внешнего мира для нас является зрение. Скорость обработки зрительной информации примерно в 100 раз ниже вычислительной мощности мозга (поскольку первичная зрительная кора занимает примерно 1 % площади всей коры), то есть составляет 109 FLOPS. Этого вполне достаточно для обработки информации, поступающей от глаза по зрительному нерву, содержащему 106 нервных волокон.

Сенсорная информация обрабатывается параллельными «спецпроцессорами» первичной коры, распознающей наиболее простые мелкомасштабные признаки. Далее информация проходит еще несколько этапов обработки, на каждом из которых распознаются все более сложные и крупномасштабные признаки, пока наконец входная информация не будет представлена в символьной форме – в виде сцены с распознанными объектами и схемой их расположения. Например, это может быть текст с распознанными буквами и порядком их следования. Все этапы распознавания образов проходят параллельно, быстро и на бессознательном уровне. Осмысление распознанной символьной информации осуществляется в форме сознательного мышления и совсем в другом темпе «рассказывания историй».

Символы, в отличие от образов, обладают небольшим разнообразием. Например, буквы могут кодироваться всего лишь пятью битами (так как 25 = 32). Зато комбинациями компактного набора символов можно закодировать практически неограниченный набор высокоуровневых понятий, определяющих любую распознанную сцену. В приведенном выше примере чтения текста этим понятиям соответствуют слова и их сочетания. Сознательное мышление вообще тесно связано с языком и представляет собой последовательные операции с символьной информацией. Минимальный акт сознания длится около 0,5 с[44]. За это время мы успеваем распознать примерно одно слово в среднем из 5 букв, или около 25 бит. Соответственно сознательное мышление (около 50 бит/с, или 10 байт/с) гораздо – в миллионы раз! – медленнее бессознательного. Но именно с такой скоростью мы разговариваем, думаем, читаем, печатаем, решаем задачи[45].

Сознательное мышление определяет скорость обучения, передачи знаний. Ведь бóльшую часть наших профессиональных знаний мы получили в процессе коммуникации с другими людьми. Скорость обучения особенно важна, так как она ограничивает объем наших знаний. Даже если учиться непрерывно по 16 часов в день (то есть 2 × 107 с в год) в течение 100 лет, максимальный объем знаний составит 1011 бит, или 1010 байт. Иными словами, знания каждого из нас составляют не более 10 ГБ, и их можно было бы записать на небольшую флешку[46].

Наши оценки объема знаний гораздо ниже, чем привычные 1014 бит – по числу синапсов в коре головного мозга. Бóльшая часть этих синапсов организует локальные контуры бессознательной обработки информации в коре. Наша более скромная оценка относится к глобальным связям, участвующим в запоминании распознанных нашим сознанием эмоционально окрашенных высокоуровневых понятий. Не случайно «оператор» человеческой памяти, гиппокамп, связан лишь с высокоуровневыми разделами ассоциативной коры.

Таким образом, по сравнению с современными компьютерами наши возможности по обработке информации довольно скромны. Почему же машинный интеллект до сих пор не достиг человеческого уровня и мы по-прежнему считаем компьютеры «быстрыми, но глупыми»? Как ни странно, но именно по этой причине – из-за недостатка знаний о мире. Для решения сложных задач важны не столько вычислительные мощности, сколько сложные алгоритмы. А сложность современных компьютерных программ до сих пор недотягивает до человеческого уровня. Даже операционная система Windows, содержащая 50 млн строк кода, скажем, по 20 символов на строку, имеет сложность 1 Гбайт, то есть содержит меньше знаний, чем мозг одного человека. А ведь ее создавали сотни людей в течение десятков лет!

Значит, узким местом, мешающим созданию компьютерного разума, является трудоемкость ручного программирования или, в более общем случае, процесса передачи компьютерам знаний. Как только этот процесс будет автоматизирован, путь к искусственному интеллекту окажется свободен. Компьютерные мощности для него уже готовы. Вот почему сегодня фокус исследований в сфере ИИ сосредоточен в области машинного обучения – автоматизации процесса создания компьютерных программ. Современные искусственные нейросети могут содержать сотни миллиардов настроечных параметров[47], то есть имеют сложность, в сотни раз превышающую Windows, притом что настройка всех этих параметров происходит автоматически, без участия человека – путем обучения на примерах. И, что самое важное, на много порядков быстрее и дешевле!

Почему же тогда машинное обучение не использовалось раньше? Ведь зародилось оно еще в конце 1950-х годов. Краткий ответ, как водится, прост: машинное обучение требует больших вычислительных мощностей, которые стали доступны лишь недавно. Более развернутый ответ, который займет оставшуюся часть этой главы, требует анализа движущих сил развития компьютерной техники: какие сегменты платежеспособного спроса она обслуживала, какие задачи помогала решать на разных этапах своего развития? Иначе говоря, на чьи деньги развивались компьютеры все 75 лет своего существования? Как они постепенно все глубже проникали в ткань современной экономики?

Гиперболическое распределение богатства

Здесь будет уместно познакомиться с еще одним законом – гиперболическим распределением богатства в человеческом обществе. Как было замечено с незапамятных времен, «деньги текут к деньгам» и социально-экономическое неравенство постоянно возрастает. Оказывается, это является следствием универсального гиперболического закона распределения любых ресурсов в так называемых ветвящихся процессах размножения и гибели[48]. Примером ветвящихся процессов служат коммерческие фирмы, которые могут разоряться и поглощать друг друга в ходе конкурентной борьбы.

Нам, в частности, потребуется гиперболическое распределение компаний по их размерам, причем неважно, чем измерять эти размеры – денежной выручкой или количеством сотрудников. Для американского рынка этот закон проиллюстрирован рис. 12.

Такая же гиперболическая зависимость справедлива и для распределения компаний по выручке: фирм с выручкой от $10 млн в 10 раз меньше, чем с выручкой от $1 млн. Как следствие, общая выручка компаний от $100 000 до $1 млн равна выручке компаний от $1 млн до $10 млн и т. д. вплоть до самых крупных компаний с выручкой более $100 млрд. Каждый из этих сегментов – от миллионов индивидуальных предпринимателей до нескольких богатейших людей планеты – сосредоточивает в себе одинаковую долю общественного богатства. Таким образом, степень неравенства между обычными и самыми богатыми людьми (например, соотношение их доходов) пропорциональна численности населения Земли и, следовательно, постоянно возрастает.

Нас, однако, здесь будет интересовать не этот факт, а скорость расширения устроенного таким образом рынка по мере удешевления любой продукции, в частности компьютеров. Если первые компьютеры были запредельно дороги и их могли позволить себе лишь национальные исследовательские центры, то по мере удешевления они стали проникать во все перечисленные выше сегменты рынка. При этом, как мы увидим, объем рынка компьютеров, несмотря на постоянное падение цен, все время возрастал, что служило стимулом к их дальнейшему удешевлению. Возникает знакомая нам положительная обратная связь. В итоге, как легко убедиться, рынок компьютеров растет экспоненциально.

Действительно, если компьютеры стоимостью $1 млн могли позволить себе лишь фирмы с выручкой выше $10 млн, то удешевление компьютеров на порядок «распечатывает» для них совершенно новый сегмент рынка – фирмы с выручкой выше $1 млн, которых в 10 раз больше. Конечно, из-за удешевления продукции компании-покупатели нового сегмента потратят в итоге те же деньги, что и покупатели старой техники из более дорогого сегмента. Но и эти последние тоже закупят новое поколение компьютеров – для решения нового круга задач своими сотрудниками. Если принять, что на закупку новой вычислительной техники все потребители потратят одинаковую сумму в пересчете на одного сотрудника, то общая сумма закупок при освоении каждого нового сегмента рынка увеличится примерно вдвое, поскольку новые покупатели не заменяют, а расширяют круг старых.

Так, мини-компьютеры DEC не заменяли мейнфреймы IBM, просто их покупали уже не топ-менеджеры для корпораций, а руководители подразделений для своих нужд, увеличивая долю затрат на компьютеры в бюджете компаний. И это касается не только корпоративного, но и потребительского рынка. Ноутбуки не убили персональные компьютеры, а смартфоны не убили ноутбуки. У каждого из нас можно обнаружить компьютеры разных поколений, дополняющие, а не исключающие друг друга: настольный компьютер и ноутбук, смартфон и планшет, не считая встроенной бытовой и автоэлектроники. И каждый из них используется для решения своего круга задач.

Таким образом, каждое снижение цен на порядок означает более чем двукратный рост сектора ИКТ[49]. Поскольку стоимость вычислений каждые 10 лет снижалась на два порядка[50] (см. рис. 13), все 6 корпоративных сегментов рынка были освоены за 30 лет, и в 1980-х годах началось покорение потребительского рынка – настала эра персональных компьютеров (PC). При этом разнообразие цифровых продуктов продолжает увеличиваться, и их продажи по-прежнему растут по экспоненте – за 70 лет в 214= 16 000 раз: с начальных $300 млн в 1950 году до нынешних $4,8 трлн, превратив ИКТ в один из крупнейших секторов экономики[51].

Такова в общих чертах бизнес-логика развития цифровой техники. Как видим, она является следствием универсального закона экономики. Осталось только понять, какие новые задачи позволяло решать каждое новое поколение компьютеров.

В следующих нескольких разделах мы кратко опишем историю расширения круга задач, решаемых компьютерами по мере того, как это становилось экономически обосновано. Волны автоматизации производства являются как следствием закона Мура, так и его причиной, поскольку образуют систему с положительной обратной связью.

Эволюция вычислительной техники представляет собой череду мини-революций в технологиях. Периоды постепенного развития сменялись революционными завоеваниями новых рыночных ниш при достижении ценами очередной критической отметки. Как правило, «большинство стратегически переломных моментов возникает в результате значительного (десятикратного) изменения одной из конкурентных сил Портера, влияющих на бизнес»[52].

Смены технологий сопровождались изменением форм ведения бизнеса, поскольку каждый раз менялся и потребитель, и характер потребления. Соответственно каждая новая волна компьютерных технологий выводила на сцену новых лидеров цифровой экономики, сумевших вовремя распознать перспективы новых сегментов рынка и сделать соответствующие инвестиции вопреки логике лидеров прошлой волны. При этом в соответствии с приведенными выше оценками лидеры каждой следующей волны осваивали больший, чем предыдущий, рынок и становились лидерами всей компьютерной отрасли.

Предыстория: первые вычислительные машины

Первой задачей, созревшей для автоматизации, стали математические вычисления. Собственно, эта волна автоматизации началась еще в XVII веке с механических арифмометров Шиккарда, Паскаля и Лейбница. Алгоритмы арифметического счета были известны издавна, и их автоматизация просто ждала своего часа.

Вычисления играли особенно большую роль в мореплавании для определения координат судов. С развитием мировой торговли после выхода в XV веке из Средиземного моря на просторы Мирового океана, в том числе в неизвестное доселе Южное полушарие, эта задача встала особенно остро. Отсюда и интерес к астрономическим наблюдениям, практическая польза которых состояла в составлении таблиц эфемерид – положений небесных тел на небе в определенные моменты времени, чтобы можно было ориентироваться не только по звездам, но и по планетам. Эта практическая потребность вызвала к жизни и революцию Коперника, и механику Ньютона.

Определение долготы требовало точного измерения времени, и часовая индустрия стимулировала развитие точной механики. В арифмометрах же применяли ту же «арифметическую логику», что и в часах, используя шестерни с десятью зубцами, полный оборот которых переводил шестерню следующего разряда на один зубец. Первый арифмометр Шиккарда так и называли: «Считающие часы».

Апофеозом механических калькуляторов стала героическая попытка создания в XIX веке универсальной вычислительной машины английским изобретателем Чарльзом Бэббиджем. Описанием его аналитической машины, в частности способов ее программирования, занималась дочь лорда Байрона леди Ада Лавлейс, которую можно считать первым программистом в истории. Проект Бэббиджа был задуман как вычислительный комплекс со своим печатным устройством и предназначался для вычисления и печати навигационных таблиц. Проект финансировался британским адмиралтейством, но так и не был закончен по множеству объективных и субъективных причин. По-видимому, он просто обогнал свое время.

Немногим позже, в конце XIX века, русский математик П. Л. Чебышев создал практичный механический арифмометр, самостоятельно выполняющий все арифметические операции после установки задания. Требовалось только вращать механическую ручку, которая позднее была заменена электромотором.

Такие электрические арифмометры широко применялись в первой половине XX века вплоть до появления электронных вычислительных машин. В частности, оба атомных проекта, американский и советский, были первоначально просчитаны на таких электрических арифмометрах. А для расчета «изделий» требовалось очень много вычислений – численное решение сложных дифференциальных уравнений. По воспоминаниям очевидцев, вычислительные центры в то время представляли собой длинные ряды вычислителей (computers) – вооруженных арифмометрами женщин, вычисляющих каждая свою операцию и передающих результат следующему звену этого математического конвейера. Поскольку числа набирались на арифмометрах вручную, во избежание ошибок вычисления дублировались на двух параллельных конвейерах, и ответ принимался только в случае совпадения их результатов[53].

Электронно-вычислительные машины (национальные лаборатории)

Вычисления стали узким местом при разработке сложной военной техники во времена Второй мировой войны. Например, в штате Лаборатории баллистических исследований в Пенсильвании было несколько сотен женщин-вычислителей, и все равно она не справлялась с потоком вычислений для создания баллистических артиллерийских таблиц, которые требовались после высадки союзных войск в Африке в 1943 году. Именно по заказу этой лаборатории и была создана первая в мире электронно-вычислительная машина – ЭНИАК (ENIAC – аббревиатура от Electronic Numerical Integrator and Computer – электронный цифровой интегратор и вычислитель).

Заказанный в 1943 году, ЭНИАК был запущен лишь осенью 1945 года, уже после окончания Второй мировой войны. Однако, поскольку в то время в США разворачивались работы по созданию термоядерного оружия, он успешно эксплуатировался военными до 1955 года[54].

ЭНИАК весил 30 т, содержал 17 500 электронных ламп и потреблял свыше 170 кВт, или 230 л. с. И этот «табун лошадей» мог за секунду сложить 5000 или перемножить 360 чисел. Иными словами, каждая «лошадь» перемножала действительные числа со скоростью 1,5 FLOPS, затрачивая на каждое перемножение столько же энергии, сколько требуется для подъема 50 кг на 1 м. Но по сравнению с механическими арифмометрами ЭНИАК за секунду производил больше вычислений, чем те – за час, то есть являлся первым суперкомпьютером.

Успех ЭНИАКа, доказавшего работоспособность концепции ЭВМ, дал старт многим последующим проектам с более совершенной архитектурой фон Неймана – с использованием двоичной арифметики, активного процессора и программ, хранимых в памяти наряду с данными. Первые суперкомпьютеры создавались каждый в единственном экземпляре и применялись в национальных научных центрах или ведомствах, как правило, в интересах военных. Таким образом, компьютеры освоили первый, самый крупный государственный сектор, где деньги во времена холодной войны и гонки вооружений особо не считали.

Опыт, накопленный в этом секторе, вскоре нашел применение и в частном бизнесе. С 1950-х годов наступила эра серийных коммерческих компьютеров, и в этой области безоговорочно лидировала компания IBM.

Mainframes, языки программирования, операционные системы (IBM)

IBM к тому времени имела уже солидную полувековую историю на рынке механической обработки информации и, самое главное, обширную клиентскую базу в государственном и корпоративном секторах. В числе основателей компании был Герман Холлерит, изобретатель первого электромеханического табулятора – системы программной обработки баз данных с помощью перфокарт (1890). Табуляторы на порядки ускоряли статистическую обработку данных, в частности при переписи населения. Под этот заказ правительства США и был построен первый табулятор, после чего Холлерит открыл свою фирму, которая оказалась очень успешной и к 1924 году в результате нескольких слияний превратилась в IBM.

Когда во второй половине 1940-х появились первые компьютеры, их рынок (несколько десятков миллионов долларов) был еще слишком мал для IBM, выручка которой в 1950 году составляла $266 млн. Однако компания под руководством своего нового президента Томаса Уотсона-младшего вовремя распознала потенциал новой техники и организовала серийное производство компьютеров. Первые компьютеры IBM стали выпускаться в 1953 году, а через 10 лет, к 1963 году, ее оборот возрос до $2,8 млрд, львиную часть которых ($2 млрд) компания заработала за счет продажи компьютеров[55].

Следуя стратегии опережающего развития, IBM удерживала лидерство в сегменте крупного бизнеса с 1960-х до 1980-х годов, занимая в этом сегменте 70–80 % мирового рынка и заслужив уважительное прозвище «Голубой гигант». Именно в IBM появился первый язык программирования высокого уровня – FORTRAN (FORmula TRANslator), созданный специально для инженерно-вычислительных задач, что видно из его названия. Как ни странно, этот язык все еще жив и в своей узкой области вполне конкурентоспособен.

Еще более крупным вкладом IBM в компьютерную технику стала ее операционная система OS/360. Это был крупнейший коммерческий инженерный проект с бюджетом в половину Манхэттенского[56]. До появления OS/360 каждая модель компьютера имела свою систему команд, и компании испытывали трудности с переходом на новые, более производительные машины. Им приходилось заново переписывать все программное обеспечение. С 1964 года начались поставки IBM System/360 – серии компьютеров разной мощности, но полностью совместимых по программному обеспечению. Эта революционная линейка продуктов вывела IBM в безусловные лидеры мировой компьютерной индустрии.

По сути, System/360 были первыми компьютерами, способными на апгрейд. Покупатели могли начинать с младших моделей по цене от $250 000 (Model 25) и наращивать вычислительную мощность по мере необходимости, заменяя их старшими (Model 75 стоимостью $3 млн) вплоть до самых мощных (Model 195 – $10 млн и выше). Поэтому наиболее популярной была не покупка, а аренда машины за 1/48 ее цены в месяц. Благодаря такой гибкой ценовой политике серия System/360 пользовалась огромным коммерческим успехом. Только за первые три месяца было подано предзаказов на $1,2 млрд, а за последующие 5 лет продано 33 000 экземпляров различных моделей.

Независимость программного обеспечения от аппаратного стала первым шагом на пути отказа от вертикальной структуры компьютерного бизнеса, включающего стек очень разных технологий: производство полупроводников, электронных комплектующих, компьютеров из них, операционных систем, системных и прикладных программ. Сначала все это создавалось в каждой фирме самостоятельно, так как помогало удерживать имеющихся покупателей, но по мере усложнения техники сосредоточить все эти компетенции в рамках одной компании стало невозможно. IBM первая ощутила на себе предел сложности своего бизнеса и отступила перед ним.

Проблему роста сложности удалось решить через переформатирование структуры компьютерной индустрии. Постепенно вертикальная структура рынка сменилась горизонтальной, где в каждом элементе технологического стека появились свои производители, а между соседними элементами стека были разработаны стандарты протоколов взаимодействия.

Мини-ЭВМ, локальные клиент-серверные сети (DEC)

Первой результаты такой демонополизации ощутила, естественно, сама IBM, которую во второй половине 1980-х стали теснить производители мини-ЭВМ и персональных компьютеров, пробиваясь во все более дешевые сегменты корпоративного рынка. Как следствие, компьютеры приблизились вплотную к рабочим местам, и началась эра распределенных вычислений на дешевых персональных компьютерах, объединенных в сети. Серверами в таких сетях служили более дорогие мини-компьютеры, а самые дорогие центральные компьютеры, на которых по-прежнему специализировалась IBM, играли все меньшую роль, так как были слишком дороги в обслуживании. На рубеже 1980-х и 1990-х годов IBM начала терпеть убытки, и ей пришлось за несколько лет уволить 170 000 своих сотрудников, чтобы адаптироваться к новой ситуации.

Лидером в сегменте мини-компьютеров была компания DEC (Digital Equipment Corporation), образованная в 1957 году, которая изначально позиционировалась в более дешевом, чем IBM, сегменте. Ее простые и надежные продукты – 16-разрядные PDP (от $10 000 с 1965 года) и 32-разрядные VAX (от $100 000 с 1978 года) стали бестселлерами, так как были дешевы и очень просты в эксплуатации. Они не требовали штата из десятков сотрудников, как мейнфреймы IBM. По объемам продаж DEC вышла на второе место после IBM, продав при этом на порядок больше компьютеров[57].

Однако, сильно потеснив IBM, DEC вскоре сама столкнулась с конкуренцией еще более дешевых, но все более мощных персональных компьютеров, продававшихся в разных конфигурациях за $1000–5000. Большой выбор поставщиков, гибкость конфигураций, возможность самостоятельного апгрейда на развитом рынке комплектующих и постоянно растущая мощь микропроцессоров вывели персональные вычисления в лидеры компьютерного мира. В итоге в 1998 году DEC была куплена Compaq, крупнейшим производителем PC.

PC, Internet (Microsoft – Intel)

Появление персональных компьютеров стало возможным после создания микропроцессоров, то есть процессоров, целиком помещавшихся на одном кристалле. Эта технология кардинально уменьшила стоимость вычислений и до сих пор лежит в основе всей современной цифровой техники (рис. 14).

Лидирующим производителем микропроцессоров была компания Intel, выпустившая свой первый микроконтроллер Intel 4004 в 1971 году[58]. Вместо заказанной ей серии различных контроллеров было решено изготовить один программируемый контроллер, который мог заменить их все. Такой подход быстро завоевал популярность, и Intel приняла стратегическое решение сосредоточиться на производстве микропроцессоров, уступив рынок более просто устроенной компьютерной памяти японским конкурентам. Первые микросхемы были 4-битными и использовались в настольных калькуляторах, но 8-разрядные чипы уже могли работать как с числами, так и с символами. Выпущенный в 1974 году универсальный микропроцессор Intel 8080 при цене $360 мог заменить компьютер стоимостью несколько тысяч долларов. Первые персональные компьютеры на таких процессорах использовались в основном для игр.

Самым популярным 8-битным компьютером стал Apple II, предлагавший в стильном корпусе цветной дисплей, звук и интерпретатор языка BASIC. Кроме игр, Apple предлагала и приложения для работы, например электронные таблицы VisiCalc, пользовавшиеся большой популярностью у покупателей. Начиная с 1977 года было продано свыше 5 млн экземпляров Apple II разных модификаций.

Рынок микрокомпьютеров рос на 40 % в год и в 1979 году превысил планку $150 млн, обратив на себя внимание «серьезных» компаний, включая IBM. Последняя решила завоевать этот рынок, создав буквально за год свою модель IBM PC на основе стандартных компонент, доступных на рынке. В качестве микропроцессора был выбран только что появившийся 16-разрядный Intel 8088, а операционную систему IBM лицензировала у небольшого стартапа Microsoft. Более того, IBM опубликовала максимально подробное описание своего персонального компьютера, приглашая независимых производителей присоединиться к ее новой платформе. IBM понимала, что в одиночку ей не выиграть на этом новом для нее рынке, и эта ее политика произвела очередную микрореволюцию.

До 1981 года лидеры микрокомпьютерного рынка предпочитали как можно большую часть производства сосредоточивать у себя. С выводом на рынок IBM PC отрасль наконец получила открытый стандарт де-факто. Все независимые производители электронных комплектующих, периферийных устройств и программного обеспечения поверили в модель горизонтального рынка и переключились на новые стандарты.

В итоге IBM стала захватывать рынок невиданными темпами и уже через пару лет более чем в два раза обошла своего главного конкурента, Apple, по объему продаж. Подразделение IBM, отвечавшее за IBM PC, из внутреннего стартапа превратилось в третью по величине компьютерную компанию США по обороту продаж (после самой IBM и DEC).

Впоследствии, однако, IBM столкнулась с неизбежной конкуренцией многочисленных «клонов» ее продуктов с более дешевой сборкой в Юго-Восточной Азии и в конце концов отказалась от борьбы за этот слишком конкурентный рынок. Вся корпоративная культура IBM была настроена на работу с крупным бизнесом, а на новом рынке B2C требовались совсем другие компетенции.

Лидерами эпохи персональных вычислений стали крупнейшие представители нового горизонтального рынка – производители процессоров и программного обеспечения, наиболее сложных и капиталоемких его сегментов. Речь идет, конечно же, о компаниях Intel и Microsoft, продукция которых отлично дополняла друг друга. Чем больше возможностей предлагала новая версия Windows, тем более мощные процессоры требовались от Intel, что обеспечивало стабильный рост обоих членов «альянса Wintel».

Но решающую роль в расширении цифрового рынка сыграло, конечно, превращение Internet в мультимедийную всемирную сеть WWW (World Wide Web), что, в свою очередь, обязано появлению в стане PC нового интуитивно понятного графического интерфейса с метафорой информационных объектов – файлов, с которыми можно было обращаться как с обычными материальными объектами. Оба эти события относятся к середине 1990-х годов. Если мы посмотрим на рис. 14, то увидим, что к этому моменту компьютеры стали достаточно мощными для работы с графической информацией: за $1000 можно было получить 106 FLOPS, необходимых для графического интерфейса пользователя и для работы с графическими браузерами[59]. Мультимедийный Internet, конечно же, привлек к себе гораздо более широкую аудиторию, чем населявшие его ранее программисты, привыкшие к командной строке.

Персональный компьютер, подключенный к Всемирной сети, предоставлял всем желающим поистине неограниченный набор контента, впечатлений и способов самореализации, что сопровождалось соответствующим ростом парка PC и расширением сети Internet. Вызванная открывшейся перспективой первоначальная эйфория вскоре закончилась крахом «доткомов» в начале 2000-х, напомнившим, что в этой новой реальности надо искать новые формы ведения бизнеса. И эти формы не замедлили появиться. Возникли чрезвычайно прибыльные и стабильно растущие интернет-компании, захватившие к нашему времени первые места в мировой табели о рангах.

Смартфоны, облачные платформы, ИИ (Apple – Google – Microsoft – Amazon – Facebook)

Однако этому предшествовало появление еще одной революционной технологии – мобильной цифровой связи и соответственно мобильного интернета. Когда точкой входа в интернет вслед за персональными компьютерами стали на порядок более дешевые смартфоны, интернет-аудитория стала измеряться уже миллиардами пользователей, которые были на связи не в отдельные часы, а постоянно, где бы они ни находились.

Смартфоны стали неотъемлемым аксессуаром большинства людей, их «экзокортексом» – частью мозга, вынесенной наружу. Их стали приспосабливать к решению любых бытовых проблем. Все услуги, за которыми раньше приходилось обращаться в разнообразные офисы, стали доступными онлайн – здесь и сейчас: от справочной информации до получения ипотеки, от заказа пиццы до заказа такси. Началось слияние онлайн– и офлайн-миров.

Переход на новый мобильный формат цифровых устройств потребовал и нового интерфейса пользователя. Клавиатура и мышка плохо соотносятся со смартфоном. Современные окошки приложений и мини-клавиатуры являются, скорее всего, временным компромиссом. Ведь количество доступных приложений уже измеряется миллионами, и нет никакой надежды даже узнать о большинстве из них, не говоря об их использовании в подходящих ситуациях. Очевидно, что людям нужны электронные помощники – агенты, представляющие их интересы в этом сложном мире бесчисленных доступных сервисов. Необходимы посредники, понимающие как наши нужды, так и все возможности сервисов, способных эти нужды удовлетворить.

До сих пор в человеко-машинных интерфейсах пользователь был активной стороной. Он в явном виде отдавал компьютеру команды: что, как и когда тому надо сделать. Агентский интерфейс будущего будет отличаться проактивностью и самостоятельностью. Электронный секретарь должен будет сам угадывать, что посоветовать пользователю в тот или иной момент, потому что он помнит обо всех обязательствах пользователя, ничего не забывает и имеет доступ к прейскурантам всех облачных сервисов, то есть во многих отношениях его знания более обширны, чем у пользователя. Если мы хотим быть эффективными, нам придется все в большей мере полагаться на советы наших персональных ассистентов.

Соответственно, новой формой бизнеса является создание платформ, предоставляющих доступ ко множеству сервисов, и персональных электронных ассистентов в качестве интерфейса к этим платформам. Причем, чем более дружественным будет общение между пользователем и его ассистентом, тем большими будут конкурентные преимущества этой платформы. В идеале персональные агенты должны общаться на разных человеческих языках, понимать просьбы и пожелания пользователей в зависимости от текущего контекста, различать настроение пользователя и даже обладать чувством юмора. Иными словами, очередное поколение человеко-машинного интерфейса предполагает создание искусственного интеллекта.

Заметим, что к началу эры смартфонов в 2010-х годах, согласно рис. 14, за $1000 стала доступна вычислительная мощность, сравнимая с человеческим мозгом, – 1011 FLOPS (рис. 11). И как достижение в середине 1990-х критического порога 106 FLOPS открыло дорогу мультимедийному интернету, так переход через новый рубеж 1011 FLOPS знаменует начало эры искусственного интеллекта. Так что начавшийся в 2010-х и продолжающийся поныне бум искусственного интеллекта вполне закономерен.

Тот факт, что существующий сегодня ИИ все еще очень далек по своим возможностям от человеческого, следует отнести исключительно к неготовности современной науки к этому вызову. Создание искусственного интеллекта требует глубокого синтеза технических и гуманитарных знаний, и именно эта непростая задача встает сегодня во весь рост перед наукой. Мы должны объединить компьютерные науки с математикой машинного обучения, знаниями о механизмах работы мозга и тонкостях человеческой психики. Мы должны построить действующие модели искусственной психики, объясняющие человеческое поведение, и, поняв, как она устроена, наделить ею… роботов. Только в этом случае роботы и программные агенты смогут вписаться в человеческую цивилизацию «на наших условиях».

Аналогия с промышленной революцией

В этой главе мы описали начало перехода от индустриального уклада к цифровому, который ожидает нас в не столь отдаленном будущем. Возникает вопрос: а на какой стадии этого перехода мы сегодня находимся? Можем ли мы указать, например, соответствующую стадию промышленной революции, чтобы понять, хотя бы из этой аналогии, масштаб грядущих перемен?

По мнению автора, появление искусственного интеллекта в его современном виде слабого ИИ соответствует созданию первых, еще очень несовершенных паровых двигателей. Поясним, чем обусловлена такая аналогия. Паровой двигатель был замыкающей технологией первой промышленной революции. С его появлением стало возможным массовое промышленное производство. Авангардом первой промышленной революции выступало ткацкое производство. Ткацкие станки появились задолго до этого и постепенно совершенствовались, пока наконец не превратились в автоматы, которые можно было приводить в действие внешними источниками энергии, независимыми от человека. Поначалу таким источником служили водяные мельницы, и первые мануфактуры возникали по берегам рек, что ограничивало масштаб производства и было неудобно с точки зрения логистики. Появление парового двигателя позволило организовать фабричное производство произвольного масштаба непосредственно в местах скопления рабочей силы, то есть в городах. Одна паровая машина могла обслуживать несколько цехов с различными видами станков, обеспечивая энергией весь производственный цикл. Снабжение городов и фабрик топливом также осуществлялось с помощью все того же парового двигателя, поставленного на рельсы. Таким образом, эта замыкающая технология разом сняла все преграды для организации массового промышленного производства, и Англия в короткий период смогла обеспечить тканями весь остальной мир[60].

Аналогичным образом масштабы цифровой экономики до последнего времени ограничивались скоростью переноса знаний от людей к компьютерам с помощью программистов. Машинное обучение снимает это ограничение скорости роста компьютерной составляющей коллективного мышления, позволяет создавать массовые интеллектуальные сервисы, обеспечивающие своими услугами весь мир. Как в свое время паровые двигатели, машинное обучение расшивает узкое горло, сдерживающее массовый переход на новый технологический уклад.

Современное глубокое обучение можно уподобить первым громоздким паровым двигателям Ньюкомена с их чудовищно низким КПД. Обучение глубоких нейросетей сегодня требует больших массивов данных и еще больших вычислительных ресурсов (пропорциональных квадрату объема данных). Это является естественным следствием их универсальности: нейросети способны реализовать любой алгоритм, аппроксимировать любую непрерывную зависимость выходов от входных данных. Изначально в них не заложены никакие априорные предположения о характере моделируемых данных, а чем меньше у нас априорных знаний, тем больше требуется примеров, чтобы передать эти общие знания алгоритму.

Люди же, благодаря своему интуитивному пониманию законов внешнего мира, способны угадывать решения незнакомых задач буквально по нескольким примерам. Так, в известных тестах по измерению IQ средний человек способен, как правило, угадать четвертую картинку по трем имеющимся. Интеллект ассоциируется у нас именно со способностью схватывать на лету, то есть с эффективностью упаковки данных в знания[61]. И в этом смысле эффективность современных нейросетей оставляет желать лучшего.

Но мы помним, что в ходе промышленной революции КПД двигателей неуклонно повышался, как росла и их доступность. Качественное изменение произошло с повсеместным внедрением электричества и электродвигателей, с появлением общедоступной «энергии из розетки» (произошла так называемая вторая промышленная революция). Аналогичный момент в цифровой революции наступит с появлением сильного ИИ, по своим интеллектуальным способностям не уступающего человеческому. Только сильный ИИ способен бесшовно вписаться в человеческое общество, стать общедоступным «интеллектом из розетки» в качестве новой технологической основы цифрового уклада.

В том, что это произойдет, нет никаких сомнений, вопрос только – когда. В следующей главе мы попытаемся ответить на него, рассмотрев более внимательно драйверы современного этапа цифровой революции. Как проникает в нашу жизнь и в каком направлении развивается искусственный интеллект сегодня? Кто и насколько сильно заинтересован в появлении сильного ИИ? Ведь если общество действительно нуждается в какой-то технологии, если на нее имеется растущий платежеспособный спрос, ее появление неизбежно. Как говорил Ф. Ницше, «кто знает зачем, найдет любые как».

Резюме

В главе 1 мы обсудили основные этапы развития человеческой цивилизации с древности до наших дней, вписав современную технологическую революцию в этот единый процесс. В этой главе мы сосредоточились на истории развития цифровых технологий, быстрыми темпами формирующих новый технологический пакет цифрового уклада. Выяснилось, что буквально на наших глазах во втором десятилетии XXI века сформировалась замыкающая технология этого технологического пакета – искусственный интеллект, в его первой, пока еще несовершенной, версии. В следующей главе мы проследим, как эта технология вписывается в современную экономику, за счет чего увеличивает производительность труда и каким требованиям должна будет удовлетворять для окончательного перехода к цифровому укладу. Ограничения слабого ИИ позволят нам сформировать «техническое задание» для сильного ИИ, основываясь на тех проектах по его созданию, которые сегодня уже объявлены. Предполагая, что эти проекты будут обеспечены достаточными ресурсами со стороны заинтересованных инвесторов, мы сможем относительно обоснованно предсказать наше ближайшее будущее.

Глава 3

Экономика цифровых платформ

Кибернетика – это прежде всего наука о достижении целей, которых простым путем достичь невозможно.

СТАНИСЛАВ ЛЕМ

Кто владеет информацией, тот владеет миром.

НАТАН РОТШИЛЬД

Экономика больших данных: персонализация

Каждый следующий технологический уклад характеризуется более высоким уровнем производительности труда и соответственно жизни. Скачок в производительности при переходе к индустриальному укладу был обусловлен машинным производством, требующим резкого роста энергопотребления. Соответствующий пакет технологий распечатывал новый обильный и дешевый ресурс – запасы ископаемого топлива.

Но сегодня, как мы знаем, энергетика растет вровень с остальной экономикой. За счет какого же ресурса и каким образом новый цифровой уклад обещает кратно увеличить производительность труда и обеспечить растущему населению Земли высокое качество жизни? Ранее мы утверждали, что новым обильным ресурсом цифровой экономики являются информация и знания. Настала пора с фактами в руках обосновать это утверждение.

Главное отличие нового цифрового уклада от предыдущего, индустриального, – персонализация всего и вся. Индустриальный уклад основан на массовом производстве товаров и услуг. Его технологическая основа – гигантские конвейеры, запрограммированные на массовый выпуск типовых изделий как в сфере материального производства, так и в информационном пространстве – в средствах массовой информации.

Машинное производство повысило производительность труда и расширило рынок за счет удешевления продукции. Но ориентация на типовые решения сама по себе ограничивает размеры рынка. Никакое увеличение номенклатуры планово выпускаемых изделий не способно удовлетворить все мыслимые сочетания индивидуальных предпочтений. Рынок персонализированных продуктов намного шире.

Однако в индустриальном укладе отсутствуют технологии, позволяющие определять эти предпочтения и удовлетворять их экономически обоснованным способом, а именно эффективно организовать сбор индивидуальных заказов от пользователей и производство соответствующих штучных товаров и услуг. И в том и в другом случае речь идет об эффективной обработке больших массивов информации, что, в свою очередь, невозможно без массового создания алгоритмов, управляющих этими процессами. А ключевой технологией массового производства алгоритмов обработки данных, как мы выяснили, является машинное обучение.

Поскольку «топливом» для него служат данные, они сегодня становятся «новой нефтью». Соответственно в лидеры цифровой экономики выбиваются так называемые цифровые платформы, имеющие доступ к максимально большим объемам данных, точнее, способные сами генерировать необходимые им данные в процессе общения с пользователями. Платформами их называют потому, что они позволяют зарабатывать деньги большому количеству сторонних производителей, предоставляя им услуги по приему от потребителей и доставке им персональных заказов, основанных на детальном знании предпочтений всех, кто пользуется услугами платформы.

Труд тоже товар, который востребован на рынке, как и всякий другой. В индустриальном обществе работник является частью гигантского конвейера и должен, как и другие его части, соответствовать определенным профессиональным стандартам. Любые, пусть даже уникальные, способности за рамками стандартов воспринимаются как нежелательные отклонения. Соответственно множество талантов, не нашедших себе применения, в индустриальном обществе пропадают. Однако они могут обрести свое место в мире платформ, обслуживая бесконечно разнообразный спрос. Так, на платформе App Store независимые разработчики предлагают ее пользователям более 1 млн приложений для iOS, генерируя $50 млрд выручки в год. Таким образом, платформы организуют и обслуживают «длинный хвост» пользовательских предпочтений, с одной стороны, и «длинный хвост» производителей – с другой.

Наконец, last but not least, с развитием искусственного интеллекта массовое конвейерное производство будет сменяться гибкими производственными системами, каждая со своим собственным интеллектом. Совокупный интеллект человечества станет расширяться за счет бесчисленных программных агентов и роботов, каждый из которых будет обладать сверхчеловеческими способностями в сфере своих компетенций. Иными словами, начнет происходить повышение степени разделения труда. Таким образом, объем знаний и соответственно количество и качество управленческих решений в экономике будет возрастать. Это приведет к снижению издержек, более экономному расходованию ресурсов и, следовательно, к увеличению общего объема товаров и услуг при тех же энергозатратах. Если индустриальный уклад повысил энергетическую мощь цивилизации, то цифровой уклад повысит ее интеллектуальную мощь и, как следствие, энергоэффективность экономики. Каждый джоуль будет контролироваться и расходоваться с максимальной эффективностью, предотвращая тем самым надвигающийся глобальный экологический кризис. Сегодняшний повсеместный тренд на энергоэффективность – один из признаков перехода к новому укладу.

Цифровые платформы – это типовые ячейки новой цифровой экономики, приходящие на смену транснациональным компаниям индустриальной эпохи. Ведущие цифровые платформы быстро превращаются в «естественные монополии» благодаря известному сетевому эффекту, характерному для любых сервисов, основанных на машинном обучении. А именно: чем больше у сервиса пользователей, тем больше у него данных и тем выше его качество, что еще больше увеличивает количество его пользователей, и т. д. Возникает положительная обратная связь, приводящая к появлению лидера данного сегмента и его экспоненциальному росту. Именно за счет этого эффекта не так давно возникшие цифровые платформы превратились в крупнейшие глобальные компании, некоторые из которых перешагнули рубеж капитализации в $1 трлн.