Конец индивидуума. Путешествие философа в страну искусственного интеллекта

Маркус Бюлер в этом отношении не одинок. Еще десять лет назад главный редактор технологического журнала Wired Крис Андерсон заявил в своей громкой статье о «конце теории», которая устарела в силу наплыва данных. Однако этот энтузиазм разделяют далеко не все члены научного сообщества. Во многих научных статьях высказываются предостережения по поводу неумеренного применения корреляций в ущерб рассуждениям[108]. Так, Седрик Виллани, математик и лауреат медали Филдса, решительно отвергает представление о том, что данные смогут заменить работу по концептуализации. «Законы Ньютона – это еще куда ни шло, – говорит он мне, когда я задаю ему этот вопрос, – но машинное обучение никогда не сможет прийти к физике Эйнштейна». Нельзя подозревать Седрика Виллани в том, что он недооценивает ИИ, весьма содержательный доклад о котором ученый представил французскому правительству (мы рассмотрим его далее). Но он отказывается превращать его в альфу и омегу нового научного метода. Точно так же специалист по компьютерным наукам Кристиан Игель, которого я встретил в Университете Копенгагена, считает, что ИИ способен помогать астрономам, когда нужны лучшие предсказания, составляемые на основе анализа корреляций. Но такие предсказания делаются в ущерб объяснениям, предоставляемым классическими физическими моделями, которые по-прежнему играют ключевую роль в развитии научной теории[109], поэтому отдельные ученые сознательно отдают приоритет причинно-следственным формулам. Последние менее эффективны в ближайшей перспективе, но зато больше обещают в долгосрочной. Наконец, само представление о том, что корреляция на теоретическом уровне может заменить собой причинность, оспаривается такими специалистами по статистике, как Эммануэль Кандес из Стэнфорда. Он объясняет мне, что предсказания ИИ не опираются на достаточные «основания», а потому остаются фрагментарными (например, ИИ, который должен был определять, закрыты ли ставни окна на фотографии комнаты, обращает внимание на то, занята ли в ней кровать!).

Каковы бы ни были ограничения эмпирического метода, важным остается то, что самые ярые сторонники ИИ не доверяют причинности, которая внедряет в наблюдение человеческий разум. Гуманитарные науки не избежали этого спора. Так, Ян Лекун разволновался, когда в разговоре с ним я упомянул о споре Хомского и Пиаже об обучении языку: «Хомского надо выбросить на помойку», – сказал он. Вспомним, в чем заключался этот знаменитый спор 1973 года. Жан Пиаже, первооткрыватель детской психологии, защищал представление о том, что язык приобретается постепенно, благодаря взаимодействию с внешним миром, тогда как Ноам Хомский, патриарх лингвистики, отстаивал гипотезу врожденной «универсальной грамматики», являющейся продуктом структуры самого мозга и реализующейся во множестве языков, соответствующем числу народов. Ян Лекун, который всецело на стороне Пиаже, подчеркивает «композиционный» характер языка: смысл фразы рождается из взаимозависимости семантики и синтаксиса; иначе говоря, невозможно провести окончательное различие между значениями слов и отношениями, которые их объединяют. То есть нет априорной грамматики, которая бы упорядочивала слова – носители значений, а есть лишь значения, которые, отсылая друг к другу, создают грамматику ровно в той мере, в какой и подчиняются ей. Отвергая статический характер синтаксиса, композиционный подход внедряет в анализ языка ту статистику, которая ищет истинных корреляций. Легко понять, что концепция языка у Хомского соответствует традиционному ИИ (GOFAI), основанному на строгих синтаксических правилах, тогда как представление Пиаже больше соответствует машинному обучению, требующему выявлять повторяющиеся мотивы в отношениях данных. Поэтому нет ничего удивительного в том, какой лагерь выбрал Ян Лекун, который был одним из тех, кто прошел через пустыню медленного развития машинного обучения в 1990‐е годы, сегодня став одним из лучших в мире специалистов в этой области. Из спора Хомского и Пиаже вытекают важные практические следствия: Google Translate, один из самых амбициозных проектов в области машинного обучения, не занимается переносом строгих грамматических правил из одного языка в другой, а основан на миллионах существующих переводов, которые позволяют ему предлагать наиболее вероятные формулировки.