Искусственный интеллект – надежды и опасения

К сожалению, предсказания Кейнса не сбылись. Хотя производительность труда действительно увеличилась, система – возможно, «исконная» для рыночной экономики – отнюдь не сократила количество рабочих часов человека. Скорее, произошло то, что антрополог-анархист Дэвид Гребер[144] характеризует как появление «мнимых рабочих мест»

[145]. Такие занятия, как производство предметов первой необходимости, будь то продукты питания, жилье и потребительские товары, удалось во многом автоматизировать, но при этом налицо колоссальное разрастание таких секторов экономики с человеческим «наполнением», как корпоративное право, академическое образование и управление здравоохранением (в отличие от реального обучения, исследований и медицинских практик), управление «человеческим ресурсом» и связи с общественностью, не говоря уже о новых отраслях – например, финансовых услугах, разнообразном телемаркетинге и «дополнительных» секторах так называемой гигномики (экономики временных занятий)[146]

, которые обслуживают тех, кто слишком занят указанной дополнительной работой.

Как общество собирается справляться со все ускоряющейся ликвидацией множества привычных профессий и нарастающей технологической безработицей? Кое-кто утверждает, что беспокоиться не о чем: мол, ничего страшного не происходит, ведь одновременно появляются новые рабочие места, которых раньше попросту не было; но, как указывает Гребер, эти новые рабочие места не обязательно окажутся прибыльными, а сами занятия – уважаемыми. Понадобилось целое столетие после первой промышленной революции, чтобы большинство людей ощутили улучшение. Эта революция стала возможной только потому, что правительства того времени безжалостно отстаивали права собственности в ущерб трудовым интересам, а большинство людей (женщины поголовно) не имело права голоса. В нынешних демократических обществах население вряд ли готово мириться со столь драматическими потрясениями и верить обещаниям, что «в конце концов» все станет лучше.

Даже радужные перспективы, которые рисует власть, зависят от радикальной перестройки образования и «пожизненного» обучения. Промышленная революция действительно спровоцировала грандиозные социальные перемены, в том числе переход к всеобщему образованию. Но этого не случится до тех пор, пока мы сами не осуществим такой переход, а здесь все упирается в вопросы власти, свободы действий и контроля. Задумайтесь – что ждет, скажем, сорокалетнего таксиста или водителя грузовика в эпоху автономных транспортных средств?

Рассматривается, конечно, концепция универсального базового дохода, который позволит гражданам развивать свои навыки, переобучаться новым профессиям и в целом подготовиться к «достойной» жизни. Однако рыночная экономика, в которой все определяется растущим потребительским спросом, может отторгнуть это нововведение. Кроме того, почти общепризнано, что осмысленная работа необходима для того, чтобы человек осознавал свое достоинство и ощущал удовлетворение. Значит, другая возможность состоит в том, что огромные средства, полученные за счет повышения производительности труда благодаря автоматизации, можно направить на создание рабочих мест в отраслях, по-прежнему требующих человеческого труда и творчества – например, в искусстве, музыке, социальной работе и других общественно полезных занятиях. В конечном счете признание одних рабочих мест достойными и прибыльными, а других – мнимыми, будет, по сути, личным делом каждого и станет варьироваться от общества к обществу и меняться с течением времени.

* * *

До сих пор я рассуждал о практических последствиях развития и внедрения ИИ. Как ученого меня беспокоит потенциальная потеря понимания. Сегодня мы накапливаем данные с невероятной скоростью. В моей лаборатории, к примеру, эксперименты генерируют более терабайта данных в сутки. Эти данные накапливаются, анализируются и обрабатываются, благодаря чему их удается свести к интерпретируемому результату. Но за всеми процедурами анализа данных стоит наша уверенность в том, что нам известна суть происходящего. Мы знаем, что именно делают программы, поскольку это мы разрабатывали алгоритмы, лежащие в их основе. Так что итоги компьютерной деятельности выглядят для нас интеллектуально постижимыми.

Новые программы машинного обучения сильно отличаются от своих предшественниц. Распознавая шаблоны посредством глубинных нейронных сетей, они делают некие выводы, логическую цепочку которых мы не в состоянии выявить. Когда они раскрывают некие отношения, мы не понимаем этого, в отличие от ситуаций, когда сами выводим подобные отношения в рамках базового теоретического контекста. Поскольку наборы данных разрастаются, мы уже не в силах анализировать их – даже с помощью компьютеров; скорее, мы склонны целиком полагаться на компьютеры в проведении анализа. Поэтому, если кто-то спросит, откуда мы то-то и то-то узнали, ответ будет простым: машина проанализировала данные и вывела заключение.