Воспитание машин. Новая история разума

Соответственно, далее мы будем придерживаться следующих определений:

● интеллект – это алгоритм обучения целенаправленному поведению агента;

● разум – это алгоритм обучения целесообразному коллективному поведению агентов.

Тем самым мы различаем индивидуальный интеллект и коллективный разум. Оба представляют собой обучающиеся адаптивные системы, но их целевые функции и алгоритмы обучения разные.

Заметим также, что от разумных агентов мы ожидаем постоянного накопления опыта в процессе обучения. Именно способностью к обучению решению все новых задач, то есть к усложнению своего поведения, разумные агенты отличаются от простых адаптивных физических систем с обратными связями типа, например, термостата. Даже сколь угодно сложные экспертные системы не обладают интеллектом в нашем понимании, если в них не заложена способность к обучению, – они являются лишь очень продвинутой формой справочника.

Этим определениям, однако, не хватает одного важного свойства – количественного измерения уровня интеллекта. Понятно ведь, что уровни интеллекта человека и шимпанзе существенно различаются, да и люди, как известно, обладают разными IQ. В этой связи очень интересно решение, предложенное Франсуа Шолле из Google, создателем известной библиотеки Keras. Интеллект он определяет как способность к эффективному обучению и предлагает измерять его как КПД конверсии получаемой из внешней среды информации в знания о том, как достигать своих целей[82]. В наших обозначениях:

где: ∆C – приращение знаний, повышающих адаптацию агента в изменившихся условиях, то есть усложнение алгоритма его поведения с учетом вновь полученной информации;

∆I – новая информация, не содержащаяся в предыдущей истории взаимодействия со средой.

Выше мы уже отмечали, что современным алгоритмам глубокого обучения как раз не хватает такой эффективности. По этой причине они до сих пор и не могут выйти из виртуальных миров, где можно ошибаться миллионы раз, в реальный мир, где каждая ошибка может стать последней.

В дополнение к формальному определению меры интеллекта Ф. Шолле предложил набор задач «Abstraction and Reasoning Corpus» для тестирования машинного интеллекта, по форме напоминающий классические тесты на IQ (например, дополнить по трем картинкам четвертую). Таким образом проверяется способность агента использовать минимальное число обучающих примеров для понимания сути новой задачи и нахождения ее решения. Неудивительно, что современные глубокие нейросети, жадные до данных, пока не способны пройти этот тест.

Заметим, что тест на машинный IQ разрабатывался в предположении, что задачи, с которыми столкнется будущий искусственный интеллект, будут похожи на те, с которыми люди имеют дело в повседневной жизни. У машинного интеллекта предполагается наличие интуитивного понимания элементарных физических и геометрических закономерностей, которым ребенок обучается на ранних стадиях своего развития (понятий причинности, сохранения, непрерывности, симметрии и т. д.), наряду со способностями к счету и абстрактному мышлению, приобретаемыми позднее. Иными словами, предполагается, что искусственная психика роботов должна быть настроена на тот же круг задач, что и человеческая[83]. Может, тогда и архитектура искусственного интеллекта должна соответствовать архитектуре человеческого мышления?

Тем самым ИИ на новом этапе своего развития возвращается к старой идее моделирования естественного интеллекта для углубления нашего понимания природы интеллекта и построения искусственного разума с учетом полученных знаний. Такая совместная исследовательская программа классических наук о разуме и разработчиков машинного интеллекта сегодня необходима и тем и другим.

Исследовательская программа по созданию сильного ИИ

Мы определили индивидуальный интеллект и коллективный разум как особый класс алгоритмов, способных увеличивать свою сложность при взаимодействии со средой, совершенствуя способность добиваться своих целей в постоянно меняющихся условиях. Именно такие алгоритмы являются предметом машинного обучения, поэтому оно служит наиболее адекватной парадигмой для исследования интеллекта и разума.

Так что машинное обучение играет для понимания разума такую же роль, как теория эволюции – для понимания жизни. При этом машинное обучение трактуется нами как фундаментальная наука о той части природы, которая научилась учиться, в противовес физике, которая изучает косную материю, неспособную к обучению. В таком понимании теория эволюции – это и есть теория обучения живого вещества (пользуясь терминологией В. И. Вернадского), объясняющая причины появления всех форм жизни во всем их удивительном многообразии.

Таким образом, известный тезис Феодосия Добржанского: «Ничто в биологии не имеет смысла, кроме как в свете теории эволюции»[84] можно перефразировать так: «Ничто в науках о разуме не имеет смысла, кроме как в свете машинного обучения». Поэтому именно машинное обучение способно объединить усилия представителей разных наук для совместного продвижения в понимании разума, как человеческого, так и искусственного. Каким образом? Предоставив единую научную парадигму, математический язык, на котором им всем было бы удобно общаться. Разные науки о мозге и мышлении используют настолько разные подходы, что возникает проблема их совмещения друг с другом, и это обстоятельство препятствует плодотворному обмену идеями между различными научными школами.

Нейрофизиология описывает мозг как мыслящую машину и стремится понять устройство этой машины. В «физике мозга», как и везде в физике, объяснение предполагает в первую очередь выявление причинно-следственных связей, поэтому очень показательны работы пионера нейрофизиологии И. М. Сеченова, объяснявшего мышление сложной иерархией рефлексов: «Определенными внешними влияниями вызываются последовательно ряды ассоциированных мыслей, и конец рефлекса вытекает логически из сильнейшей»[85].

Психология, напротив, описывает мышление телеологически, исходя из внутренних целей организма. Наше мышление стремится опосредованно, через взаимодействие с внешним миром, удовлетворить врожденные потребности и приобретенные ценности человека. С этой точки зрения мышление определяется не столько внешними обстоятельствами, сколько нашими внутренними целями, как биологическими, так и социальными. Лучше всего иллюстрирует эту позицию знаменитая метафора Л. С. Выготского: «Облака мыслей, гонимые ветрами мотивов, проливаются дождем слов»[86]. Логика сосредоточивается на законах сознательного символьного мышления («облаках мыслей»), психолингвистика – на том, как они «проливаются дождем слов», психология же больше интересуется подсознательными «ветрами мотивов». В любом случае в центре внимания оказывается не физика устройства – мозга, а модели мышления, только в описательной, словесной форме, а не как действующие модели с четкими алгоритмами мышления.

Возникает извечный вопрос: как соотносятся между собой причинно-следственные связи и целесообразное поведение, то есть физическое и психическое? С одной стороны, если любое движение мысли определяется механизмами работы мозга, то как можно говорить о свободе воли? С другой стороны, только язык психологии способен хоть как-то объяснять ход наших мыслей и мотивы наших поступков. Конечно, детерминизм и телеология не противоречат друг другу. Это два способа понимания мира – на языке траекторий динамических систем или их аттракторов. Однако детерминистское описание сложной системы (физика мозга) ничего не говорит нам о ее целях, а знание целей – об алгоритмах их достижения.

Теория машинного обучения обеспечивает недостающую связь между принципами причинности и целеполагания за счет изменения постановки задачи. Физика рассматривает систему как данность и спрашивает, как эта система работает. Машинное обучение, напротив, интересуется, как создать систему, обладающую заданными свойствами. Внимание исследователей здесь фокусируется не на «морфологии», а на «эмбриологии» сложных систем.

Соответственно машинное обучение интересуют не столько «быстрые» алгоритмы работы уже готовой системы, сколько «медленные» алгоритмы ее самосборки, постепенного увеличения сложности системы при ее взаимодействии с миром. И эти последние (алгоритмы обучения) формулируются как раз в терминах оптимального управления, то есть достижения системой каких-то целей.

Таким образом, в машинном обучении цели встраиваются во вполне детерминистские алгоритмы обучения. Понимая, какие из них породили данную сложную систему, мы будем знать цели, которые она преследует. Алгоритмы обучения, как правило, гораздо проще результата обучения и позволяют нам не только создать сложную систему, но и «понять» ее, то есть объяснить, почему ее устройство нацелено на достижение определенных целей, примиряя тем самым причинно-следственное и телеологическое описание системы, притом что распутывание запредельно сложной сети причинно-следственных связей в уже сформировавшейся системе никак не продвигает нас в понимании логики ее работы.

Машинное обучение меняет наше понимание машины как устройства, исполняющего заложенные в него готовые алгоритмы. Алгоритмы обучения, даже относительно простые, способны в процессе взаимодействия со средой порождать сколь угодно сложные алгоритмы целенаправленного (то есть разумного) поведения, способного адаптироваться к произвольно меняющимся внешним обстоятельствам и изменять мир в соответствии со своими целями. Машины, оказывается, способны в процессе обучения ставить себе промежуточные цели и находить пути их достижения, преодолевая различные препятствия и вырабатывая собственные ценности, то есть нормы поведения, помогающие достигать поставленных целей. Это новое понимание машины, привнесенное теорией машинного обучения, открывает широкие перспективы в изучении разума во всех его проявлениях.

Итак, машинное обучение предлагает нам следующую программу исследования и создания сложных самообучающихся систем: выявление или разработка алгоритмов их обучения (причинно-следственное описание) как решение задач оптимизации (достижения целей) путем увеличения сложности системы (накопления знаний).

Последний момент особенно важен: простые алгоритмы обучения способны порождать сколь угодно сложное поведение. Физика, в которой отсутствует понятие обучения, не способна объяснить появление таких сложных систем, как, скажем, жизнь или разум. Для этого нам приходится обращаться к машинному обучению. Соответственно устройство и принципы работы такой сложной системы, как мозг, тоже можно понять только в свете теории обучения, когда мозг рассматривается не как готовый механизм, но как результат длительного процесса обучения. Это нацеливает нас на выявление в мозге механизмов, реализующих алгоритмы его обучения.

Именно на это, к слову, нацелена теория функциональных систем П. К. Анохина, предлагающая, по существу, алгоритм обучения с подкреплением как системообразующий принцип организации мозга[87]. Именно такие алгоритмы наиболее актуальны в современном машинном обучении, связанном с роботами, агентами и сильным ИИ.

Машинное обучение предлагает нам практический путь к пониманию мозга и разума, основанный на принципе «понять – значит воссоздать». Мы никогда не поймем наше мышление, если не сможем воссоздать его в виде искусственной психики роботов. Искусственный интеллект – это новый экспериментальный полигон для наук о разуме, гораздо более удобный и прозрачный, чем традиционные опыты на животных и людях. На этом полигоне можно гораздо быстрее отлаживать и развивать наши модели мышления.

Так, например, в последние годы была практически решена проблема машинного зрения, причем настолько хорошо и надежно, что на дорогах уже появились автономные автомобили. Алгоритмы глубокого обучения формируют иерархию все более абстрактных признаков, помогающих распознавать ситуации и моделировать пространственные сцены, заодно помогая нам понять и общие принципы работы сенсорного интеллекта.

Вслед за умением ориентироваться в мире приходит черед управлению поведением роботов и освоению ими навыков абстрактного мышления[88]. Возникает масштабный платежеспособный спрос на создание искусственной психики роботов. Современное машинное обучение пока что не смогло найти решения этой задачи.

В нашем понимании именно науки о мозге способны помочь преодолеть этот важный технологический барьер. Надо только суметь взглянуть на мозг с точки зрения машинного обучения – отвлечься от субстрата мозга и сосредоточиться на алгоритмах его обучения. Особенно важна вычислительная архитектура мозга, скопировав которую мы как раз и сможем получить искусственную психику роботов.

Обратная инженерия мозга

Какова роль наук о мозге в предлагаемой общей исследовательской программе? Кратко ее можно сформулировать как обратную инженерию мозга, а именно – реконструкцию его вычислительной архитектуры.

Такая постановка задачи для нейрофизиологов не нова. Схожую исследовательскую программу предлагал, например, Дэвид Марр в 1970-х годах. Напомним в этой связи, что Марр различал три уровня описания сложных систем:

● вычислительная архитектура – функциональное назначение подсистем в системе;

● алгоритмический уровень – алгоритмы достижения целей подсистем;

● уровень реализации – механизмы, реализующие эти алгоритмы.

Нейрофизиологам непосредственно доступен лишь нижний уровень описания – как конкретные нейроны или нейронные ансамбли взаимодействуют друг с другом. Как правило, большинство исследований так и остается на этом описательном уровне.

Реже удается разгадать алгоритмы работы каких-то подсистем мозга и понять логику их конструкции. Например, работу мозжечка можно понять, представив его как гигантский персептрон Розенблатта[89], а гиппокамп неплохо описывается моделью ассоциативной памяти Хопфилда[90]. Наконец, сегодня мы в основном понимаем и принципы работы основной подсистемы нашего мозга – неокортекса, содержащего сотни тысяч самоорганизующихся карт признаков, в которых кортикальные колонки формируют и распознают различные категории[91].

Однако истинное понимание принципов работы мозга возможно лишь с выходом на более высокий архитектурный уровень его целостного описания. А именно: выявление назначения и способов взаимодействия основных подсистем мозга – коры, базальных ганглий, таламуса, мозжечка, стволовых структур и т. д. – с пониманием алгоритмов их работы и обучения. Недаром Дэвид Марр отмечал, что, «хотя верхний уровень по большей части игнорируется, именно он является наиболее важным»[92]. Обратный инжиниринг вычислительной архитектуры мозга является, с нашей точки зрения, центральной задачей нейрофизиологии в рамках предлагаемой исследовательской программы.

В этой связи особое значение, с точки зрения автора, имеет архитектура кортико-стриарной системы мозга приматов, управляющей нашим поведением[93]. Приматы интересны тем, что архитектура мозга у них отличается от остальных млекопитающих: количество нейронов в их мозге пропорционально его массе, тогда как у остальных млекопитающих – массе2/3. Иначе говоря, у приматов число нейронов растет с ростом массы мозга гораздо быстрее, чем у остальных млекопитающих. В результате у больших приматов, включая людей, в мозге намного больше нейронов, чем у других млекопитающих с аналогичным по весу мозгом. Поэтому-то наш мозг и обладает такими уникальными вычислительными возможностями. Если бы мы не были приматами, чтобы иметь такое же, как у нас, число нейронов, наш мозг должен был бы весить 30 кг![94]

В качестве примера на базе предложенной автором реконструкции архитектуры мозга приматов[95] в лаборатории когнитивных архитектур МФТИ в настоящее время разрабатывается модель искусственной психики ADAM (Adaptive Deep Autonomous Machine) «по образу и подобию» человеческой. Подчеркнем, что именно обратный инжиниринг кортико-стриарной системы помог нам преодолеть существенный технологический барьер и предложить схему обучения иерархическому управлению. До сих пор эта проблема не поддавалась решению[96].

Почему бы нам теперь не начать создавать и более реалистичные модели психики различных животных, с тем чтобы воспроизвести их поведение в реальных экспериментах? Машинное обучение впервые предоставляет нам способ воссоздать психику животных и тем самым убедиться в том, что мы ее действительно понимаем. А там уже недалеко и до понимания человеческой психики.

Моделирование психики

Итак, понимание вычислительной архитектуры мозга действительно полезно для создателей действующих моделей искусственной психики. А с появлением таких моделей у нас возникает уникальная возможность тестирования различных теоретических представлений о том, как устройство мозга определяет поведение животных и человека, то есть наведения мостов между нейрофизиологией и психологией, а затем перехода к психолингвистике и логике.

Планирование и проведение экспериментов с искусственной психикой объединенными командами представителей разных наук как раз и составляет основное содержание практических проектов в рамках предлагаемой исследовательской программы. Основная задача – воспроизвести с помощью постепенного усложнения искусственной психики эволюцию когнитивных способностей млекопитающих от грызунов к приматам и далее – к человеку.

Начинать естественно с самого простого: воспроизвести основные поведенческие паттерны «искусственной мышки». Примером могут быть опыты с поиском пищи в лабиринтах, открыванием кормушек с помощью различных приспособлений и другими элементами дрессуры. В более сложной постановке можно изучать игровое поведение разных агентов, скажем хищников и их жертв («кошки-мышки»), вместе с исследованием обучения различным навыкам выживания в искусственных средах. Естественно, речь идет не только об индивидуальном обучении животных, но и о коэволюции параметров их мозга, а именно о том, какие врожденные рефлексы оказываются наиболее полезными для выживания «кошек» и «мышек».

Аналогично можно моделировать кооперативное поведение стайных животных в условиях, когда они могут обмениваться сигналами. Например, каждый агент, кроме обычных сенсоров и актуаторов, получает возможность демонстрировать и воспринимать ограниченный набор символов – язык поз и других способов демонстрации намерений. В результате у агентов должна развиваться способность распознавать и использовать намерения других агентов с помощью такой сигнальной системы, то есть то, что обычно называют theory of mind.

С практической точки зрения все такие эксперименты мало чем отличаются от существующих программ обучения искусственных агентов игре в StarCraft и другие игры. Для понимания эволюции мозга необходимо будет создать соответствующий набор тестовых задач типа OpenAI Gym, с помощью которого разные исследовательские группы могли бы сравнивать между собой достоинства различных архитектур искусственной психики и их способность моделировать как можно большее число реальных экспериментов с различными животными[97].

До определенного предела, скажем до уровня приматов, возможности искусственной психики можно наращивать экстенсивно – за счет увеличения числа вычислительных модулей и слоев обработки данных. Все-таки число нейронов мозга мыши (70 млн), кошки (700 млн) и шимпанзе (30 млрд) различаются на порядки. Но всего лишь трехкратная разница между мозгом шимпанзе и человека (менее 90 млрд нейронов) не настолько значительна, чтобы объяснить пропасть между интеллектом шимпанзе и разумом человека. Гораздо важнее то, что последний использует знания, накопленные тысячами поколений наших предков, инсталлированные в индивидуальную психику человека в процессе воспитания. Да, чем-то мозг шимпанзе от мозга человека отличается качественно, а именно способностью к овладению языком и абстрактным мышлением, необходимым для восприятия культурного наследия. Возможно, трехкратное увеличение размеров мозга как раз и позволило праязыку «поместиться» в мозге наших предков, обеспечив качественный переход от индивидуального интеллекта к коллективному разуму.

Способность машин обучаться естественным языкам и свободно общаться на них – важнейший технологический барьер на пути к сильному интеллекту. Существующие глубокие нейросети могут «понимать» значения слов и даже генерировать связные тексты, трудно отличимые от созданных человеком[98]. Однако пока что они не способны по-настоящему «держать мысль», то есть мыслить по-человечески. Им явно не хватает способности к моделированию окружающего мира и к логическому мышлению.

Логика, включая логический ИИ, понимает под мышлением математически выверенные операции с символами вместо предметов. Однако логический интеллект не порождается индивидуальным мышлением. Напротив, он нормирует индивидуальное мышление через язык и культуру в процессе воспитания. Мы осваиваем одну общую логику, а не изобретаем ее заново каждый свою. Этим же путем воспитания должны пойти и роботы.

Соответственно, если мы действительно хотим понять человеческий разум и создать роботов, способных на равных вписаться в человеческую цивилизацию, наша исследовательская программа должна развить теорию машинного обучения до теории машинного воспитания, а именно ответить на вопрос: каким образом приобщить роботов к человеческим знаниям, ценностям и культуре? Здесь мы следуем концепции Л. С. Выготского о решающей роли процесса воспитания – инсталляции понятий коллективного человеческого разума в индивидуальный интеллект.

С машинным воспитанием тесно связан вопрос о том, как встроить в алгоритмы машинного обучения механизмы, гарантирующие безопасность человечества в эпоху сильного ИИ. Мы коснемся этого вопроса ниже, обсуждая современный аналог «трех законов робототехники», предложенный Стюартом Расселом в качестве базиса будущей «этики ИИ»[99].

Подытожим вкратце логику предлагаемой исследовательской программы. Мы исходим из того, что «понять – значит воссоздать». Следовательно, формирование ИИ есть единственный способ познания человеческого разума. Значит, науки о мозге и мышлении должны использовать достижения современного ИИ в своих целях, а для этого – активно участвовать в развитии ИИ в рамках совместной исследовательской программы. В последнее десятилетие в искусственном интеллекте произошла смена научной парадигмы. Было осознано, что машинное обучение – единственный способ построения разумных машин неограниченной сложности. Соответственно предлагаемая исследовательская программа должна опираться на методологию машинного обучения. Задача когнитивных наук в такой совместной исследовательской программе – обратный инжиниринг мозга и построение моделей искусственной психики. Предлагаемая исследовательская программа призвана обеспечить:

● разработчикам ИИ – понятный путь к сильному ИИ, владеющему естественным языком и обладающему логическим мышлением;

● нейрофизиологам – понимание принципов и алгоритмов работы мозга;

● психологам – понимание принципов организации психики и ее формирования в процессе индивидуального развития, а также связи когнитивных функций со структурами мозга.

Как говорится, «время разбрасывать камни, и время собирать камни».

Ресурсы для создания сильного ИИ

Если верить Гегелю, «всё действительное разумно, всё разумное действительно». Значит, если описанная выше программа создания сильного ИИ разумна, она рано или поздно сформируется и получит поддержку инвесторов. По всей видимости, ждать придется недолго, ведь этот подход объединяет две бурно развивающиеся области – нейронауки и ИИ, и выгода от их «перекрестного опыления» слишком очевидна.

По словам первооткрывателя структуры ДНК Джеймса Уотсона, «мозг для XXI века будет тем же, чем ген был для XX века». В последние годы в мире запущено несколько масштабных проектов по комплексному исследованию мозга: европейский Human Brain Project (2013–2023), американский BRAIN Initiative (2014–2025), китайский China Brain Project (2017–2030), японский Brain/MINDS и другие с общим финансированием, превышающим $1 млрд в год (Human Brain Project – €500 млн[100], BRAIN Initiative – $500 млн[101]). Недаром XXI век иногда называют «веком мозга».

Однако с еще большим основанием его можно назвать и «веком искусственного интеллекта». Судя, например, по масштабу инвестиций, как показано на рис. 16, гонка за искусственным интеллектом, едва начавшись, уже превосходит по ресурсам ядерную и ракетную гонки. При этом в нее вкладываются в основном не бюджетные, а частные деньги. Бизнес отлично понимает, что эти вложения окупятся сторицей. Ведь, согласно McKinsey, искусственный интеллект обеспечит почти 40 % всего экономического роста в ближайшее десятилетие (1,2 % из 3,2 % ожидаемого годового роста мировой экономики)[102].

В искусственный интеллект, в том числе в сильный ИИ, вкладываются венчурные инвесторы и корпорации. Компания DeepMind с 2014 года ежегодно растет в 1,5 раза, и в 2020 году в ней работало уже более 1000 сотрудников. Государства также имеют свои виды на сильный ИИ в виде новых поколений боевого и разведывательного ИИ. Начиная с 2017 года в мире наблюдается парад национальных стратегий в области искусственного интеллекта.

Результатом этой новой технологической гонки может стать ИИ-национализм – приоритет экономических и военных интересов отдельных стран над международным сотрудничеством – и ИИ-национализация – интеграция ресурсов государства и частных компаний для достижения геополитических целей[103]. В этой гонке сегодня впереди две супердержавы – нынешний лидер США и бросившийся вдогонку Китай, провозгласивший своей целью достижение мирового лидерства в сфере ИИ к 2030 году (56 % и 22 % всех инвестиций в ИИ за последние 5 лет соответственно).

На рис. 17 отчетливо виден «момент спутника» для ИИ – 2017 год, после неожиданных побед «стратегического ИИ» AlphaGo над лучшими профессиональными игроками в древнюю игру го. Напомним, что AlphaGo – это продукт компании DeepMind, работающей над созданием сильного ИИ.

Таким образом, в последние годы в мире сформировался платежеспособный спрос со стороны государств и частного бизнеса и на разгадку человеческого разума, и на создание искусственного. Так что велика вероятность объединения усилий по этим направлениям в рамках единой исследовательской программы.

Бизнес-модель: платформа сильного ИИ

Всякий исследовательский проект, особенно такой затратный, как создание сильного ИИ, предполагает возможность вернуть вложенные в него инвестиции сторицей. В нашем случае сценарий монетизации легко себе представить, поскольку искусственная психика – это не что иное, как операционная система нового поколения для роботов.

Существующие ОС, скажем ROS, созданы для программирования поведения роботов. С появлением искусственной психики последние обретут способность обучаться множеству самых разных навыков и осваивать десятки тысяч профессий с минимальным объемом программирования. Оно ограничится алгоритмами обучения и «врожденными рефлексами», необходимыми для эффективного обучения роботов под руководством «наставников» и «воспитателей». Задачей первых будет обучение роботов профессиональным навыкам для работы по той или иной специальности, а вторых – обучение пониманию, чего люди ожидают от них в тех или иных ситуациях, то есть привитие им человеческих ценностей. Наставниками роботов могут быть те самые профессионалы, которых роботы призваны заменить, а воспитателями – пользователи, оценивающие то, насколько поведение роботов соответствует их желаниям и ожиданиям.

Естественно, нет необходимости воспитывать и обучать с нуля каждого робота. В отличие от людей, искусственную психику новым партиям роботов можно будет инсталлировать в готовом виде, однако они смогут получать периодические обновления своей психической «прошивки», как это принято в современных операционных системах. Так что обучение роботов можно будет проводить в многопользовательском режиме – сигналы от многих миллионов пользователей будут суммироваться платформой и совместно формировать обновленную версию «робоэтики».

Единая операционная система для всех типов роботов удобна еще и тем, что они смогут легко обмениваться своими знаниями. При одинаковой архитектуре возможности роботов будут различаться только мощностью их бортовой аппаратуры. Как и в случае со смартфонами, базовые функции могут исполняться на борту, а различные опции – подгружаться из облачной платформы по мере необходимости.

Как мы знаем, наиболее популярные операционные системы, приобретая статус отраслевого стандарта, становятся естественными монополиями. Они являются цифровыми платформами для разработчиков прикладного программного обеспечения, а в мире платформ, как водится, «победитель забирает все». Будущие операционные системы для роботов не будут исключением, так что разработчикам искусственной психики имеет смысл побороться за первенство на этом перспективном и стратегически важном рынке. А первенство будет за теми, кто первым предложит удобную и дешевую цифровую платформу для всех участников этого рынка:

● для компаний – производителей роботов;

● для профессионалов – их наставников;

● для конечных пользователей услуг роботов.

Производителям роботов будет предложена универсальная искусственная психика, разработать которую самостоятельно никто из них не в состоянии. Им хватает проблем с физическими телами роботов – это их сфера компетенций. Для производителей важна именно универсальность искусственной психики, чтобы она подходила к любым телам роботов, какими бы наборами сенсоров и актуаторов они ни обладали. Естественно, под каждое «железо» будут разрабатываться свои драйверы – наборы «врожденных» рефлексов для данного типа роботов. Так, новорожденный жеребенок может практически сразу самостоятельно встать и побежать за матерью. Но за дальнейшее обучение роботов различным профессиональным навыкам и человеческим ценностям производители роботов ответственности не несут. За это отвечают наставники и пользователи.

Наставники роботов – это команды профессионалов, передающие секреты своего ремесла роботам, приходящим им на смену. Они должны быть заинтересованы в этом, например, через участие в будущих прибылях, пропорциональное их вкладу в увеличение производительности роботов. Пусть этот вклад определяется рынком, где наставники будут конкурировать между собой, предлагая предобученные модули универсальной искусственной психики. Соответственно для наставников важны модульная архитектура искусственной психики и рыночная площадка для торговли такими модулями. Ситуация вполне аналогична нынешним операционным системам смартфонов с соответствующими магазинами приложений.

Наконец, компании, использующие роботов, должны иметь возможность платить лишь за конечный результат, оценивая качество полученных ими услуг наиболее понятным и принятым в человеческом обществе способом. Только конечный пользователь способен оценить итоговый результат всей производственной цепочки – разработчиков операционной системы, производителей роботов и их наставников. Соответственно благодарность пользователей в денежном выражении должна распределяться по этой цепочке в качестве обратной связи между потребителями и поставщиками услуг.

Таким образом, мы можем представить себе следующую бизнес-модель, устраивающую всех участников будущего рынка робототехники. Производители роботов специализируются на разработке робоплатформ, аналогичных автомобильным платформам, на основе которых современные автобренды собирают свои модели в самых различных модификациях. Аналогичным образом будущие бренды робототехники будут комплектовать конкретные модели роботов операционной системой с конкретными наборами навыков и поставлять их конечным пользователям в аренду. Пользователи будут платить роботам «зарплату» за их услуги, размер которой будет определяться рынком и зависеть от степени удовлетворения пользователей. Это удобно, так как пользователи не рискуют своими средствами, как при покупке роботов, и не переплачивают за обещанные, но не оказанные услуги.

Цифровая платформа, предоставляющая операционную систему роботов (даром!), обеспечивает все расчеты между пользователями и поставщиками услуг с помощью электронного кошелька робота, являющегося неотъемлемой частью операционной системы. Этот электронный кошелек аналогичен дофаминовой системе мозга, обеспечивая обучение с подкреплением, нацеленное на удовлетворение потребностей конечных пользователей. Собственно, деньги играют в рыночной экономике аналогичную роль, посылая обучающие сигналы всей цепочке создания стоимости.

Бизнес этой платформы строится на небольшом проценте с транзакций между электронными кошельками роботов. Мы можем приблизительно оценить масштаб этого бизнеса. Допустим, внедрение роботов будет происходить с той же скоростью, с которой происходил переход от аграрной экономики к индустриальной, – примерно за век. Если через 100 лет основная часть ВВП будет производиться роботами, то их суммарная годовая зарплата составит порядка $100 трлн. Предположим, что она будет равна нулю в момент создания операционной системы роботов и каждый год станет прирастать на $1 трлн. Если поставщики операционной системы будут отчислять себе 1 % от всех зарплат роботов, то их доход будет каждый год возрастать на $10 млрд, а оценка стоимости компании с самого начала будет примерно $100 млрд. Так что создателям искусственной психики роботов есть за что побороться.

Наконец, last but not least, обсудим вопрос о безопасности будущего роботизированного общества. Чтобы обеспечить мирное сосуществование роботов и людей, Айзек Азимов и его друг и редактор Джон Кэмпбелл предложили в свое время «три закона робототехники» (в порядке их приоритетности):

1. Робот не должен причинить вреда человеку.

2. Робот должен повиноваться приказам человека.

3. Робот должен заботиться о собственной безопасности.

Однако сам же Азимов в своих произведениях неоднократно показывал неоднозначность трактовки этих законов в различных ситуациях. Ведь спасение одного человека может причинить вред другому, а любой словесный приказ содержит множество неявных ограничений, которые робот может и не угадать. Наконец, свою собственную безопасность он может легко связать с необходимостью исполнения уже отданных приказов или оправдать вред, нанесенный конкретным людям, пользой остальному человечеству, как это описано у Артура Кларка в его романе «2001: Космическая одиссея».

Современный научно обоснованный вариант трех законов робототехники предложен Стюартом Расселом[104], а именно:

1. Единственная цель роботов – максимизировать пользу, оказываемую ими людям.