Научить машину думать… Звучит немного пугающе. Начитавшись фантастических романов и насмотревшись фильмов типа «Матрицы» или «Терминатора», легко представить себе, что могут натворить мыслящие, но бездушные компьютеры.

На самом деле все не так страшно. Наоборот, может быть очень и очень полезно — если организовать «обучение» машины в нужном направлении.

«Привет, я Сальватор Дали!»

Нет, машины не могут думать так, как мы с вами. По крайней мере пока это невозможно. Но что они могут? К настоящему времени машины научились распознавать зрительные образы и звуковые сигналы, в том числе человеческую речь, анализировать их и комбинировать осмысленные ответы. Наверное, многим из нас уже приходилось беседовать с Алисой из Яндекса или отдавать голосовые команды «умному дому». Удобно и занятно, не правда ли? Еще более занятны упражнения искусственного интеллекта в воссоздании недостающих частей картин великих художников («Джоконда» в полный рост и т.п.) и «оживление» на экране почивших знаменитостей.

В фильме «Небесный капитан» компьютерная графика «воскресила» знаменитого британского актера Лоуренса Оливье, умершего в 1989 году. Принцесса Лея из «Звездных войн», которую играла Кэрри Фишер, вновь появилась в конце эпопеи, хотя актриса скончалась за три года до съемок девятого эпизода. На выставке, посвященной Сальвадору Дали, великий художник приветствовал посетителей спустя 30 лет после своей смерти, причем воссоздание его голоса, мимики и жестов, по отзывам людей, знавших Дали при жизни, было просто потрясающим.

Совершенствуется искусственный интеллект и в переводах иностранных текстов. Шероховатости, корявости и забавные ошибки перевода постепенно уходят в прошлое; большие языковые модели уже могут различать юмор, отвечать на вопросы по поводу прочитанного и даже делать осмысленные комментарии.

Но разве это все, чего мы хотим от искусственного интеллекта? Нет, нам нужен надежный помощник во всех областях человеческой деятельности, где требуется быстрый и точный анализ ситуации и выбор оптимальной стратегии реагирования. Иными словами, мы хотим, чтобы машина со скоростью, намного превосходящей человеческую, выбрала из огромного множества возможных путей тот единственный, который принесет нам максимальную пользу. А потом (желательно!) и осуществила этот путь без нашего вмешательства, исключительно для нашего блага и с минимальными затратами. То есть в первую очередь нам нужна эвристическая машина, машина-предсказатель, с появлением которой все гадалки с картами, кофейной гущей и хрустальными шарами останутся без работы. Реально ли это? Давайте посмотрим.

Муравьи и волки

Чтобы научить машину чему угодно (в том числе думать), нужно задать ей алгоритм действий. Или несколько алгоритмов, чтобы она, машина, сама выбрала наиболее подходящий в данной ситуации и осуществила его.

Откуда берутся алгоритмы? Ученые придумывают их или копируют у природы? Истина, как это часто бывает, лежит где-то посредине. Да, программисты и кибернетики придумывают алгоритмы, но опираются при этом на поведение живых организмов в природе. Такие алгоритмы называют биоинспирированными. Чаще всего используется такое любопытное явление, как «коллективный интеллект». Возьмем пчелиный рой или муравьиную колонию. Отдельная пчела или отдельный муравей не обладает (как принято считать) интеллектом в нашем понимании, но рой или колония — обладают. Причем весьма неплохим, позволяющим сообществу насекомых успешно выживать в трудных ситуациях и развиваться. Рабочие муравьи все свое время тратят на поиск еды и строительных материалов для муравейника. С аналитикой у отдельного муравья плохо, и он может целый день затратить на путь «туда и обратно». Однако группа муравьев способна быстро выстроить оптимальную логистику. Муравьи выделяют феромоны (вещества внешней секреции), которые сообщают остальным о длине и качестве пути; чем путь быстрее и удобнее, тем больше по нему пробежит муравьев и тем сильнее будет запах. Своего рода дорожный указатель: «К еде — сюда».

Также действуют и пчелы. Пчела-разведчик отправляется на поиски цветущего сада или луга, затем возвращается к улью. В отличие от муравьев пчела не выделяет феромоны, а «танцует» перед ульем, сообщая коллегам о наличии цветов и расстоянии до них. Чем больше первое и меньше второе, тем дольше и экспрессивнее танец. Остальные пчелы «оценивают» танец разведчиков и отправляются за самым перспективным из них. То есть пчелиный алгоритм несколько сложнее муравьиного — здесь к горизонтальным связям коллективного интеллекта прибавляются и вертикальные, связанные с разделением обязанностей.

Но самый интересный, в смысле заимствования людьми, алгоритм наблюдается у животных, действующих коллективно и в то же время обладающих собственным интеллектом, — к примеру, у волков. Волка, как известно, ноги кормят. Выживание как отдельного волка, так и стаи в целом зависит от успешной охоты. Волки доверяют вожаку стаи (альфа-самцу) в том, что он имеет наиболее четкое и правильное представление о выборе добычи и организации погони.

У них может быть собственное мнение на этот счет, но во время охоты стая действует как единый организм, безоговорочно подчиняясь вожаку, — что приводит к успеху. А если не приводит, то вожака могут ждать «большие неприятности»…

Кибернетикам так понравился образ действий волчьей стаи, что разработанные на его основе программы так и назвали — «алгоритм серых волков».

Доставщику пиццы

Проблемы логистики для людей не менее актуальны, чем для муравьев или волков. Самый простой пример — доставка пиццы. Как организовать доставку, чтобы пицца была доставлена горячей в разные концы города, а затем вернуться за разумное время на кухню за новой порцией заказов? Эту задачу можно решить двумя способами — точным (классическим) и эвристическим (при котором можно использовать описанные выше алгоритмы). Классический способ требует перебора всех вариантов; если город большой, с транспортными проблемами, это может занять много времени. Оптимальное решение, называемое глобальным оптимумом, будет найдено, но пицца остынет.

Эвристический способ позволяет рассмотреть наиболее перспективные варианты методом «проб и ошибок». Современные эвристические алгоритмы, во многом позаимствованные у природы, дают высокую точность — до 95-98 процентов от глобального оптимума.

Например, нам нужно загрузить изделия различной формы и массы в вагон. Глобальный оптимум в данном случае — это 100% загрузки вагона. Но можно ли добиться этого, не повредив изделия? Наша мыслящая машина, обученная эвристическому методу, выберет нужный алгоритм и разместит изделия в вагоне так, чтобы он был загружен на 95%, но ни одна вещь в пути не сломается.

Умный в гору не пойдет…

…умный гору… проползет. Точнее, сквозь гору. Звучит не очень красиво, но точно отражает упования кибернетиков на будущие поколения компьютеров. Квантовых компьютеров. Чтобы решать эвристические задачи сложнейших научных исследований, возможностей современных компьютеров недостаточно. Чтобы понять препятствия, возникающие при этом для обычного компьютера, давайте представим, что мы играем в боулинг, где кегли расставлены за горой. Из-за горы мы не видим цели и попасть шаром в кегли можем лишь  случайно — или в результате многочисленных попыток. Но что если гора сделалась бы прозрачной и проницаемой и мы могли бы посылать шар прямо сквозь нее?

В жизни такое невозможно. А вот в мире точных вычислений вполне может быть. Квантовый компьютер тем и отличается от обычного, что может «проникать» за высокую и неодолимую с виду гору препятствий с помощью так называемого квантового туннельного эффекта.

Ученые надеются, что квантовый компьютер сможет с одинаковой легкостью находить как локальные (95%) оптимумы, так и глобальный. Соответствующие алгоритмы уже разработаны и определены приоритетные области их применения — фармакология, промышленность, логистика, финансовая сфера. Дело лишь в создании квантовых компьютеров достаточной мощности. Небольшие модели уже существуют; недалек тот день, когда мы получим настоящую «мыслящую машину», способную ответить практически на любой производственный, транспортный или финансовый вопрос. Это будет неоценимый помощник человека.

Ольга СТРОГОВА