Власть роботов. Как подготовиться к неизбежному - Мартин Форд
Хотя я считаю позицию Гордона слишком пессимистичной, множество свидетельств дают основание полагать, что широкомасштабный застой в создании новых идей совершенно реален. В научной статье, опубликованной в апреле 2020 года группой экономистов Стэнфорда и МТИ, отмечается, что продуктивность исследований в разных отраслях резко снизилась. Выполненный анализ привел авторов статьи к выводу, что эффективность создания инноваций американскими исследователями «уменьшается наполовину каждые 13 лет» или, иными словами, «только для того, чтобы поддерживать постоянный рост ВВП на душу населения, Соединенные Штаты должны удваивать объем исследований каждые 13 лет, компенсируя растущую сложность поиска новых идей»[101]. «Куда ни посмотри, — писали экономисты, — видно, что идеи и сопутствующий им экспоненциальный рост даются все труднее»[102]. Примечательно, что это касается даже той области, в которой по-прежнему наблюдается устойчивое экспоненциальное развитие. Авторы статьи обнаружили, что «сегодня для достижения знаменитого удвоения плотности компоновки транзисторов в компьютерных чипах», согласно закону Мура, «требуется в 18 с лишним раз больше исследователей, чем в начале 1970-х годов»[103]. Одно из возможных объяснений заключается в том, что, прежде чем продвинуть рубежи науки вперед, нужно понять ее текущее состояние. Практически во всех областях науки для этого необходимо усвоить намного больше знаний, чем в прошлом. Вследствие этого для инновации сегодня требуются все более многочисленные команды ученых с высокоспециализированной подготовкой, а координация их усилий неизбежно является более сложной задачей, чем руководство небольшой группой.
Безусловно, замедление инновации может объясняться множеством других факторов. Законы физики говорят, что доступные инновации распределены между областями научного знания неравномерно. В сфере разработки аэрокосмической техники закон Мура, разумеется, не действует. Во многих областях для того, чтобы дотянуться до следующей группы инновационных «плодов», требуется гигантский скачок. Играет свою роль и чрезмерное или неэффективное государственное регулирование, и ориентация на краткосрочные результаты, господствующая в настоящее время в корпоративном мире. Долгосрочные инвестиции в исследования и разработки часто несовместимы с одержимостью квартальной прибылью или с зависимостью оплаты труда руководителей от краткосрочного изменения стоимости акций. Тем не менее в той мере, в которой скорость обновления снижается растущей сложностью среды и взрывным увеличением объема знаний, искусственный интеллект может оказаться самым мощным инструментом, помогающим преодолеть технологическое плато. Я считаю это важнейшей задачей ИИ в процессе его превращения в общедоступный ресурс. В долгосрочной перспективе с точки зрения устойчивого процветания и способности справляться как с известными, так и с неожиданными вызовами ничто не сравнится по важности с повышением нашей коллективной способности обновляться и генерировать новые идеи.
В ближайшем будущем самым многообещающим применением искусственного интеллекта, особенно глубокого обучения, в научных исследованиях может стать открытие новых химических соединений. Подобно тому как система AlphaGo, созданная DeepMind, работает с практически бесконечным игровым пространством — количество возможных комбинаций в игре го превышает число атомов во Вселенной, — так и «химическое пространство», охватывающее практически все мыслимые конфигурации молекул, с практической точки зрения является бесконечным. Чтобы обнаружить в этом пространстве полезные молекулы, требуется многомерный поиск ошеломляющей сложности. Необходимо учесть такие факторы, как трехмерный размер и форма молекулярной структуры, а также множество других параметров, в частности полярность, растворимость и токсичность[104]. Для химика или специалиста по материаловедению перебор вариантов — это трудозатратный процесс экспериментирования методом проб и ошибок. Обнаружение по-настоящему полезного нового химического вещества может занять большую часть профессиональной карьеры. Например, литий-ионные батареи, сегодня широко использующиеся в наших электронных устройствах и электромобилях, родились из исследования, начатого еще в 1970-е годы, но коммерческое применение возникшей на его основе технологии стало возможно лишь в 1990-х годах. Искусственный интеллект обещает чрезвычайно ускорить этот процесс. Поиск новых молекул во многих отношениях идеальная задача для глубокого обучения; можно обучить алгоритмы на характеристиках молекул, полезность которых известна, или в некоторых случаях на законах, управляющих конфигурацией и взаимодействием молекул[105].
На первый взгляд это может показаться относительно узким применением. Однако поиск полезных новых химических веществ затрагивает практически все стороны обновления. Ускорение этого процесса обещает дать инновационные высокопрочные материалы для машин и инфраструктуры, химически активные вещества для более эффективных батарей и солнечных панелей, фильтрующие или поглощающие материалы, способные уменьшить загрязнение, и новые лекарства, которые, возможно, совершат переворот в медицине.
Университетские исследовательские лаборатории и растущее число стартапов с энтузиазмом обратились к технологии машинного обучения и уже совершили важные прорывы благодаря действенным методам на основе ИИ. В октябре 2019 года ученые из Дельфтского технического университета в Нидерландах объявили, что сумели создать совершенно новый материал исключительно с помощью алгоритма машинного обучения без проведения реальных лабораторных экспериментов. Новое вещество является прочным и долговечным, но в то же время сверхсжимаемым, если на него действует сила выше определенного предела. Это означает, что материал фактически можно сжать до малой доли его первоначального объема. По словам Мигеля Бесса, одного из ведущих исследователей в этом проекте, когда-нибудь благодаря материалам с подобными свойствами «самые обычные предметы вроде велосипедов, обеденных столов и зонтов смогут поместиться в кармане»[106].
Для участия в таких проектах исследователи должны обладать серьезной технической подготовкой в области искусственного интеллекта. Однако команды из других университетов разрабатывают более доступные инструменты на основе ИИ, способные в скором времени открыть новые химические соединения. Например, ученые из Корнеллского университета работают над проектом SARA («научный автономный интеллектуальный агент» — Scientific Autonomous Reasoning Agent), который, как надеются, «резко, на порядки, ускорит поиск и разработку новых материалов»[107]. Исследователи Техасского сельскохозяйственного и политехнического университета также работают над программной платформой для автоматического поиска прежде неизвестных веществ[108]. Оба проекта частично финансируются Министерством обороны США, особенно заинтересованным в инновациях. Такие разработки играют ту же роль во многих областях научных исследований, что и облачные инструменты, предлагаемые Amazon и Google, которые делают машинное обучение более доступным для использования во многих приложениях для бизнеса. Это позволит, скажем, химикам и материаловедам применять ИИ, даже если они не являются экспертами в машинном обучении. Иными словами, искусственный интеллект превращается в общедоступный ресурс, который можно использовать все более творчески и целенаправленно.
Еще более смелый подход заключается во встраивании программного
