Виртуальный ты. Как создание цифровых близнецов изменит будущее человечества

По этой причине машинное обучение может показаться чрезвычайно изобретательным. Глубокая нейронная сеть AlphaGo Zero, разработанная Демисом Хассабисом и его коллегами из DeepMind в Великобритании[201], была обучена всего за несколько дней, без какого-либо человеческого участия или знаний, и достигла сверхчеловеческих уровней в таких играх, как шахматы, сёги и го[202]. Программа не могла объяснить разработанные ею стратегии (хотя, честно говоря, возможно, это машинный эквивалент того, что игроки-люди называют «интуицией»), но – поразительно – некоторые из них были нетрадиционными и новыми.

Есть и другие намеки на искусственное творчество. Так называемые GAN (генеративно-состязательные сети) хорошо известны своей способностью создавать «глубокие фейки», где сеть «художников» создает изображения, а сеть «критиков» выясняет, выглядят ли они реальными[203]. Используя составные GAN, которые разбивают творческую задачу на подзадачи с прогрессивными целями, можно создавать высококачественные изображения из одного только текста, генерируя достаточно убедительные, но полностью синтетические изображения птиц и цветов[204].

Машинное обучение помогает и математике, предлагая способ решения проблем, для которых другие методы не сработали. Недавно машинное обучение выявило математические связи, которые при изучении симметрии люди упустили, и помогло распутать некоторые математические узлы. В другом исследовании DeepMind глубокое обучение автоматизировало открытие эффективных алгоритмов умножения матриц (массивов чисел)[205].

Другое применение ИИ возникает, когда математика становится неразрешимой – как обнаружил Пуанкаре, неразрешимо даже применение законов Ньютона всего к трем телам. Чтобы добиться прогресса, строгие и элегантные теории должны уступить место специальным аппроксимациям. Здесь машинное обучение может помочь математикам-прикладникам выйти из тупика, так что теперь, например, можно моделировать поведение сотен миллионов атомов, аппроксимируя их с помощью «суррогата» ИИ, где алгоритм обучается с помощью результатов нескольких тщательно отобранных моделирований, которые были выполнены детально[206]. При правильном (важное предостережение) обучении этот суррогат черного ящика может вести себя как настоящий. Например, машинное обучение, используемое для понимания жидкой воды и льда на атомном и молекулярном уровне, сначала изучает квантово-механические взаимодействия между атомами, чтобы оно могло действовать как суррогат для быстрых выводов об энергии и силах системы атомов, минуя трудоемкие квантово-механические вычисления[207].

Когда дело доходит до медицины, существует огромный интерес к использованию ИИ для диагностики заболеваний на основе тщательно отобранных данных. Ранние попытки использовать компьютерное обнаружение рака молочной железы не показали никаких дополнительных преимуществ[208]. Однако в 2020 г. в исследовании DeepMind, Имперского колледжа Лондона, Национальной службы здравоохранения и Северо-Западного университета США появилось представление о том, что ИИ может превзойти радиологов[209]. В следующем году ИИ отлично показал себя, когда команда из Бостона обучила его на гистологических слайдах опухолей известного происхождения, чтобы помочь найти источник рака неизвестного первичного новообразования[210].

Но у ИИ была и своя доля падений. Изучив более 300 моделей машинного обучения COVID-19, описанных в научных работах в 2020 г., команда Кембриджского университета пришла к выводу, что ни одна из них не подходит для обнаружения или диагностики COVID-19 с помощью стандартных медицинских сканирований из-за предвзятости, методологических недостатков, отсутствия воспроизводимости и «франкенштейновских наборов данных», собранных из других наборов и переименованных, поэтому алгоритмы в конечном итоге обучаются и тестируются на идентичных или перекрывающихся данных[211]. С тех пор методы искусственного интеллекта добились успехов в диагностике COVID-19 по сканированию грудной клетки[212].

Позже в этой главе мы вернемся к причинам, по которым ИИ может столкнуться с проблемами, хотя уже сейчас ясно, что успешное использование машинного обучения на реальных данных, собранных разными врачами в разных больницах с использованием разных технологий, является гораздо более сложной задачей, чем использование для обучения четких, тщательно отобранных данных[213].

Решение великой задачи