Будут ли интеллектуальные алгоритмы будущего походить на роботов общего назначения, так же хорошо справляющихся с непринуждённой беседой и чтением карт, как с кухонными задачами? Или наши цифровые помощники будут больше походить на специализированные гаджеты – то есть, это будет не разговорчивый шеф-повар, а кухня, набитая бытовой техникой?

Если алгоритм пытается сделать слишком многое, у него начинаются проблемы. Приведённый ниже рецепт был создан искусственной нейросетью – таким типом искусственного интеллекта, который обучается на примерах. Этот алгоритм тщательно изучил порядка 30 000 кулинарных рецептов, от супов и пирогов до барбекю, а затем попробовал выдать собственный рецепт. Результат получился, скажем так, неортодоксальным.

А вот пример рецепта, созданного тем же алгоритмом, но только вместо того, чтобы изучать все рецепты подряд, он тренировался только на тортах. Рецепт неидеален, но гораздо лучше предыдущего.

Конечно, если внимательнее посмотреть на инструкцию, станет видно, что на выходе вы получите только испечённый желток яйца. Но это всё равно улучшение. Когда ИИ разрешили ограничиться определённой специализацией, просто уменьшилось количество того, за чем нужно следить. Ему не приходилось выбирать, когда использовать шоколад, а когда – картошку, когда печь, а когда вываривать. Если первый алгоритм пытался быть волшебным ящиком, способным выдавать рис, мороженое и пироги, то второй пытался быть чем-то, напоминающим тостер – специализированным устройством для одной задачи.

Разработчики, занимающиеся тренировкой алгоритмов машинного обучения, обнаружили, что часто имеет смысл создавать тостеры вместо волшебных ящиков. Это может показаться не интуитивным, поскольку ИИ в западной фантастике больше напоминают C-3PO из «Звёздных войн» или WALL-E из одноимённого фильма. Это примеры искусственного интеллекта общего назначения (ИИОН), автоматов, способных взаимодействовать с миром, как люди, и выполнять множество разных задач. Однако многие компании незаметно – и успешно – используют машинное обучение для достижения гораздо более ограниченных целей. Одним алгоритмом может быть бот для чата, обслуживающий ограниченное количество базовых вопросов клиентов по поводу счёта за телефон. Другой может выдавать предсказания по поводу того, что хочет обсудить звонящий клиент, и демонстрировать эти предсказания на экране для человека, отвечающего на звонок. Это примеры искусственного интеллекта узкой специализации (ИИУС) – ограниченного совсем небольшим набором функций. С другой стороны, Facebook недавно отправил на пенсию своего бота для чатов «М», который так и не сумел справиться с бронированием отелей, покупкой билетов в театр, и прочим.

Причина того, что у нас есть ИИУС вместо ИИОН уровня WALL-E заключается в том, что любой алгоритм, пытающийся обобщать задачи, начинает хуже справляться с теми задачами, что ему дают. К примеру, есть алгоритм, натренированный выдавать картинки на основании описания. Он пытается создать картинку из текста: «это жёлтая птица с чёрными пятнами на голове и очень коротким клювом». Когда его тренировали на наборе данных, состоявшем исключительно из птиц, он справился довольно неплохо (без учёта странного рога):

Но когда ему поручали создать что угодно, от знаков «стоп» и лодок до коров и людей, ему приходилось тяжело. Вот результат попытки нарисовать «изображение девушки, которая ест кусок пиццы»:

Мы не привыкли думать о том, что между алгоритмом, хорошо делающим что-то одно, и алгоритмом, хорошо делающим много чего, существует такой огромный разрыв. Но умственные возможности наших сегодняшних алгоритмов весьма ограничены по сравнению с человеческим мозгом, и каждая новая задача ещё сильнее их загружает. Представьте себе бытовое устройство размером с тостер: легко сделать в нём пару щелей, установить нагревающиеся катушки, и жарить хлеб. Но после этого в нём можно мало чего ещё делать. Если попытаться добавить туда рисоварку и мороженщицу, придётся отказаться, по меньшей мере, от щелей, и такое устройство, вероятно, мало что вообще сможет делать хорошо.

Программисты используют разные трюки, чтобы выжать из ИИУС алгоритмов максимальную отдачу. Один – передаваемое обучение: натренируйте алгоритм работать с одной задачей, и он научится выполнять другую, близко связанную с этой задачу, после минимальной перетренировки. Люди используют передаваемое обучение для тренировки алгоритмов, распознающих изображения. Алгоритм, научившийся распознавать животных, уже собрал много информации, касающейся определения контуров и анализа текстуры, которые можно перенести в задачу по определению фруктов. Но при перетренировке алгоритма на распознавание фруктов алгоритм подвергнется «катастрофическому забыванию», то есть, уже не будет помнить о том, как определять животных.

Ещё один фокус сегодняшних алгоритмов – модульность. Вместо того, чтобы превращаться в единый алгоритм, способный решить любую проблему, ИИ в будущем, скорее всего, будут представлять собой сборки высокоспециализированных инструментов. Алгоритм, научившийся играть в Doom, будет обладать раздельной системой для компьютерного зрения, управления и памяти. Взаимосвязанные модули смогут обеспечить избыточность для предотвращения отказов, и механизм голосования за наилучшее решение проблемы на основе различных подходов. Может появиться способ обнаруживать и исправлять ошибки алгоритмов. Обычно довольно сложно понять, как конкретный алгоритм принимает решения, но если решение было принято через взаимодействие алгоритмов, мы сможем изучить выход каждого из них.

Наверно, мы не должны представлять себе алгоритмы далёкого будущего в виде WALL-E и C-3PO. Вместо этого мы можем представить себе что-то вроде смартфона, полного всяких приложений, или кухонной столешницы, заставленной гаджетами. Готовясь к миру, заполненному алгоритмами, необходимо удостовериться в том, что мы планируем встретиться не с думающими волшебными ящиками общего назначения, которые могут никогда не появиться, а с высокоспециализированными тостерами.