Сверхдержавы искусственного интеллекта

Однако ученые из лагеря нейронных сетей использовали другой подход. Вместо того чтобы учить компьютер правилам, по которым действовал человеческий мозг, они пытались его реконструировать. Насколько нам известно, запутанные сети нейронов в мозге животных – единственная основа интеллекта, и исследователи полагали, что можно напрямую воссоздать эту основу. Они поставили перед собой задачу имитировать архитектуру мозга, выстраивая слои искусственных нейронов, способных получать и передавать информацию внутри структуры подобно нейронам живых существ. Электронным нейронным сетям не задают правил, которым надо следовать при принятии решений. В них просто вводят большое множество примеров какого-либо явления – картинок, шахматных партий, звуков – и позволяют сетям самим определять закономерности внутри массива данных. Иначе говоря, чем меньше человеческого вмешательства, тем лучше.

Неравенство шагнет за пределы национальных границ. Китай и Соединенные Штаты далеко обогнали все другие страны в области искусственного интеллекта, открыв дорогу для пришествия биполярного миропорядка нового типа. Еще несколько стран – Великобритания, Франция и Канада – имеют сильные научно-исследовательские лаборатории и талантливых специалистов по ИИ, но им не хватает экосистемы венчурного финансирования и больших баз пользователей, чтобы генерировать данные в объемах, достаточных для этапа реализации. По мере того как компании ИИ в Соединенных Штатах и Китае накапливают все больше данных и талантов, они приближаются к точке, после которой превзойти их станет невозможно. Китай и США в настоящее время растят гигантов ИИ, которые будут доминировать на мировых рынках и зарабатывать на потребителях по всему миру.

Эпоха данных
Итак, человечество приближается ко второму важному переходу – от эпохи экспертных знаний к эпохе данных. В наше время для создания эффективных алгоритмов ИИ нужны три составляющих: большие объемы данных, вычислительные мощности и труд способных – но не обязательно выдающихся – разработчиков алгоритмов ИИ. Чтобы с помощью глубокого обучения решать новые задачи, необходимы все три элемента, но в эпоху внедрения основную роль играют именно данные. Так получается потому, что, как только вычислительная мощность и талант разработчика достигают некоторого порога, объем данных становится решающим и определяет общую эффективность и точность алгоритма. При глубоком обучении данных не бывает слишком много. Чем больше примеров одного явления получает сеть, тем проще ей будет находить закономерности и идентифицировать вещи в реальном мире.

При превосходящем объеме данных алгоритм, разработанный группой инженеров ИИ среднего уровня, как правило, сильнее алгоритма, созданного исследователем глубокого обучения мирового класса. Ведущие исследователи ИИ все еще могут вывести эту область науки на более высокий уровень, но такие достижения случаются один раз в несколько десятилетий. А пока мы ждем следующего прорыва, растущие объемы данных будут оставаться движущей силой глубокого обучения, и этот процесс продолжит влиять на разные отрасли промышленности по всему миру.