Когда в 1980-х годах обсуждалась уникальность природы человека, в качестве главного доказательства его превосходства обычно приводились шахматы. Существовало убеждение, что роботу никогда не обыграть живого шахматиста. 10 февраля 1996 года суперкомпьютер Deep Blue разработки IBM взял верх над чемпионом мира Гарри Каспаровым, отправив на свалку и эту заявку на человеческое превосходство.
Создатели хорошо подготовили Deep Blue, начинив его не только правилами игры, но и подробнейшими инструкциями относительно шахматных стратегий. Искусственный интеллект нового поколения предпочитает советам людей машинное обучение. В феврале 2015 года компьютерная программа, разработанная подразделением Deep Mind компании Google, самостоятельно освоила 49 классических игр Atari. Один из ее разработчиков, доктор Демис Хассабис, объяснил: «Единственная информация, которая была предоставлена системе, – это необработанные пиксели на экране и идея, что нужно набирать очки. Все остальное она должна была просчитать сама». Программа ухитрилась выучить правила всех предложенных ей игр от «Пакмана» и «Космических захватчиков» до автогонок и тенниса. И играла в них не хуже, а иногда и лучше людей, подчас применяя стратегии, которые никогда не приходили в голову игроку-человеку
[225].
Немного погодя искусственный интеллект отметился еще более сенсационным достижением: созданная DeepMind программа AlphaGo обучилась играть в древнюю китайскую настольную игру го, значительно более сложную, чем шахматы. Го долго считалась слишком сложной для искусственного интеллекта. В марте 2016 года в Сеуле состоялся матч между AlphaGo и южнокорейским мастером игры в го Ли Седолем. AlphaGo обыграла Ли со счетом 4:1, применив оригинальные стратегии, ошеломившие экспертов. Если до матча профессиональные гоисты почти не сомневались, что Ли победит, то проанализировав ходы AlphaGo, они пришли к выводу, что игра окончена: люди могут попрощаться с надеждой выиграть у AlphaGo и тем более ее потомков.
Отличились компьютерные алгоритмы и в играх с мячом. Десятилетиями бейсбольные клубы полагались в подборе игроков на прозорливость, опыт и чутье профессиональных скаутов и менеджеров. За лучших игроков платили миллионы – естественно, богатые клубы снимали пенки, а бедные довольствовались тем, что осталось. В 2002 году Билли Бин, менеджер клуба со скромным бюджетом «Окленд Атлетикс», решил поломать систему. Он положился на алгоритм, придуманный компьютерными гиками и экономистами, чтобы создать победную команду из игроков, не замеченных или недооцененных скаутами. Ветераны бейсбола обозлились на Бина за алгоритм, вторгшийся, по их мнению, в святая святых. Они настаивали на том, что подбор игроков – это тончайшее искусство и владеют им лишь люди, знающие игру очень близко и очень давно. Компьютерная программа на это не способна, поскольку не может постичь секретов и духа бейсбола.
Скоро им пришлось прикусить языки. Укомплектованная алгоритмом малобюджетная (44 миллиона долларов) команда не только выстояла против бейсбольных гигантов, таких как «Нью-Йорк Янкиз» (125 миллионов долларов), но первой в истории Американской лиги одержала двадцать побед подряд. Правда, Билли Бин и его «Окленд» недолго грелись в лучах славы. Другие команды не замедлили перенять его алгоритмический опыт и, поскольку «Янкиз» и «Ред Сокс» могли тратить и на игроков, и на компьютерный софт на порядок больше, шансы на то, что малобюджетные клубы вроде «Окленд Атлетикс» сумеют противостоять им, стали еще меньше, чем были до всей этой истории
[226].
В 2004 году профессора Фрэнк Леви из Массачусетского технологического института и Ричард Мернен из Гарварда опубликовали всестороннее исследование рынка труда, в котором выделили виды деятельности, имеющие наибольшие шансы подвергнуться автоматизации. Вождение грузовика они привели в качестве примера работы, которую едва ли в обозримом будущем доверят автомату. Трудно представить себе, писали они, чтобы управляемый алгоритмом грузовик смог безопасно лавировать в потоке машин. И что же? Меньше чем полтора десятка лет спустя Google и Tesla не только представили себе, но уже претворяют это в жизнь
[227].
Заменять людей компьютерными алгоритмами год от года становится все проще и проще не только благодаря совершенствованию алгоритмов, но и потому, что все последнее время возрастала степень профессиональной специализации людей. Древние охотники-собиратели владели самыми разнообразными навыками, необходимыми для выживания, поэтому смоделировать автоматизированного охотника-собирателя было бы необычайно трудно. Такой робот должен был бы уметь изготавливать из камня наконечники копий, искать в лесу съедобные грибы, выслеживать и загонять мамонта во взаимодействии с десятком других охотников, а потом врачевать полученные раны целебными травами. Но в последние несколько тысячелетий мы, люди, все больше специализировались. У таксиста или кардиолога несравнимо более узкая специализация, чем у охотника-собирателя, что облегчает их замещение искусственным интеллектом. Как я уже неоднократно подчеркивал, искусственному интеллекту неизмеримо далеко до человека с его многообразием чувств, переживаний, способностей и возможностей. Но дело-то в том, что 99 процентов человеческих свойств и способностей остаются незадействованными при выполнении большинства современных работ. Чтобы вытеснить человека с рынка труда, искусственному интеллекту достаточно лишь стать лучше нас в выполнении специфических действий, составляющих суть той или иной профессии.
Даже те, кто управляет, – коллективами и различными видами деятельности, – могут быть заменены. Благодаря своим мощным алгоритмам Uber координирует передвижения миллионов таксистов силами небольшого числа операторов. Основная часть распоряжений отдается алгоритмами без контроля со стороны человека
[228]. В мае 2014 года Deep Knowledge Ventures – гонконгский венчурный фонд, специализирующийся на регенеративной медицине, – удивил мир, сделав алгоритм по имени VITAL членом своего совета директоров. VITAL анализирует огромную базу данных, касающихся текущей финансовой ситуации, клинических испытаний и интеллектуальной собственности различных компаний, на предмет вложений. Наравне с другими пятью членами совета алгоритм голосует в поддержку или против инвестиций в то или иное предприятие.
