Так как же работает глубокое обучение? По существу, чтобы получить решение, оптимизированное в соответствии с желаемым результатом, эти алгоритмы используют огромные объемы данных из определенного домена. Самообучающаяся программа решает задачу, обучаясь распознавать глубоко скрытые закономерности и корреляции, связывающие множество точек данных с желаемым результатом. Такой поиск зависимостей становится проще, когда данные имеют пометки, связанные с результатом: «кошка» против «нет кошки»; «нажал» против «не нажимал»; «выиграл игру» против «проиграл игру». Тогда машина может опираться на свои обширные знания об этих корреляциях, многие из которых невидимы или не имеют смысла для человека, и принимать лучшие решения, чем сам человек. Однако для этого требуется огромное количество данных, мощный алгоритм, узкая область и конкретная цель. Если вам не хватает чего-либо из перечисленного, метод не сработает. Слишком мало данных? Алгоритму не будет хватать образцов, чтобы выявить значимые корреляции. Неточно поставлена цель? Алгоритму не хватит четких ориентиров для оптимизации. Глубокое обучение – это то, что известно как «ограниченный ИИ» – интеллект, который берет данные из одного конкретного домена и использует их для оптимизации одного конкретного результата. Это впечатляет, но все еще далеко от «ИИ общего назначения» – универсальной технологии, способной делать все, что может человек. Глубокое обучение находит самое естественное применение в таких областях, как страхование и кредитование. Соответствующих данных о заемщиках предостаточно (кредитный рейтинг, уровень дохода, недавнее использование кредитных карт), и цель оптимизации ясна (минимизировать уровень неплатежей). Сделав следующий шаг в развитии, глубокое обучение приведет в действие самоуправляемые автомобили, помогая им «видеть» мир вокруг них: распознавать объекты в пиксельном изображении с камеры (например, красные восьмиугольники), выяснять, с чем они коррелируют (дорожные знаки «Стоп»), и использовать эту информацию для принятия решений (задействовать тормоз, чтобы медленно остановить автомобиль), оптимальных для достижения желаемого результата (доставить меня безопасно домой в минимальные сроки).
Глубокое обучение так волнует человечество именно потому, что открывает перед нами огромные перспективы. Его способность распознать схему и оптимизировать ее для получения конкретного результата может применяться для решения множества повседневных проблем. Вот почему такие компании, как Google и Facebook, боролись за немногочисленных экспертов в области глубокого обучения и платили им миллионы долларов, чтобы получить доступ к самым передовым научным разработкам. В 2013 году Google приобрела стартап, основанный Джеффри Хинтоном, а в следующем году и британский стартап в области ИИ под названием DeepMind – компанию, которая и построила AlphaGo, израсходовав более 500 млн долларов[11]. Результаты этих проектов продолжают поражать воображение публики и появляться в заголовках газет. Они вызывают у нас ощущение, что мы стоим на пороге новой эры, когда машины обретут невероятные возможности, и нет гарантий, что они не начнут вытеснять людей.
Международные исследования ИИ
Но какое место занимает во всем этом Китай? Исторически глубокое обучение было почти полностью разработано в Соединенных Штатах, Канаде и Великобритании. Затем некоторые китайские предприниматели и венчурные фонды, такие как мой собственный, начали инвестировать средства в эту область. Но подавляющая часть технического сообщества Китая не обращала должного внимания на глубокое обучение вплоть до событий 2016 года, то есть прошло целое десятилетие после появления революционных теоретических работ в этой области и четыре года после того, как глубокое обучение одержало эпохальную победу на конкурсе компьютерного зрения.
Американские университеты и технологические компании на протяжении десятилетий снимали сливки с работ талантливых специалистов, которых страна привлекала со всего мира. США надеялись на безусловное лидерство и в области ИИ, которое должно было только укрепляться. Исследовательская элита страны трудилась в Кремниевой долине в обстановке щедрого финансирования, уникальной культуры и поддержки со стороны влиятельных компаний. В глазах большинства аналитиков Китаю в отношении ИИ суждено было играть ту же роль, что и в предыдущие десятилетия, – роль подражателя, вечно не поспевающего за развитием передовых технологий.
В следующих главах вы увидите, что этот прогноз оказался ошибочным. Он был основан на устаревших оценках китайской технологической среды, а также на фундаментальном непонимании того, что движет продолжающейся революцией ИИ. Хотя первые зерна связанных с ИИ идей проросли на Западе, Китай будет пожинать их плоды. И причина этого глобального сдвига заключается в двух переходах: от эпохи открытий к эпохе внедрения и от эпохи экспертных знаний к эпохе данных.