Благодаря глубинному обучению, работа может стать уделом машин



18-кратный чемпион мира Ли Седол учится у AlphaGo кое-чему новому — поражению

2 декабря 1942 года команда ученых под руководством Энрико Ферми наблюдала, вернувшись с ланча, как человечество запустило первую в истории самоподдерживающуюся ядерную реакцию внутри груды кирпичей и досок под футбольным полем в Чикагском университете. Известный под именем «Чикагская поленница-1», эксперимент был отпразднован в тишине одной-единственной бутылкой «Кьянти»: тем, кто там присутствовал, значение этого события для всего человечества было понятно без слов.

Теперь же произошло нечто новое, еще раз незаметно навсегда изменившее мир. Будто слово, прошептанное на чужом языке: вы его вроде и услышали, но его истинный смысл ускользнул от вас. Тем не менее, жизненно важно понять этот новый язык и смысл слов, что нам сказаны, ибо их последствия изменят все. Даже самые очевидные аспекты функционирования нашей глобализированной экономики, а также способы, с помощью которых мы, люди, существуем в ее пределах.

Язык этот — новый вид обучения машин, известный как «глубинное обучение», а «прошептанные слова» — использование его компьютером для, казалось бы, из ниоткуда взявшейся победы над трехкратным чемпионом по го Фан Хуем, и не единожды, а целых пять раз подряд без единого поражения. Многие из тех, кто читали эту новость, решили, что это впечатляюще, но это нельзя даже сравнить с матчем против Ли Седоль, который многими признается одним из лучших ныне живущих игроков в го, если не самым лучшим. Представляя столь великую дуэль человека и машины, лучший игрок го Китая предсказал, что Ли не проиграет ни одной партии, а сам Ли был уверен, что проиграет не более одной.

Что же произошло на самом деле? Ли проиграл четыре партии из пяти. А ИИ под названием AlphaGo теперь лучший игрок в го на планете: ему был присвоен «божественный» ранг — девятый дан. Другими словами, его уровень игры богоподобен. Го официально покорилась машине, так же, как Jeopardy была покорена Watson, а шахматы — Deep Blue.

Так что же такое го? Все очень просто: представьте, что го — это супер-мега-ультра-шахматы. Это достижение все еще может казаться незначительным, очередное перо в шляпе машины, ведь они продолжают показывать свое превосходство в развлекательных играх, но это немалое достижение, и происходящее уже больше не игра.

Историческая победа AlphaGo — явный сигнал того, что мы перешли от прямой к параболе. Прогресс в области технологий в настоящее время носит настолько явно экспоненциальный характер, что мы можем ожидать намного больше преодоленных вех, чем могли бы рассчитывать в любом другом случае. Эти показательные достижения, особенно в форме достижений ИИ, специализированного на конкретных задачах, оставят нас совершенно к ним неподготовленными до тех пор, пока мы продолжим настаивать на том, что работа есть основной источник дохода.

Все это может звучать преувеличенно, так что давайте вернемся на пару десятков лет назад и взглянем на то, чем увлеченно занимались компьютерные технологии в контексте человеческой занятости:



Источник: St. Louis Fed.

Рассмотрите этот график как следует. Не обманывайте себя, полагая, что говоря об автоматизации труда мы говорим о будущем. Будущее уже здесь. Компьютерные технологии съедают наши рабочие места с 1990 года.

Рутинная работенка

Все работы можно разделить на четыре типа: рутинная и разнообразная, когнитивная и ручная. Рутинная работа — все одно и то же изо дня в день, в то время как разнообразная работа имеет свойство изменяться. В рамках двух этих типов лежит работа, которая требует усилий нашего мозга (когнитивная) и работа, которая требует усилий нашего тела (ручная). Там, где все четыре типа однажды пошли в рост, рутинная работа застряла на одном месте в 1990 году. Это произошло из-за того, что рутинная работа — самая простая для выполнения технологическими устройствами. Для работы, которая не изменяется, можно написать алгоритм действия, и машины с такой работой справляются на ура.

Печально, что именно этот вид работы — рутинный — однажды сформировал базис американского среднего класса. Именно рутинную ручную работу изменил Генри Форд, начав платить людям за нее зарплату среднего класса, и именно рутинная когнитивная работа однажды заполонила американские офисы. Рабочие места подобного рода в настоящее время становятся все более и более недоступными, оставляя лишь два вида работ с радужной перспективой: работы, которые не требуют много думать — мы платим людям мало; и работы, которые требуют таких умственных нагрузок, что мы платим людям хорошо, чтобы они думали.

Если представить нашу экономику в виде самолета с четырьмя двигателями, но способного лететь всего на двух, то пока они работают, мы можем избежать падения. Но что случится, если откажут также и оставшиеся два двигателя? Именно этим грозят успехи продвинутых областей робототехники и ИИ для двух оставшихся двигателей, ведь впервые в истории мы успешно обучаем машины учиться.

Нейросети

В душе я писатель, но мое образование лежит в области психологии и физики. Меня захватывают обе эти науки, так что будучи студентом я был сфокусирован на физике человеческого мозга, другими словами — когнитивной нейробиологии. Мне кажется, как только вы начинаете изучать, как работает человеческий мозг, как массы взаимосвязанных нейронов каким-то образом образуют то, что мы описываем словом «разум», все меняется. По крайней мере, все поменялось для меня.

Вот вам наглядное пособие того, как работает наш мозг: это огромная сеть взаимосвязанных клеток. Некоторые из этих соединений короткие, некоторые длинные. Некоторые клетки лишь соединены с ближайшими соседями, а некоторые соединены со многими. Электрические импульсы проходят сквозь эти соединения с разной скоростью, в свою очередь запуская следующий каскад импульсов. Словно падающие костяшки домино, но только быстрее, масштабнее и гораздо сложнее. Удивительно, но результат — это мы, и то, что мы узнали о том, как мы работаем, сейчас примеряется на машины.

Одним из результатов таких примерок является создание глубоких нейронных сетей — что-то вроде урезанного виртуального мозга. Они обеспечивают возможность машинного обучения, которое совершило невероятные успехи, считавшиеся ранее гораздо более недосягаемыми, если вообще возможными. Как? В этом заключена не просто очевидная способность наших компьютеров к росту и расширение наших знаний в области нейробиологии, но и стремительно растущие объемы коллективной информации, также известной как супермассив данных.

Супермассив данных

Это не просто кучка пафосных слов. Это информация, и когда дело доходит до информации, то выясняется, что мы с каждым днем создаем все больше и больше. На самом деле, мы создаем ее такими объемами, что отчет SINTEF 2013 года гласит, что 90 процентов всей информации в мире было создано за последние два года. Этот невероятный показатель удваивается каждые полтора года: спасибо Интернету, где в 2015 году каждую минуту мы «лайкаем» 4,2 миллиона фотографий на Facebook, загружаем 300 часов видео на YouTube и отправляем 350 тысяч твитов. Все, что мы делаем, генерирует информацию так, как никогда доселе, а большое ее количество — именно то, что нужно машинам, чтобы обучаться. Почему?

Представьте, что компьютер программируют на распознавание стула. Вам нужно бы ввести в него тонну инструкций, а в результате это будет программа, которая обнаруживает стулья, которые и не стулья вовсе, а стулья она совсем и не обнаруживает. Так как же мы сами научились распознавать стулья? Наши родители показали на стул и сказали: «Это стул». Тогда мы подумали, что вся эта проблема со стульями решена, так что мы ткнули в стол пальцем и сказали: «Это стул», и тогда родители сказали, что это стол. Это называется обучение с подкреплением. Ярлык «стул» становится связан с каждым стулом, который мы видим, так что некоторые нервные пути нагружаются, а другие — нет. Чтобы запустить в нашем мозгу реакцию, «стул» должен быть близок к объектам нашего прошлого опыта. По большому счету, весь наш жизненный опыт — огромный массив данных, фильтрующихся через мозг.

Глубинное обучение

Мощь глубинного обучения состоит в том, что это способ использования большого количества информации для обучения машин работе без четких инструкций, то есть так, как делаем это мы. Вместо того, чтобы описать «стульную сущность» компьютеру, мы просто подключим его к Интернету и покажем ему миллионы изображений стульев. Тогда он сам сможет получить представление об этой «сущности». Затем мы протестируем его еще большим количеством изображений. Когда он ошибется, мы поправим его, что лишь улучшит его навык выявления стульев. Повторение этого процесса приводит к тому, что компьютер знает, что такое стул, когда видит его, настолько хорошо, насколько это можем мы. Важное отличие состоит в том, что, в отличие от нас, он может просмотреть миллионы изображений в считанные секунды.

Такое сочетание глубинного обучения и супермассивов данных привело к невероятным достижениям лишь только за прошлый год. Помимо восхитительного результата, полученного AlphaGo, искусственный интеллект DeepMind от Google научился читать и понимать, что он читает, изучив сотни тысяч новостных статей. DeepMind также самостоятельно научился играть в десятки видеоигр на Atari 2600 лучше, чем человек, просто проверяя счет на экране и играя раз за разом. ИИ под названием Giraffe схожим образом научил себя игре в шахматы, используя набор данных 175 миллионов шахматных позиций, достигнув уровня Международного мастера за 72 часа, непрерывно играя с самим собой. В 2015 году ИИ даже смог пройти визуальный тест Тьюринга, обучаясь так, что он смог выявить неизвестную букву в выдуманном алфавите, затем моментально воспроизвести эту букву так, что она была полностью неотличима от написанной в этом же задании человеком. Все это — главные вехи в истории ИИ.

Тем не менее, несмотря на все эти вехи, когда был задан вопрос, как скоро компьютер сможет победить выдающегося игрока в го, за несколько месяцев до объявления Google о победе AlphaGo экспертами был дан следующий ответ: «Возможно, в ближайшие 10 лет». Десятилетие казалось хорошим вариантом, ведь го — игра настолько сложная, что я предоставлю возможность описать ее Кену Дженнингсу из игры Jeopardy, еще одному бывшему чемпиону, сраженному ИИ:

«Хорошо известно, что го более сложна, чем шахматы, со своей огромной доской, более длинными играми и большим количеством фигур. Команда программистов ИИ DeepMind от Google любит говорить, что во всей известной Вселенной вариантов игры в го больше, чем атомов, но это значительно занижает задачу вычисления. Позиций при игре в го — 10 в степени 170, тогда как атомов во Вселенной — лишь 10 в степени 80. Это значит, что если существует столько же параллельных Вселенных, сколько существует атомов в нашей (!), общее число атомов во всех этих Вселенных вместе взятых приблизилось бы подошло к числу возможных позиций на гобане»

Такая ставящая в тупик сложность делает невозможным перебор каждой возможной позиции и каждого возможного хода для определения лучшего. Но глубокие нейронные сети обходят этот барьер так же, как и ваш собственный мозг: научившись оценивать ход и выбирать лучший. Мы это делаем с помощью наблюдения и практики, и точно так же это делает AlphaGo: анализируя миллионы профессиональных игр и играя сам с собой миллионы раз. Так что ответ на вопрос, когда го падет перед машиной, не был даже близко к 10 годам. Правильный ответ таков: «В любое время».

В любое время. Это новый ответ 21-го века на любой вопрос, связанный с тем, когда машины способны научиться делать что-либо лучше человека, и мы должны попытаться к нему прислушаться.

Нам следует признать, что значит для экспоненциального изменения технологий первый за всю историю выход на рынок труда разнообразной работы. Машины, которые умеют обучаться чему угодно — это значит, что любая работа человека в опасности. От гамбургеров до медобслуживания, машины могут успешно выполнять эти задачи без помощи или с меньшей помощью человека, по более низкой цене, чем человек.



Amelia — лишь один из многих ИИ, которые прямо сейчас находится на стадии бета-тестирования. Этот ИИ создавался компанией IPsoft на протяжении последних 16 лет, она научилась выполнять работу сотрудников колл-центра. Она может за секунды обучиться тому, что занимает у нас месяцы, и она может выполнять эту работу на 20 языках. И так как она умеет обучаться, со временем она сможет еще больше. В одной компании, где ее тестировали, она успешно обрабатывала каждый десятый вызов за первую неделю, а к концу второго месяца она решала шесть из десяти вопросов. И из-за этого она может оставить без работы 250 миллионов человек по всему миру.

Viv — ИИ от создателей Siri — выйдет совсем скоро, и она будет нашим персональным помощником. Она будет выполнять для нас задачи онлайн, это будет как новостная лента Facebook на стероидах: будет предлагать потреблять медиа, которые по ее мнению нам должно понравиться. В дополнение к этому мы увидим гораздо меньше рекламы, и это значит, что вся рекламная индустрия — индустрия, на которой построен весь Интернет — ощутимо пошатнется.

Мир с Amelia и Viv — и бесчисленным множеством других ИИ, которые совсем скоро придут в онлайн — в комбинации с роботами, такими, как Atlas — творение нового поколения от Boston Dynamics, — это мир, где машины могут выполнить работу любого из четырех типов, а это значит, что грядут серьезные социальные перемены. Если машина может выполнить работу вместо человека, стоит ли человеку рисковать своим материальным благополучием ради нее? Должны ли сами по себе доходы оставаться привязанными к деловой занятости, а наличие работы быть единственным способом получения доходов, тогда как рабочие места для многих совершенно недоступны? Если машины заполняют все большее количество наших рабочих мест, и им за это не платят, куда деваться деньгам? И как изменится их покупательная способность? Возможно ли, что многие наши работы, которые мы создали, вообще не должны существовать, а существуют лишь для того, чтобы получать деньги? Мы должны начать задаваться этими вопросами, и быстро.

Разграничивая доход и работу

К счастью, люди начинают задавать эти вопросы, и существует ответ, который выстраивается на глазах. Идея в том, чтобы машины работали за нас, но сами мы работали теми, чью работу считаем действительно важной, просто ежемесячно предоставляя человеку ежемесячный доход независимо от работы. Этот доход будет гарантирован каждому гражданину независимо ни от чего, и называется он — универсальный безусловный доход. Приняв его на вооружение, помимо защиты от негативных последствий автоматизации, мы также снизим риски, присущие предпринимательству, а также уменьшим масштабы бюрократии, необходимой для увеличения доходов. Именно по этим причинам его поддерживают люди с разнообразными политическими взглядами и уже находится на стадии возможного выполнения в таких странах, как Швейцария, Финляндия, Нидерланды и Канада.

Будущее — мир ускоряющихся изменений. Кажется неразумным продолжать воспринимать будущее похожим на прошлое, где новые рабочие места будут просто потому, что они всегда были раньше. WEF начало 2016 год, открывая 2 миллиона новых рабочих мест и ликвидируя 7 миллионов. Это потеря 5 миллионов рабочих мест. В часто цитируемой работе, опубликованной в Оксфорде, предсказана полная автоматизация половины существующих сейчас рабочих мест к 2033 году. В то же самое время автомобили на автопилоте, опять же, спасибо машинному обучению, могут резко повлиять на все экономики мира — особенно на экономику США, как я писал в прошлом году по поводу грузовиков на автопилоте, — устраняя миллионы рабочих мест в течение короткого промежутка времени.



А теперь даже Белый дом в потрясающем докладе Конгрессу заявил, что с вероятностью в 83 процента работник, который в 2010 году зарабатывал менее $20 в час, отдаст свою работу машине. Даже люди, зарабатывающие до $40 в час, имеют на это шанс в 31 процент. Игнорировать вероятности такого рода — все равно что применять смехотворную стратегию «пригнись и спрячься» для предотвращения последствий ядерных взрывов во время Холодной войны.

Все это говорит нам, почему в настоящее время именно самые осведомленные в области ИИ увлеченно бьют тревогу и говорят о безусловном доходе. В ходе дискуссии в конце 2015 года, в Университете Сингулярности выдающийся специалист по обработке данных Джереми Говард спросил: «Вы хотите чтобы половина людей на планете голодала просто потому, что они буквально не могут привнести экономическую ценность или нет?» прежде, чем предположить: «Если ваш ответ „нет“, то наиболее разумным способом распределения богатства будет введение универсального безусловного дохода».

Пионер в области ИИ Крис Элайсмит, директор Центра теоретической нейробиологии, предостерег относительно актуальных проблем влияния ИИ на общество в интервью Futurism: «ИИ уже влияет на нашу экономику... Я подозреваю, что все большее число стран последует примеру Финляндии во введении гарантированного безусловного дохода для людей».

Моше Варди выразил ту же мысль в 2016 году после выступления на ежегодном собрании Американской ассоциации содействия развитию науки по поводу появления умных машин: «Нам нужно пересмотреть самую основу нашей экономической системы... возможно, нам придется рассмотреть вопрос о введении гарантированного безусловного дохода».

Даже руководитель исследовательских работ Baidu и основатель проекта глубинного обучения «Google Brain» Эндрю Ын в ходе интервью со сцены на Саммите глубинного обучения этого года выразил распространенное мнение, что безусловный доход должен быть «всерьез рассмотрен» правительствами, ссылаясь на «высочайшую вероятность того, что ИИ создаст массовое перемещение рабочей силы».

Когда создатели инструментов начинают задумываться о последствиях их использования, не стоит ли желающим использовать эти инструменты прислушаться с большим вниманием, особенно когда на карту поставлены жизни миллионов людей? Если и нет, то что тогда насчет нобелевского лауреата — экономиста, который соглашается со сторонниками гарантированного дохода?

Ни одна из стран пока не готова к переменам, которые ждут нас. Безучастное поведение высокооплачиваемой рабочей силы ведет к социальной нестабильности, а недостаток потребителей в рамках потребительской экономики ведет к нестабильности экономической. Так давайте же спросим себя: какова цель тех технологий, что мы создаем? Какова цель машины, которая может управлять самостоятельно, или ИИ, который может выполнить 60% всей нашей работы? Позволить нам работать больше за еще меньшую плату? Или же позволить самим выбирать, как нам работать, и отказываться от любой зарплаты, которую мы считаем недостаточной, ведь мы уже получаем те деньги, которых лишены машины?

И какой важный урок можно извлечь в век, когда машины сами умеют учиться?

Я лишь говорю, что работа — для машин; для человека — жизнь.

Автор: Скотт Сантенс
Оригинал: Medium

«Попытка понять Вселенную – одна из очень немногих вещей, которые чуть приподнимают человеческую жизнь над уровнем фарса и придают ей черты высокой трагедии»

Стивен Вайнберг

Файлы

Nano Sapiens или молчание небес

Математическое и компьютерное моделирование

Думать или верить?

Побег от зла