2. Краткая история превосходящего человека ИИ

Машины, превосходящие человеческий интеллект, уже существуют – они лучше большинства людей справляются с некоторыми задачами, для решения которых, как принято считать, требуется интеллект. Такие машины существуют уже долгое время, как минимум несколько десятилетий. Точная длительность этого периода зависит от того, какие именно задачи мы считаем требующими интеллекта. С годами это понимание менялось.

История искусственного интеллекта – попыток научить компьютеры выполнять действия, которые считались бы разумными, если бы их совершал человек, – восходит к 1940-м годам. Эта история не могла начаться раньше, так как до 1940-х не существовало цифровых компьютеров общего назначения. Практически сразу после создания первых таких компьютеров, которые по современным стандартам были громоздкими, медленными и крайне ограниченными, на них начали проводить эксперименты в области искусственного интеллекта. По сути, перспектива создания ИИ была одним из главных стимулов развития компьютеров. Этому способствовали как понимание потенциальной пользы от автоматизации различных видов мышления и обучения, так и извечное стремление человечества воссоздать интеллект в небиологической форме.

К ранним примерам разумных машин в художественных произведениях можно отнести искусственных слуг Гефеста из греческой мифологии и Голема – разумное существо из глины, созданное в XVI веке для защиты пражских евреев. После изобретения механических часов в XIV веке европейские часовщики начали создавать сложные автоматы, способные выполнять замысловатые движения. Их часто размещали в церквях, где они поражали воображение горожан и путешественников. Впрочем, эти автоматы были способны лишь на заранее запрограммированные движения, без какой-либо гибкости. Аналитическая машина Чарльза Бэббиджа представляла собой сложный программируемый калькулятор или ранний компьютер, но ее создатель успел разработать только чертежи – возможности механики XIX века не позволяли воплотить проект в реальность.

Появление цифровых технологий изменило ситуацию коренным образом. Благодаря скорости и надежности цифровых схем инженеры смогли создать вычислительные устройства с невиданными ранее возможностями. Первые программируемые цифровые компьютеры появились в 1940-х и 1950-х годах во многом благодаря потребностям Второй мировой войны в сложных вычислениях – для наведения артиллерии на движущиеся самолеты и обработки радиолокационных сигналов.^[6] При всей их примитивности по современным меркам, эти машины творили чудеса. Прежде всего, они умели считать. До этого словом «компьютер» называли человека (как правило, женщину), который производил вычисления вручную или с помощью простейших механических приспособлений. В крупных проектах, например при проектировании самолетов или артиллерии для военных целей, могли быть заняты сотни таких людей-«компьютеров». Появившиеся цифровые компьютеры выполняли те же расчеты в тысячи раз быстрее. Это была настоящая революция в вычислениях, но почему мы не считаем ее первым проявлением ИИ, превосходящего человека? Ведь вычисления – это работа нашего разума, и с 1950-х годов машины делают это лучше людей; даже самый простой калькулятор из дешевого магазина «думает» несопоставимо быстрее человека.

Некоторые люди, включая изобретателей, действительно называли эти новые вычислительные машины «электронными мозгами». Однако сегодня сложные вычисления сами по себе не считаются искусственным интеллектом. Одна из причин может быть в том, что они поддаются очевидной формализации: существуют четкие правила выполнения вычислений через разбиение их на последовательность простых элементарных операций. Возможно, именно эта очевидная механистичность процесса не позволяет нам считать карманные калькуляторы превосходящим человека ИИ, хотя человек и задействует мышление при вычислениях. Кроме того, сам термин «искусственный интеллект» появился уже после создания цифровых компьютеров, поэтому более ранние формы механического «мышления» могли не попасть в эту категорию.

Однако математика включает и другие когнитивные задачи, не только вычисления. Математики ведь не проводят все время за расчетами. Они развивают математику как науку. То есть доказывают теоремы и, что еще важнее, размышляют над тем, какие теоремы нужно доказывать и какими методами, чтобы создавать полезные и красивые математические концепции. Если признать, что развитие математики требует интеллекта, то система, способная доказывать теоремы на уровне человека, должна считаться искусственным интеллектом, а если она делает это лучше человека, то ИИ, превосходящим человека.

В 1956 году Аллен Ньюэлл и Герберт Саймон решили проверить, способен ли компьютер доказывать математические теоремы. Цифровых компьютеров тогда было совсем немного, и каждый занимал целую комнату. Они сосредоточились на доказательствах в области оснований математики, выбрав знаменитую книгу начала XX века «Основания математики», которая стремилась свести математику к чистой логике.^[7] Созданная ими программа Logic Theorist должна была заново вывести теоремы из «Оснований математики».^[8] По своей сути Logic Theorist представляла собой поисковый алгоритм, автоматически переписывающий доказательства согласно известным правилам преобразования уравнений, часть которых изучается еще в школе. Программа начинала с набора аксиом и последовательно преобразовывала их, пока не достигала намеченного доказательства. Существует колоссальное количество способов переписать эти аксиомы, но лишь немногие из них представляют ценность. Поэтому в Logic Theorist были заложены определенные правила и эвристики, имитирующие человеческий подход к поиску значимых способов переформулирования теорем. С помощью этих эвристик программа смогла самостоятельно вывести тридцать восемь из первых пятидесяти двух теорем «Оснований математики». Для своего времени это было выдающееся достижение, особенно если учесть, что таким блестящим математикам, как Бертран Рассел и Альфред Норт Уайтхед, потребовались долгие годы, чтобы изначально сформулировать эти теоремы.

Logic Theorist можно считать ИИ, превосходящим человека, поскольку он воспроизвел теоремы в тысячи раз быстрее Рассела и Уайтхеда, иногда предлагая даже более подробные доказательства. Однако его превосходство ограничивается крайне узкой областью – фактически только «Основаниями математики». Для доказательства теорем из других областей математики программе потребовались бы новые аксиомы и, скорее всего, новые эвристические правила.

С момента создания Logic Theorist в 1950-х годах был достигнут значительный прогресс. За 65 лет исследований в области автоматического доказательства теорем – подразделе искусственного интеллекта – были созданы впечатляющие системы ИИ, способные предлагать как новые теоремы, так и оригинальные доказательства уже известных теорем. Тем не менее математика остается делом математиков-людей: все статьи о последних достижениях в математических журналах написаны людьми. Правда, современные математики часто пользуются такими программами, как Mathematica, вобравшей в себя многие достижения автоматического доказательства теорем. В своей работе они также могут применять большие языковые модели типа GPT-4.

Любопытно, что Герберт Саймон, один из создателей Logic Theorist, утверждал, что они с Ньюэллом создали «мыслящую машину» и «решили проблему „сознание-тело“ (mind-body problem), показав, как материальная система может обладать свойствами сознания». С сегодняшней точки зрения это звучит как явное преувеличение – ведь их программа могла только доказывать теоремы из «Оснований математики». Она не могла работать даже с дифференциальными уравнениями, не говоря уже о том, чтобы сочинять сонеты, рисовать или завязывать воображаемые шнурки. Но программа, безусловно, стала важным достижением, и понятно, почему в то время было сложно увидеть ее ограничения. В конце концов, разве мышление не похоже на доказательство теорем?

Что еще, кроме доказательства математических теорем, требует от человека интеллекта? Может быть, игры? За всю историю исследований искусственного интеллекта именно игры стали одним из важнейших направлений, позволивших получить впечатляющие результаты.

Пожалуй, ни одна другая игра не сыграла такой важной роли в исследованиях ИИ, как шахматы. Это неудивительно – западная культура всегда считала эту классическую настольную игру воплощением интеллекта. Со времен Средневековья шахматы считались интеллектуальной игрой для дворян, студентов и священнослужителей. Даже в скандинавской мифологии всевидящий Один играл в игру, похожую на шахматы. И действительно, хорошая игра в шахматы требует сложного мышления. Чтобы победить серьезного противника, нужно разработать сложный многоходовый план и уметь видеть угрозы и возможности в ходах соперника. По сути, нужно превзойти противника в интеллектуальном плане. Логично предположить: если кто-то или что-то умеет играть в шахматы, значит, он обладает интеллектом. Поэтому неудивительно, что первые исследователи ИИ были одержимы созданием шахматного ИИ.

Как компьютер играет в шахматы? В основе большинства шахматных ИИ лежит алгоритм минимакс. Он моделирует все возможные ходы белых (если играет за белых), все возможные ответы черных, все возможные ответы белых на эти ходы, и так далее. Исходя из предположения, что каждый игрок всегда делает лучший ход, можно рассчитать оптимальный ход в любой ситуации. Однако полный расчет дерева всех возможных ходов и ответов занял бы невообразимое количество времени – ни один существующий компьютер не смог бы выполнить его за всю свою жизнь. Поэтому реальные шахматные ИИ используют алгоритм минимакс лишь на определенную глубину, обычно на пять-десять ходов вперед. К этому алгоритму добавляется множество вспомогательных приемов, в первую очередь – способы оценки выгодности позиции.^[9]

Начиная с 1950-х годов исследователи ИИ создавали все новые шахматные программы, постепенно улучшая первоначальный алгоритм минимакс разными усовершенствованиями. При этом многие были убеждены, что компьютер никогда не сможет играть в шахматы на уровне лучших шахматистов. Почему? Да потому, что шахматы требуют интеллекта, а у компьютеров его нет. И алгоритм минимакс действительно работает совсем не так, как, насколько мы понимаем, функционирует настоящий биологический интеллект.^[10]

1997 год принес сенсацию: компьютер впервые победил лучшего шахматиста своего времени. Компания IBM вложила колоссальные средства в создание специального компьютера Deep Blue и программного обеспечения для него, чтобы бросить вызов действующему чемпиону мира Гарри Каспарову.^[11] За шестью партиями следил весь мир, а победа Deep Blue с минимальным преимуществом потрясла не только шахматное сообщество. Матч оказался в центре внимания мировых СМИ, которые обсуждали, как этот результат меняет наше понимание интеллекта. Известным экспертам, ранее утверждавшим, что компьютер не сможет победить из-за отсутствия «интуиции» или «творческого мышления», пришлось объяснять, что они имели в виду, и часто менять свою точку зрения.^[12]

Однако было очевидно, что Deep Blue умел только одно: играть в шахматы. В любых других повседневных человеческих задачах он был так же беспомощен, как Logic Theorist или обычный тостер. Эксперты постоянно указывали на то, что алгоритм минимакс совершенно не похож на работу мозга – это просто механизм поиска. Выходит, Deep Blue не был по-настоящему интеллектуальным. Или, во всяком случае, не обладал общим интеллектом. Возможно, дело было в самих шахматах: если в игру может так хорошо играть программа, которая при всей своей сложности остается лишь поисковым алгоритмом, то, может быть, шахматы вообще не требуют интеллекта?

После успеха компьютера Deep Blue исследователи в области искусственного интеллекта обратились к новой задаче – игре го. В Азии эта древняя настольная игра имеет такое же культурное значение, как шахматы в Европе, но от шахмат она отличается более длительными партиями и значительно большим количеством возможных ходов в каждый момент игры. Кроме того, в го гораздо сложнее оценить позицию: если в шахматах достаточно посчитать фигуры, чтобы понять свое положение, то в го этот метод не работает. Здесь требуется анализировать расположение камней на доске. Показательно, что алгоритм минимакс, превосходно работающий в шахматах, оказался практически бесполезен в го. Заинтересовавшись этой сложной задачей, многие исследователи ИИ, занимающиеся играми, выбрали го в качестве следующего серьезного вызова.

Прорыв произошел в 2016 году, когда исследовательское подразделение Google компания DeepMind представила систему AlphaGo. Как и шахматный компьютер Deep Blue, AlphaGo основана на поисковом алгоритме, однако вместо алгоритма минимакс она использует статистические вычисления для выбора перспективных ходов. В дополнение к этому система включает несколько нейронных сетей, помогающих оценивать позицию на доске и определять приоритетные направления поиска. Сначала эти нейронные сети обучались на партиях профессиональных игроков, а затем совершенствовали свое мастерство в играх против самих себя.^[13]

Победа AlphaGo над одним из лучших игроков в го Ли Седолем привлекла огромное внимание публики.^[14] В прессе поднялась шумиха: многие комментаторы предрекали, что скоро искусственный интеллект захватит власть над миром, видя в успехе AlphaGo предвестник появления общего искусственного интеллекта. Другие же указывали, что го – не лучший показатель общего интеллекта и что AlphaGo, как и шахматный Deep Blue, умеет играть только в одну игру. Без перепрограммирования эти системы не могли даже сыграть в шашки, не говоря уже о более сложных задачах вроде вождения автомобиля или написания очерка о колдовстве в средневековой Эстонии.

Сегодня любой может установить на смартфон программу, которая играет в шахматы или го сильнее любого человека в мире.^[15] По сути, мы уже создали искусственный интеллект, превосходящий людей в этих играх. Однако люди продолжают в них играть. Более того, стало привычным тренироваться с помощью ИИ и разбирать партии ведущих компьютерных программ для изучения новых стратегий и техник игры. Что касается исследований в области ИИ, основное внимание теперь сместилось от настольных игр к видеоиграм и их разработке. К этим темам я вернусь позже.

Методы искусственного интеллекта применяются не только в математике и играх. И не только здесь ИИ смог превзойти человеческие возможности. На самом деле таких областей гораздо больше. Чтобы завершить с примерами в этой главе, обратимся к области, которая особенно важна на практике, – распознаванию изображений.

Способность смотреть на предметы и понимать, что это такое, – один из базовых навыков, которым мы пользуемся постоянно. За рулем, на кухне, при выборе одежды или работе за компьютером – везде мы полагаемся на умение распознавать то, что находится перед нами. Нам важно понимать, что за кусок синей материи лежит в ящике – носки или трусы и что движется впереди по дороге – пластиковый пакет или кошка.

Казалось бы, учитывая, насколько важно для повседневной жизни умение распознавать объекты и изображения, первые исследователи ИИ должны были сосредоточиться именно на этих задачах. Но история сложилась иначе. Как ни странно, мы научили компьютеры доказывать теоремы и играть в шахматы лучше любителей задолго до того, как всерьез взялись за создание систем распознавания изображений.