Так же, как и сегодня, в 1973 году (в год, когда Майкл Кричтон выпустил «Мир дикого запада») всех завораживала идея искусственного интеллекта. Фильм имел огромный кассовый успех, хотя был выпущен в том же году, когда люди начали охладевать к идее ИИ: массивное истощение ресурсов ИИ, обманутые ожидания и, как следствие, угасающий интерес в последующие годы.

В 2016, «Мир дикого запада» вернулся на экран, и коренные изменения в технике глубинного обучения машин, общедоступные информационные ресурсы и вычислительные мощности фундаментально меняют будущее для ИИ. Вычислительные мощности и возможности технологий сейчас достаточно развиты, чтобы ИИ мог дополнить и подтолкнуть развитие общества по сравнению с полным крушением надежд в 1973 года.

Новая версия «Мира дикого запада» от HBO, созданная Джонатаном Ноланом и Лизой Джой стала на сегодняшний день одним из самых популярных сериалов. Футуристические западные реалии подливают масла в огонь повсеместной одержимости ИИ, и популярность шоу доказывает, что люди заворожены потенциалом ИИ. Успех «Мира дикого запада» отражает устойчивую экосистему ИИ, в котором венчурные фонды, корпорации и потребители активно взаимодействуют.

Основные задачи ИИ с 1973 года не изменились: автоматизация задач и устранение сдерживающих факторов организаций, а также облегчение повседневных бытовых действий. Правительство, ученые и корпорации двигали прогресс в области ИИ, в то время как потребители витали в заоблачных высотах (что подтверждается кассовым успехом «Мира дикого запада»), но не имели возможности приобрести технологию или понять, как её использовать, и какие она несет в себе ограничения.

Интереса потребителя не было достаточно для продолжения финансирования технологии, и спустя всего несколько месяцев после выхода фильма, Джеймс Лайтхилл опубликовал довольно пессимистический доклад по ИИ, вызвав последующее 7-летнее затишье. В докладе Лайтхилл указал на возрастающую пропасть между лихорадочными ожиданиями и реальностью, что привело к тому, что университеты стали урезать гранты, правительство и военные сократили финансирование проектов по развитию ИИ, а ресурсы стали уходить в другие проекты.

Сегодня, Рэй Курцвейл, Жэнь-Сунь Хуан, Эндрю Ын, Ян Лекун, Йошуа Бенгио и другие специалисты делают смелые заявления о потенциале ИИ, а корпорации в срочном порядке готовятся к осваиванию возможностей распознавания картинок, голоса и ведения диалога машинами. Нынешняя революция ИИ выходит далеко за рамки университетских и военных исследований и перетекает в нашу повседневную жизнь. Прогресс двигают 6 компонентов, которых не было или которых не хватало в семидесятые: научная база, вычислительная мощность, доступные информационные ресурсы, специалисты и инвестиции.

1. Как распознавать кошачьи мордочки

Хотя основополагающие компоненты для создания ИИ существуют уже 50 лет, сегодняшнюю одержимость идеей породили исследования Эндрю Ына в 2012 году (Стэнфорд). Ын и его команда осуществили прорыв в области неконтролируемого обучения при помощи нейронных сетей- предпосылки глубинного обучения (серия алгоритмов отдаленно имитирующая работу мозга). Ын- приглашённый профессор в Стэнфорде (основатель и ведущий специалист команды Google Brain, лидер команды из 1200 разработчиков ИИ в Baidu) решил протестировать неконтролируемое обучение, или набор данных для обучения без использования модели, а посредством нейронной сети. Он со своей командой использовал YouTube в качестве массива данных, и при содействии светил области ИИ и 16 000 компьютеров проверил, сможет ли его модель глубинного обучения распознавать лица. Сможет, даже кошачьи морды сможет, что стало известно под названием «кошачий эксперимент» Только благодаря усовершенствованию алгоритмов глубинного обучения, к которому привели за десятки лет научных исследований, стало возможно проведение такого теста.

До 2012 г традиционное обучение машин подразумевало применение алгоритмов для получения конечной переменной. Тесты Ына показали, что глубинное обучение (а также конструкции нейронных сетей) обладают огромным потенциалом.

В 1973-м году были ограничены и бюджетное финансирование ИИ, и вычислительные мощности, и методы глубинного обучения, не было понимания как обработать данные сложными алгоритмами. Обработка естественного языка только зарождалась, а понятие Полноты по Тьюрингу возникло всего лишь несколько лет назад. Исследователи в 70-х заблуждались насчет прогресса ИИ, о чем говорилось в работе Лайтхилла.

2. Графические процессоры и вычислительные мощности

Глубинное обучение или обработка данных через нейронные сети требует огромной вычислительной мощности, которая не была доступна во времена создания «Мира дикого запада» Крайтоном. Еще до начала процесса глубинного обучения, нужно собрать, синтезировать, загрузить и распределить данные по огромным базам и распределённым вычислительным системам.

Учены и энтузиасты сегодня используют графические процессоры для обучения с использованием массивов данных. Нейронные сети должны тренироваться на чипах процессоров 400 часов, перегоняя данные исследований десятков лет в алгоритмы. Глубинное обучение использует огромные массивы данных, обработка которых требует хорошо масштабируемой производительности, высокой пропускной способности памяти, низкого потребления энергии и скорости арифметических операций. Фреймворки Hadoop и Spark предлагают приемлемые базы данных, а компания Nvidia в свою очередь на 20 лет опережает производство графических чипов, которые идеально подходят для сложных алгоритмов и вычислений. Чипы Nvidia, в том числе графические, используются в большинстве «умных» аппаратных средств, таких как, автомобилей-роботов и дронов, и позволили использовать глубинное обучение в новых сферах.

В 1973-м году вычислительная мощность компьютеров была логарифмически слабее, чем сейчас (как видно на изображении Джонатана Куми)

3. Количество данных в сопоставлении со стоимостью хранения

Сегодня мы генерируем огромное количество данных, которые можно загрузить в модели обучения и которые дают более точный результат при распознавании изображений, речи и обработке естественного языка. Данные получают с таких девайсов, как фитнесс- браслеты, часы Apple и с устройств Интернета вещей. А количество данных в разы больше на уровне корпораций. Увеличение количества больших данных (big data) с мобильных средств, из интернета, интернета вещей создаёт целые горы данных, в самый раз для ИИ.

Со всеми современными облачными технологиями, большие компании могут хранить данные и иметь к ним постоянный доступ, не тратя при этом баснословных денег. Рост популярности обменников Box и Dropbox, предложения от Google, Amazon и Microsoft снизили стоимость хранения данных.

В 1973-м году было несравнимо меньше данных- часы пользователей не отслеживали циклы сна или показатели здоровья- ничего из того, что умеют наши любимые приложения сегодня. В компаниях, все данные хранились на местах, и если у вас не было денег на серверы и их обслуживание, то вы оставались за бортом.

4. Взаимодействие и общедоступные информационные ресурсы

Специалистов ИИ привлекают открытые ИТ ресурсы, доступные благодаря корпорациям, представленным на современном гиперконкурентном рынке. Супер компьютер IBM Watson стал первой ласточкой, и конкуренты теперь стремятся предложить свои собственные услуги. Google предоставляет инфраструктуру через Google TensorFlow, а Microsoft предлагает CNTK- фреймворк для глубинного обучения. Университеты открывают доступ к своим исследованиям: Университет Berkeley делится своим фреймворком Caffe, а Монреальский Университет открыл доступ к своей библиотеке Python- Theano.

В то время как многие организации сотрудничают и делятся исследованиями вобласти ИИ, с целью привлечь лучших специалистов, некоторые готовятся к потенциальным негативным последствиям, в случае, если вперед вырвется какая-то одна организация. Некоторые из игроков этой сфере — компания OpenAI, библиотеки Open Academic Society и Semantic Scholar. На конференции по нейросетевым системам обработке информации, прошедшем в декабре, Apple объявил, что откроет доступ к своим разработкам по ИИ, и позволит штатным исследователям опубликовать свои работы.

Во времена «Мира дикого запада» практически не существовало взаимодействия по обмену изысканиями, так как все исследования, в основном, проводились в правительственных структурах и оборонных предприятиях. Организации делились языками программирования типа LISP, а ученые сопоставляли свои работы при личных встречах, но еще не было коммуникационных возможностей Интернета, что тормозило сотрудничество и развитие ИИ.

5. Специалист по ИИ- царь и бог

Студенты ухватились за сферу ИИ, и проходят курсы по анализу данных и обработке естественного языка, а университеты, в свою очередь, привлекают соответствующие ресурсы для создания таких курсов. Количество студентов на курсах по информатике, математике, инженеров и проводимых исследований увеличивается и за счет стипендиальных программ, обеспечивающих соответствующее финансирование.

В 1973-м таких программ было мало, а европейские университеты закрыли многие проекты по изучению ИИ после опубликования пессимистического доклада Лайтхилла.

6. Инвестиционное помешательство

Сегодня рост инвестиций в ИИ происходит не по дням, а по часам. С 2011 года СГТР (совокупный темп годового роста) составил 42%, согласно данным Venture Scanner. Крупные венчурные фонды и технологические компании балдеют от ИИ, и вкладывают средства в специалистов, компании и инициативы. Было заключено несколько сделок- поглощений, которые были по сути красивой покупкой талантливых сотрудников для создания своей или усиления существующей команды специалистов по ИИ.

В 1973-м инвестиции поступали в основном от оборонных и правительственных организаций, типа DARPA (Агентство оборонных перспективных исследовательских разработок). Когда лихорадка стала утихать, DARPA существенно урезало свой бюджет по разработке ИИ и средства, крупным исследователям, оскудели. В то время, венчурный капитал только начинал зарождаться, и фонды были больше заинтересованы в производстве полупроводников, а не в ИИ.

ИИ уже присутствует в нашей жизни (например, Prisma, Siri и Alexa). Он просочится во все сферы деятельности организаций: эксплуатацию и разработку ПО, безопасность, продажи, маркетинг, поддержку клиентов, и во многие другие. Перечисленные выше 6 компонентов станут вескими доказательствами потенциала ИИ, и волна разработок ИИ будет аналогична интернет- буму 90-х, и буму мобильных разработок нулевых. Многие и сейчас осознают этот потенциал, представленный в технологиях распознавания изображений, видео, речи и машинного перевода.

Чтобы приготовиться к грядущим переменам, организациям надо четко понимать области применения технологии, ее ограничения и будущий потенциал. Компании типа Facebook воспринимают ИИ скорее, как некую философию, а не технологию, как выразился технический директор Facebook Майк Шрёпфер на веб-саммите в ноябре.


На фото: Энтони Хопкинс и Джеффри Райт в «Мире дикого запада»
Фото HBO