У 1956 році невелика група вчених зібралася в Дартмутському коледжі з сміливим твердженням: “кожен аспект навчання” можна, в принципі, змоделювати за допомогою машини. У них не було ні достатньо потужних комп’ютерів, щоб це довести, ні даних, якими можна було б наповнити свої ідеї, ні справжнього уявлення про те, скільки часу ще залишалося попереду. Сьогодні ця мрія пише електронні листи, діагностує хвороби, керує автомобілями і час від часу сперечається з нами про погоду. Як ми пройшли шлях від жменьки оптимістично налаштованих науковців до систем, які, здається, здатні вести справжні розмови? І, що важливіше, чи варто нам хвилюватися через те, що буде далі?
Що ми насправді маємо на увазі під “штучним інтелектом”?
Термін звучить футуристично, але по суті означає лише те, що комп’ютер виконує завдання, які зазвичай вимагають людського інтелекту: розпізнає обличчя, перекладає речення чи передбачає, який фільм вам сподобається. Втім, не весь ШІ однаковий. Більшість того, що існує сьогодні, називають “вузьким ШІ” — системами, створеними для виконання одного конкретного завдання надзвичайно добре, як-от гра в шахи чи фільтрація спаму. Той тип ШІ, що здатен мислити, навчатися та адаптуватися до зовсім різних ситуацій так, як це робить людина, називають “загальним ШІ”, і його поки що не існує, попри те, що іноді натякають заголовки новин.
Ця відмінність важливіша, ніж здається на перший погляд. Шаховий рушій, здатний перемогти будь-яку людину на планеті, не має жодного уявлення про те, що таке чашка кави, а система, яка вправно пише есе, може провалити завдання, з яким легко впорається п’ятирічна дитина, наприклад, зрозуміти, що фотографія миски з пластівцями насправді не є сніданком. Саме в цьому розриві між вузьким і загальним інтелектом і криється більшість плутанини — а заразом і чимала частка маркетингового галасу.
Від символів до нейронів: коротка історія
Перші дослідники ШІ намагалися навчати комп’ютери за допомогою логіки та правил — цей підхід називають “символьним ШІ”. Програмісти писали чіткі інструкції: якщо ця умова істинна, роби ось це. Якийсь час цей підхід здавався перспективним. Побудовані так системи могли розв’язувати алгебраїчні задачі, доводити математичні теореми і навіть ставити базові медичні діагнози, слідуючи довгим ланцюжкам правил, написаних людськими експертами. Але цей підхід зазнав краху, зіткнувшись зі справжнім безладом реального життя. Мова, зображення та людська поведінка сповнені винятків, суперечностей і контекстних нюансів, які жоден звід правил ніколи не зміг би повністю охопити. Дослідники протягом 1970-х і 1980-х років раз у раз натикалися на ту саму стіну, і фінансування досліджень зі штучного інтелекту вичерпалося настільки різко, що історики називають цей період “зимою ШІ”.
Справжній прорив прийшов із зовсім іншої ідеї, натхненної — лише приблизно — людським мозком: нейронні мережі. Замість того, щоб отримувати точні правила, ці системи навчаються розпізнавати закономірності, аналізуючи величезну кількість прикладів. Покажіть нейронній мережі мільйони фотографій, підписаних “кіт” чи “не кіт”, і вона поступово налаштується так, що зможе розпізнавати котів, яких ніколи раніше не бачила. Сама концепція сягає корінням у 1950-ті роки, але вимагала трьох складових, яких тоді просто ще не існувало: достатньої кількості цифрових даних для навчання, достатньої обчислювальної потужності для їх обробки та кращих математичних методів тренування. Усі три фактори нарешті зійшлися в 2010-х роках, і прогрес, що повзав повільно протягом шістдесяти років, раптово прискорився темпами, яких ніхто повністю не передбачав.
Як це насправді працює?
На базовому рівні нейронна мережа складається з шарів штучних “нейронів” — простих математичних одиниць, з’єднаних між собою. Інформація проходить через ці шари, і кожне з’єднання має “вагу”, яка визначає, наскільки сильно воно впливає на кінцевий результат. Тренування мережі означає, що її наповнюють даними, перевіряють, чи правильна її відповідь, і трохи коригують ваги щоразу, коли вона помиляється. Повторіть цей процес мільярди разів, використовуючи величезні набори даних і потужні комп’ютерні чипи, і мережа поступово стає надзвичайно вправною у своєму завданні — і при цьому ніхто ніколи не писав чіткого правила щодо того, як саме це робити.
Великі мовні моделі — технологія, що лежить в основі сучасних чат-ботів, — працюють за схожим принципом, але їх навчають конкретно передбачати наступне слово в реченні. Перетравлюючи величезні обсяги тексту з книжок, вебсайтів і статей, вони засвоюють граматику, факти й навіть шаблони міркувань — не тому, що хтось прямо цьому їх навчив, а тому, що точне передбачення мови вимагає, принаймні на статистичному рівні, її розуміння. Попросіть таку систему пояснити жарт, підсумувати договір чи написати вірш у певному стилі, і вона звернеться до закономірностей, засвоєних із майже неймовірного обсягу людських текстів.
Втім, варто пам’ятати, що ці системи не “розуміють” мову так, як це роблять люди. Вони ніколи не куштували кави, не відчували втоми і не хвилювалися про оплату оренди. Те, що виглядає як розуміння, технічно є надзвичайно витонченою формою розпізнавання закономірностей — настільки ефективною, що на практиці ця різниця часто перестає мати значення, хоч у принципі вона має величезне значення.
Де ШІ вже формує ваше життя
Задовго до того, як чат-боти стали темою розмов за вечерею, ШІ вже тихо оселився у щоденних рутинах. Стрімінгові платформи використовують його, щоб передбачити, що ви захочете подивитися наступним. Банки застосовують його для виявлення підозрілих транзакцій за мілісекунди. Лікарні дедалі частіше покладаються на нього, щоб виявляти ранні ознаки раку на медичних знімках, іноді помічаючи деталі, які втомлений лікар-радіолог міг би пропустити під час нічної зміни. Фермери використовують керовані ШІ дрони для моніторингу стану врожаю на величезних полях. Ніщо з цього не передбачає нічого, схожого на свідому машину, — це вузький ШІ, який виконує вузькі завдання, майже завжди непомітно.
Ця тиха, практична версія ШІ, ймовірно, набагато важливіша за гучніші розмови про чат-ботів, які домінують у заголовках, саме тому, що вона діє в такому масштабі й з такою швидкістю, з якими не могла б зрівнятися жодна група людей, формуючи рішення щодо здоров’я, грошей і безпеки задовго до того, як більшість людей взагалі помітили її появу.
Ризики, які ніхто не може ігнорувати
У міру того, як системи ШІ стають дедалі здатнішими, зростають і побоювання навколо них. Одна з нагальних проблем — упередженість: оскільки ці системи навчаються на реальних даних, вони можуть засвоювати та посилювати вже наявні упередження — чи то в рішеннях про прийом на роботу, схваленні кредитів, чи в розпізнаванні облич. Система, натренована переважно на історичних даних, може врешті-решт повторювати історичну несправедливість із математичною впевненістю, яка звучить набагато об’єктивніше, ніж є насправді.
Ще одна проблема, що зростає, — дезінформація. ШІ вже здатен генерувати переконливі фейкові зображення, відео та аудіозаписи, через що відрізнити правду від вигадки стало важче, ніж будь-коли. Сфабрикований відеозапис, на якому політичний лідер каже те, чого він ніколи не казав, може розлетітися інтернетом задовго до того, як хтось встигне його спростувати, а технологія створення такого контенту стає дедалі дешевшою й доступнішою.
Існують і економічні побоювання. Автоматизація завжди змінювала ринок праці, але зараз ШІ просувається у сфери, які раніше вважалися відносно захищеними від машин, зокрема написання текстів, ілюстрацію та базовий фінансовий чи юридичний аналіз. Чи створить це врешті-решт нові типи робочих місць, чи просто знищить старі без належної заміни, залишається предметом гострих дискусій серед економістів, і чесна відповідь полягає в тому, що поки що ніхто не знає цього напевно.
Ще далі в майбутньому маячить абстрактніший, але не менш серйозний ризик, який іноді називають “проблемою узгодження”: що станеться, якщо ми створимо систему, цілі якої перестануть збігатися з добробутом людини, і ми втратимо практичну можливість її скоригувати чи вимкнути? Це звучить як наукова фантастика, і наразі здебільшого нею й залишається. Але напрочуд велика кількість дослідників, які справді працюють над цією технологією, ставляться до цього дуже серйозно — саме тому, що системи розвиваються швидше, ніж наші інструменти для їх розуміння чи контролю.
Справжня небезпека може полягати не в машині, яка раптово повстане проти нас, а в тій, що просто переслідуватиме неправильну мету з надто великою компетентністю і надто малим наглядом.
Життя поруч із новим типом інтелекту
Мабуть, найчесніший спосіб думати про штучний інтелект — це сприймати його не як окремий винахід, а як тривалий експеримент, у якому всі ми беремо участь, обрали ми це чи ні. Він уже змінив те, як ми шукаємо інформацію, спілкуємося, працюємо і навіть створюємо мистецтво, і не існує реалістичного варіанту майбутнього, у якому він просто зникне. Дослідники з Дартмута у 1956 році навряд чи могли уявити машини, що пишуть поезію чи ведуть розмови, і все ж ми тут — у чомусь на десятиліття попереду їхніх найоптимістичніших прогнозів, а в іншому все ще далеко позаду.
Невизначеним залишається не те, чи продовжить ШІ змінювати наш світ, — це станеться, і певною мірою вже сталося, — а те, чи вдасться нам мудро скерувати ці зміни, спираючись на чіткі правила, чесне суспільне розуміння та уважне ставлення до того, хто виграє, а хто ні. Чи ми просто дозволимо йому нести нас за собою, дізнаючись про наслідки лише тоді, коли вони вже настануть.