более сложных и комплексных целей, а не просто следуют на каждом шагу заранее определенным алгоритмам.
Этот переход достигнут благодаря использованию широко распространенного ныне метода – машинного обучения (англ. machine learning), который вместо последовательности чисто вычислительных алгоритмов, основанных на операторах if – then (если – то) использует так называемые «нейронные сети»[13] (англ. neural networks). Машинное обучение подразумевает, что машины могут находить собственные решения тех или иных задач, опираясь на обучающие данные, и адаптироваться к меняющимся обстоятельствам (точнее, к различным наборам обучающих данных). При этом искусственный интеллект имитирует некоторые операции человеческого мозга – но делает это быстрее. Повсеместное внедрение машинного обучения в полной мере соответствует описанному выше набору из четырех законов, которые, вместе взятые, описывают ускорение передачи и обработки больших объемов информации.
Рассмотрим, например, программу AlphaGo, которая в 2017 году победила китайца Ли Седола – 18-кратного чемпиона мира в игре го. Игровая система AlphaGo была создана британской компанией DeepMind, специализирующейся на создании систем искусственного интеллекта, а корпорация Google купила ее в 2014 году. Исходно были созданы три разные версии AlphaGo: Lee, Master и Zero[14]. Версии Lee и Master обучались (в разной степени) комплексным образом – основываясь на правилах игры, информации о партиях, сыгранных ранее лучшими игроками, учебниках, написанных для людей, и инструкциях, созданных экспертами по го. В отличие от первых версий, версия Zero получила лишь полную информацию о правилах игры и указание сыграть самой против себя как можно большее число раз, чтобы разработать собственные игровые стратегии без использования предыдущих знаний. Другими словами, AlphaGo Zero стала сама себе и учителем, и тренером, и спарринг-партнером.
За 40 дней AlphaGo Zero сыграла 29 миллионов игр и создала базу данных по игровым ситуациям, равной которой никто из игроков-людей никогда не имел. За четыре дня Zero научилась обыгрывать версию AlphaGo Lee, а спустя 34 дня она победила и версию AlphaGo Master.
Поразительно, что AlphaGo Zero смогла разработать стратегии, качественно отличающиеся от тех, которые используются людьми, играющими в го. Создатели новой системы описывали это так: «В течение нескольких дней, начав фактически с чистого листа, AlphaGo Zero смогла самостоятельно открыть для себя большую часть знаний об игре го вместе с новаторскими стратегиями, которые заставляют нас изменить традиционные представления об этой древнейшей из игр».
Если первые вычислительные таблицы VisiCalc были запрограммированы для быстрого выполнения стандартных цепочек сложных вычислений, то AlphaGo Zero получила более общее по смыслу задание – выиграть партию в го. В некотором смысле Zero и подобные ей современные системы искусственного интеллекта используют принципы, основанные на логике, а также намеренное воздействие на результаты процесса (игры), демонстрируя при этом технические возможности, выходящие
Речь идет о математических выражениях, способных к автокорректировке, зависящих от характера вводимых данных, благодаря чему основанные на них системы могут имитировать реальный мир, создавая некое подобие цифровой фотокопии оригинала и обеспечивая тем самым автоматизированное «понимание» и «принятие решений», не требующее вмешательства со стороны человека.
D. Silver, J. Schrittwieser, K. Simonyan, I. Antonoglou, A. Huang, A. Guez, T. Hubert, L. Bakter, M. Lai, A. Bolton, Y. Chen, T. Lillicrap, F. Hui, L. Sifre, G. vanden Driessche, T. Graepel, D. Hassabis, «Mastering the game of Go without human knowledge», Nature, 19 October 2017, Vol. 550, 354-549.
