Цифра на марше, или 50 историй об образовании в XXI веке

компьютерная сеть, которая в какой-то момент «осознает себя» как сущность, может стать сверхчеловеческим разумом (в настоящее время этот вариант пригоден в основном для сюжетов фантастических романов);

киборг, в котором сочетание биологических и компьютерных технологий даст новое качество (маловероятный вариант, человеческий интеллект, дополненный наборами слабых ИИ, вряд ли способен стать сверхразумом);

биологические исследования, например, в области генетики и нейрофизиологии, дадут средства качественного совершенствования природного человеческого интеллекта (наиболее благоприятный для человечества сценарий, если удастся преодолеть понятные социальные проблемы).

Итак, именно создание сильного ИИ является наиболее понятным направлением исследований. Насколько они далеки от реального практического результата? Мое мнение – пока еще очень далеки. Я не специалист и имею очень поверхностное представление о проблемах и достижениях в этой сфере. Но вот что интересно. С появлением первых ЭВМ футурологи (которых так еще и не называли) делали прогнозы о сроках создания искусственного разума. И каждый раз попадали пальцем в небо, а сроки приходилось переносить.

Вернор Виндж в своей статье 1993 года писал, что он сильно удивится, если сверхразум появится раньше 2005 и позже 2030 года. До 2030 года осталось 10 лет. Оптимисты сегодня называют 2045 год. Скорее всего – сроки опять придется переносить. И вряд ли мы все, обычные люди, по этому поводу расстроимся.

Есть, правда, несколько НО. Прошлые прогнозы заведомо делались без серьезных обоснований. Авторы нынешних прогнозов хорошо понимают, что для создания сильного ИИ нужно решить несколько проблем.

Во-первых, компьютерные вычислительные мощности должны сравниться с вычислительными мощностями человеческого мозга. Не буду приводить количественные оценки (они есть, например, в книге Клауса Швабе). Важно, что вычислительные мощности современных суперкомпьютеров уже можно сравнивать с нашим мозгом. Они пока занимают многие квадратные метры площади и расходуют огромное количество ресурсов и энергии. Но ведь современный смартфон по мощности тоже превосходит огромные шкафы первых ЭВМ. И квантовые вычисления – перспективная и набирающая обороты технология. Так что время, когда вычислительные мощности, сравнимые с человеческим мозгом, станут доступными, не так уж и далеко.

Во-вторых, нужно досконально разобраться, как функционирует человеческий мозг. Как при таком физическом объеме и при таком низком уровне энергопотребления он способен решать такое количество самых разнообразных задач. Такое понимание позволит перейти к моделированию его работы с помощью компьютерных технологий.

О том, что исследования в области функционирования мозга самое спонсируемое научное направление в мире, я уже писал в прошлой истории. Одна из задач таких исследований – выработка подходов, позволяющих улучшить функционирование мозга, как по качеству, так и по срокам. Но, возможно, главная задача – это как раз разработка модели, которую можно воплотить в жизнь технологическими средствами.

И вот здесь пока прорывных результатов нет. Ученые, участвующие в таких исследованиях, любят говорить, что человеческий мозг – самый сложный объект во Вселенной.

Однако цель понятна, продвижение к ней идет. Результатом будет либо модель для последующего воплощения, либо понимание, что модель невозможна. Например, по причине того, что человеческое сознание неведомыми пока способами подключено к информационному полю, выходящему за рамки материального мира. Не только эзотерические и религиозные учения, но и квантовая физика допускает такие возможности.

Что из всего вышесказанного можно связать со сферой образования, которую мы хотим уместным способом трансформировать в ближайшие 20 лет? Совсем немногое.

Во-первых, концепция технологической сингулярности должна стать объектом изучения в массовой школе. Есть такой спецкурс в некоторых университетах – «Концепции современного естествознания». Он на концептуальном уровне, без математической и иной специальной детализации, знакомит студентов с основными мировозренческими научными теориями, показывает их взаимосвязи. Отличная идея, которую очень правильно было бы перенести в школу. Технологическая сингулярность, искусственный интеллект и иные порождения цифрового мира должны найти свое отражение в таком спецкурсе.

Во-вторых, учеников неплохо было бы знакомить с более локальными проявлениями сингулярности в мире. Сингулярность часто связывают с процессами и явлениями, развивающимися по экспоненциальным законам. Историки считают, например, что по таким законам развивались и приходили к упадку великие империи.

В-третьих, страшилку «технологической сингулярности» хорошо было бы использовать для популяризации в молодежной среде тематики космических исследований. Вернор Виндж в своей статье рассматривал вариант космической экспансии как спасение человечества от наступающей технологической сингулярности. В 60-70 годы мальчишки и девчонки во многих странах мечтали стать космонавтами. Это была одна из самых романтических профессий. Сегодня, к сожалению, мечты у молодежи намного более приземленные.

В любом случае данная перспектива – это отдаленное будущее. Более приземленные угрозы и возможности человечеству стоит ждать от слабого искусственного интеллекта. О нем – следующая история.

История 8. Слабый ИИ, ущербный и всемогущий

Рутину – машинам, идеям – респект!

Не станет творцом цифровой интеллект!

В предыдущей истории мы заглянули в будущее достаточно далеко. Сильный ИИ, сравнимый с человеческим интеллектом, это очень круто, волнительно и опасно. Но пока где-то там, за горизонтом. Есть исследователи, пусть они занимаются своим делом. Здесь и сейчас происходят более прозаичные вещи, которые по своим последствиям для обычных людей опережают многие инновации.

В международных отчетах последних лет, описывающих рынок труда, утверждается, что в ближайшие 20 лет будут автоматизированы до 50% всех рабочих мест. И все это благодаря слабому искусственному интеллекту и нейронным сетям.

Исследованиям в области искусственного интеллекта уже более 50 лет. Очень долгое время они оставались на периферии общественной жизни. Исследователи с завидным постоянством собирались на свои симпозиумы, которые мало кого интересовали. Широкую общественность интересовал один вопрос – когда компьютер обыграет в шахматы чемпиона мира. Когда в 1997 году компьютер Deep Blue в шести партиях победил Гарри Каспарова, интерес снова угас.

В те годы более-менее широкое практическое применение получили экспертные системы, компьютерные системы распознавания естественного языка и перевода с одного языка на другой. Системы распознавания образов, построенные на сложнейшем математическом аппарате, давали слишком много ошибок. Разработка прикладных программных продуктов, способных делать логические выводы и решать задачи в рамках некоторой системы аксиом и правил вывода, оказалось чрезвычайно сложным и затратным делом.

В начале 2000-х я участвовал в попытке создания на языке Prolog автоматизированной системы, способной доказывать теоремы и решать задачи школьного курса планиметрии. Мы просто утонули в сложности задачи и от проекта отказались.

В традиционную классификацию систем искусственного интеллекта входят еще и гипертекстовые системы, базы знаний, системы контекстной помощи и некоторые другие. Хотя более точно их называть «интеллектуальные информационные системы» или «системы с интеллектуальным интерфейсом». Они широко применяются в современном цифровом мире. Тот же интернет – это огромная гипертекстовая распределенная система. Но даже к слабому искусственному интеллекту их можно отнести с очень большой натяжкой.

Вернемся к ходу событий. Равнодушие широкой общественности к тематике искусственного интеллекта наблюдалось до второго десятилетия XXI века. Потом оно вдруг сменилось взрывообразным ростом интереса. Все вокруг заговорили о том, что искусственный интеллект и нейронные сети не просто тренд. Это революция на рынке труда, это страшная угроза для многих профессий, это возможность наконец построить общество изобилия.

Что же это – реальная революция или очередной хайп, который любят и умеют создавать современные СМИ? Для ответа на этот вопрос нужно понять причины, почему интерес к теме возник именно сейчас. Что такого произошло около 10 лет назад, позволяющее сегодня трубить об эпохе искусственного интеллекта и нейронных сетей?

Произошло несколько событий.

Во-первых, к 2010 году ученые сделали прорыв в математическом обеспечении для обучения нейронных сетей. Они научились обучать все их слои, а не только последние. Это существенно повысило надежность принимаемых решений.

Во-вторых, в 2010 году появилась база данных ImageNet, содержащая 15 миллионов изображений в 22 тысячах категорий. ImageNet многократно превысила объем существовавших до этого баз данных изображений и стала доступна для любого исследователя. Распознавание и классификация изображений – одна из наиболее популярных задач для нейросетей. Появление ImageNet облегчило обучение нейросетей данного типа, позволило существенно улучшить качество распознавания. Путать кошку с собакой хорошо обученные нейросети перестали.

В-третьих, новые вычислительные мощности, облачные хранилища данных и наработанные типовые программные модули сделали работу с нейросетями доступными самым разным энтузиастам. Относительно несложный математический аппарат, вполне доступный студентам мехматов первых курсов, позволил привлечь значительные интеллектуальные ресурсы.

В проектирование и обучение новых нейросетей в самых разных отраслях оказалось втянуто достаточно много людей. Вот для примера несколько результатов, взятых из открытых источников.

Искусственный интеллект определяет риск кардиологических заболеваний эффективнее реальных врачей.

Искусственный интеллект хорошо помогает распознавать потенциальные случаи мошенничества в различных сферах жизни.

Искусственный интеллект, анализирующий естественный язык, используется для создания чат-ботов.

Искусственный интеллект существенно улучшил механизмы рекомендаций в онлайн-магазинах и сервисах.

Искусственный интеллект отвечает за распознавание окружающих объектов в беспилотных автомобилях.

Искусственный интеллект победил в соревновании по толкованию и анализу заключенных договоров лучших юристов США.

Искусственный интеллект наконец выиграл в Го у чемпиона мира из Кореи (игра Го считается намного сложнее шахмат).

Во всех примерах задействованы специальным образом обученные нейронные сети. Примеры их применения можно растянуть на несколько книг, даже если каждому уделять один абзац.

И здесь первый вывод для сферы образования, про которую мы немного подзабыли. Интеллектуальные навыки, которые ценились у работников во второй половине XX веке, стремительного устаревают. Найти им применение через 10 лет будет очень сложно.

О каких навыках идет речь? Подумаем, что объединяет хороших юриста, медика-диагноста, специалиста-консультанта по подбору товара. Личная база знаний, заботливо уложенная в голову интенсивной зубрежкой. Умение быстро извлекать из нее нужные сведения при самых сложных параметрах запроса. Пожалуй, и все.

На формирование подобных навыков практически полностью заточена традиционная система образования. Трудолюбиво усвоить заложенные в учебнике сведения и научиться их применять в оговоренных учебной программой рамках. Кто такой круглый отличник? Тот, кто научился это делать в совершенстве. Почему среди победителей предметных олимпиад редко можно встретить круглых отличников? Потому что для победы нужно учиться совершенно по-другому.

Сейчас на постсоветском пространстве то и дело разгорается дискуссия о том, каким было школьное образование в Советском Союзе. Большинство сходится во мнении, что лучшим в мире и вообще замечательным. Иначе бы в космос первыми не полетели. А у меня очень много сомнений. И есть идея интересного эксперимента.

Я в советской школе, где учился с 1969 по 1979 годы, классе в четвертом перестал дома делать домашние задания. Что-то успевал сделать на уроках и переменках. Иногда дома решал математические задачи из журнала «Квант». Иногда читал научно-популярную литературу. Так жили многие из тех, кто учился на 4 и 5. Конечно, много было и тех, кто выполнял все, как хотели учителя и программа. Они тоже учились на 4 и 5, только средний балл у них был повыше. Я поучился в четырех школах в СССР и за границей – ситуация похожая.

Идея эксперимента. Провести опрос среди представителей того поколения, которое училось в советской школе. Кто делал все домашние задания? Таких в те годы называли зубрилами. Кто делал только по выбранным предметам? Кто не делал вовсе? По возможности, конечно, так как всегда было небольшое число учителей, способных заставить выполнять домашнее задание любого лентяя.

Вот почему-то мне кажется, что зубрилы много звезд с неба за эти годы не нахватали. А если успешными в жизни стали те, кто игнорировал требования системы образования, чем же она тогда так хороша?

От лирического отступления вернемся к нашим баранам, то есть к нейронным сетям. Они, как выяснилось, способны дать фору любому отличнику-зубриле. И поговорим о том, как готовить специалистов по нейронным сетям, раз уж число их будет неуклонно расти. Кстати, эксперты оценивают нехватку специалистов в этой области как одну из самых значимых на рынке труда.

Чтобы разобраться как готовить специалистов по нейронным сетям, нужно понимать, чем они будут заниматься. Вот тут-то и всплывают интересные факты. Осознать их нам поможет рассказ руководителя одного из стартапов в области искусственного интеллекта. Привожу его в своем сокращенном изложении. Если что-то слегка искажу, то для простоты объяснения.

Команда стартапа решила помочь людям подбирать себе по вкусу одежду, обувь и аксессуары (сумочки). Очень простым и изящным способом. Идет модница по улице и видит на ком-то интересный наряд. Достает свой смартфон и быстренько делает фото. Специальное приложение на смартфоне связывается с обученной нейросетью, которой передает сделанное фото. Сеть анализирует фото и из базы данных, содержащей описание образцов одежды, обуви и аксессуаров, предлагает моднице максимально похожие варианты покупки. В наш потребительский век отличная идея.