Читать книгу - "YouTube. Как самый популярный видеохостинг завоевал мир? - Марк Берген"

экране мелькали классические аркадные игры — Enduro, River Raid, Battlezone. «Система просто видит то, что видите вы, то есть пиксели, — рассказывал Пейдж. — И она научилась играть в эти игры — сама программа научилась играть в них со сверхчеловеческой производительностью. Раньше нам не удавалось делать с компьютерами подобные вещи». Затем на экране появился Boxing, доисторическая аркадная игра от компании Atari — кадр сверху в фосфоресцирующе-зеленом цвете с двумя пересекающими его волнистыми линиями. Никакого соревнования. «Он выяснил, что может прижать противника к земле. Компьютер находится слева, — сказал Пейдж, с улыбкой наблюдая за тем, как его боксер размалывает другого. — Он просто набирает очки».

Google уже давно работала над такого рода сверхчеловеческим интеллектом, не предавая эти усилия огласке. В 2011 году в лабораторию «прорывных технологий» направили тайную группу программистов для разработки компьютерных систем, которые могли бы, по сути, имитировать человеческий образ мышления. Группа называла себя Brain[161]. Компьютерные системы продемонстрировали прогресс в распознавании человеческой речи и содержания показываемых им изображений. Они умели выигрывать у людей в шахматы. Но это были относительно слабые достижения; компьютеры не могли вести беседу, как роботы из «Звездного пути». И у них была узкая специализация. Модель, обученная играть в шахматы, не умела играть в шашки. Модель могла опознать кошку на фотографиях, если ее обучали таким образом: «Ищи четыре лапы, заостренные уши, усы и хвост». Но покажите ей собаку, и она выдаст: «Это не кошка». Компьютерам нужен был общий интеллект. Чтобы это осуществить, команда Brain воскресила идею, которая давно пылилась на полках. Еще с 1940-х годов ученые-компьютерщики начали придумывать модели машинного интеллекта, основанные на нейронных сетях, то есть слоях математических моделей, которые могли бы обрабатывать данные — изображения, звуки и концепции — так же, как это делает человеческий мозг. Таким образом, машины могли обучаться без определенных меток (кошка, ферзь). Но в человеческом мозге насчитывается, возможно, 100 миллиардов нейронов и триллионы синапсов. Компьютеры были недостаточно мощными, чтобы воспроизвести что-либо подобное; поэтому нейронные сети оставались бездействующей теорией — до тех пор, пока Интернет не начал процветать и компьютеры не приобрели огромную силу. Свою первую систему для проработки такого подхода к искусственному интеллекту Google назвала DistBelief — в честь распределенного обучения, практики объединения кластеров машин; но это название служило признаком видимой сложности задачи. Если модель сработала — это невероятно!

Программисты Brain, которые изначально работали на том же этаже, что и Пейдж и Брин, часто обсуждали одну научную статью, опубликованную в 2005 году. В ней исследовались пациенты с эпилептическими припадками; целью было увидеть, как они распознают людей или объекты. Когда им показывали определенные лица, например актрису Дженнифер Энистон, необъяснимым образом срабатывала конкретная нейронная цепь в мозге, связанная с формированием воспоминаний. Та же самая цепь активировалась, когда пациентам показывали фотографии Энистон и Эйфелевой башни; это наводило на мысль о том, что мозг работает над созданием и кодированием ассоциаций. Программисты Google хотели знать, произойдет ли что-то подобное с машинами. Может ли нейронная сеть сама по себе закодировать изображение знакомого объекта или концепции? Для этого требовалось показать сети огромный шквал фотографий.

К счастью, Google владела самым большим хранилищем когда-либо собранных видеоизображений, гигантской библиотекой человеческого опыта. Исследователи мозга загружали в свою нейронную сеть кадры с YouTube — в частности, из видео с кошками. Миллионы их были закачаны в машины без каких-либо ярлыков, указывающих на связь с кошками. Google построила сеть, которая (будучи куда меньше нашего мозга) содержала в сто раз больше нейронов и синапсов, чем любая более ранняя компьютерная версия. Эта сеть сама придумала, как обнаружить кошку.

«Мы можем узнать, кто такие кошки, — объяснил Пейдж Чарли Роузу два года спустя в Ванкувере. — Похоже, это действительно важно». С самого рождения Google Пейдж был зациклен на искусственном интеллекте. Как он объяснил в одном интервью еще в 2002 году[162]: для того чтобы поиск по глобальной сети был эффективныи и действительно давал людям то, что они хотят, необходимо знать «все на свете» — а значит, нужен искусственный интеллект. Десять лет спустя Пейдж справедливо предсказал, что машинное обучение войдет в моду. Amazon выпустила устройство для распознавания речи под названием Echo. Марк Цукерберг, который обнародовал свои ежегодные цели по улучшению жизни, потратил год на изобретение робота-дворецкого. Технологические компании распространили слоган «Сначала мобильники», демонстрируя свою пригодность для мира смартфонов; Google обозначила для себя — «Сначала ИИ».

Как только на сцене TED завершился клип с аркадными играми, Пейдж перевел дух. «Представьте, если бы такого рода интеллект занялся вашим рабочим графиком, вашими информационными потребностями, — сказал он Роузу. — Мы только в начале этого пути». Вскоре каждое подразделение компании Пейджа переписало бизнес-планы и ориентиры, чтобы включить как можно больше искусственного интеллекта. Сначала плоды появились в поисковике Google. Введите невероятно длинный вопрос (в каком колледже училась актриса, которая играет маму Рэйчел в сериале «Друзья»?) — и вот вам ответ. Переведите этот вопрос на французский — и вуаля. Нейронные сети использовались в спам-фильтрах электронной почты Google, таргетинге рекламы и цифровых фотоальбомах.

На YouTube нейронные сети включились в движок рекомендаций.

* * *

Представьте себе систему рекомендаций YouTube как гигантскую многорукую сортировочную машину. У нее есть одна задача: предсказать, какое видео человек посмотрит следующим, и предложить его. С самого начала существования YouTube его компьютерные программы стремились это делать. Но нейронная сеть Brain могла предсказывать и сортировать так, как не умели люди, которым свойственно ошибаться, и более хрупкие коды. Сеть, согласно своей природе, зачастую вела себя так, что инженеры не могли ее сразу и полностью понять.

К тому времени, когда на YouTube появился Менгеринк, созданная группой Brain сеть уже была введена в действие. Зрители этого не замечали — только некоторые обратили внимание на устойчивый рост числа предлагаемых им клипов. Сеть научилась показывать более короткие клипы, когда люди смотрели их на телефонах, и более длинные в приложении YouTube для телевизоров; оба решения улучшили общее время просмотра. Сеть научилась сортировать эпизодические видеоряды. Она соединяла точки и создавала ассоциации, кодируя их. Когда люди смотрели «Мстителей», сеть вычисляла, что им будут интересны также клипы о Роберте Дауни-младшем. Это может показаться не таким уж сложным — звезда блокбастеров в блокбастере, — но представьте, что это делается с миллионами видеороликов на тысячи разных тем на десятках языков. Через два года сеть Brain будет рекомендовать[163] около двухсот миллионов различных видеороликов в день на 76 языках.

Кроме того, сеть