Читать книгу - "Новое долголетие. На чем будет строиться благополучие людей в меняющемся мире - Линда Граттон"

На протяжении веков человеческая изобретательность создавала инструменты, которые увеличивали или преобразовывали мышечную силу человека – каменный топор, колесо, прядильный станок и пр. Характерное для современности создание и использование машин, увеличивающих или преобразующих интеллектуальную силу человека, более прогрессивно и при этом значительно труднее для понимания. Достижения в области искусственного интеллекта вывели технологии в сферу когнитивных процессов, которая традиционно была прерогативой людей.

Умные машины, на самом деле, уже не настолько молоды. Так называемая VisiCalc – первая полностью рабочая версия широко распространенных в настоящее время компьютерных таблиц, была запущена еще в 1979 году. Она заменила собой бумажные таблицы – большие листы бумаги 11×17 дюймов, на которых служащие размещали ряды и столбцы чисел – а это весьма долгий и тяжелый процесс, требующий массы внимания и все равно подверженный человеческим ошибкам. Впрочем, с 1979 года многое изменилось: главное, что современные поколения интеллектуальных машин делают расчеты по своим собственным принципам для достижения более сложных и комплексных целей, а не просто следуют на каждом шагу заранее определенным алгоритмам.

Этот переход достигнут благодаря использованию широко распространенного ныне метода – машинного обучения (англ. machine learning), который вместо последовательности чисто вычислительных алгоритмов, основанных на операторах if – then (если – то) использует так называемые «нейронные сети»^[13] (англ. neural networks). Машинное обучение подразумевает, что машины могут находить собственные решения тех или иных задач, опираясь на обучающие данные, и адаптироваться к меняющимся обстоятельствам (точнее, к различным наборам обучающих данных). При этом искусственный интеллект имитирует некоторые операции человеческого мозга – но делает это быстрее. Повсеместное внедрение машинного обучения в полной мере соответствует описанному выше набору из четырех законов, которые, вместе взятые, описывают ускорение передачи и обработки больших объемов информации.

Рассмотрим, например, программу AlphaGo, которая в 2017 году победила китайца Ли Седола – 18-кратного чемпиона мира в игре го. Игровая система AlphaGo была создана британской компанией DeepMind, специализирующейся на создании систем искусственного интеллекта, а корпорация Google купила ее в 2014 году. Исходно были созданы три разные версии AlphaGo: Lee, Master и Zero^[14]. Версии Lee и Master обучались (в разной степени) комплексным образом – основываясь на правилах игры, информации о партиях, сыгранных ранее лучшими игроками, учебниках, написанных для людей, и инструкциях, созданных экспертами по го. В отличие от первых версий, версия Zero получила лишь полную информацию о правилах игры и указание сыграть самой против себя как можно большее число раз, чтобы разработать собственные игровые стратегии без использования предыдущих знаний. Другими словами, AlphaGo Zero стала сама себе и учителем, и тренером, и спарринг-партнером.

За 40 дней AlphaGo Zero сыграла 29 миллионов игр и создала базу данных по игровым ситуациям, равной которой никто из игроков-людей никогда не имел. За четыре дня Zero научилась обыгрывать версию AlphaGo Lee, а спустя 34 дня она победила и версию AlphaGo Master.