Если можно, в двух словах, чего добился RNI за это время?
   — Недавно институт вошел в состав университета Беркли, поэтому я уже не занимаюсь им напрямую. Но широкой общественности он известен в основном благодаря моей книге — из-за оборотов типа «когда я был в Редвуде», «и тут в Редвуде» и т. п.
   Уникальность RNI в том, что это единственное научное заведение, работающее только над изучением новой коры головного мозга, неокортекса. За его недолгую историю у нас побывали почти все ведущие исследователи в этой области. Причем зачастую инициатива исходила именно от них — «могу ли я приехать?», «я бы хотел посетить…», «было бы интересно пообщаться» и т. д. Потому что в RNI совершенно особенная атмосфера. Он очень маленький — на постоянной основе у нас работает 15—20 человек, и буквально каждую неделю приезжают гости. В общем, главное достижение института в том, что он заслужил уважение научного сообщества.
   Я вам больше скажу. Так как с лета прошлого года RNI входит в состав Беркли, то многие из тех, кто прочел мою книгу и заинтересовался этими исследованиями, решили поступать именно в Беркли, ведь оттуда и до RNI недалеко. Так что у института очень неплохие шансы и дальше оставаться влиятельным исследовательским центром.
   Не кажется ли вам, что вхождение RNI в состав Беркли может замедлить работу над вашей теорией из-за сопротивления академических кругов?
   — Посмотрим. Хотя я бы не сказал, что работы RNI и, в частности, моя теория выходят за рамки академической науки. Одно время я немного волновался по этому поводу, но меня довольно быстро успокоили: мол, что ты переживаешь, твоя теория — самый настоящий мэйнстрим.
   Переход RNI под крыло Беркли позволил мне освободить время для работы в Numenta. И, кстати, то, что переход вообще оказался возможен, лишний раз свидетельствует о том, что научное сообщество высоко оценивает работу RNI. Мои изыскания не выходят за рамки академической науки, просто для усвоения новой теории университетами нужно время.
   Собственно, поэтому и была создана Numenta. В науке все делается довольно медленно. Требуется время для того, чтобы люди ознакомились с твоей теорией, привыкли к ней, проверили ее, а потом согласились с твоей правотой. В бизнесе все происходит быстрее. Когда люди узнают, что на чем-то можно сделать деньги, они почему-то становятся более энергичными. И в Numenta мы пытаемся создать впечатляющие приложения и показать людям, что они могут зарабатывать или строить карьеру с помощью наших технологий. И, возможно, это способствует более быстрому развитию технологии, чем было бы возможно в академической среде.
   О компанииВы утверждаете, что современная компьютерная архитектура непригодна для создания разумных машин. Однако в то же время вы являетесь сторонником функционализма, и вам, по идее, должно быть все равно, как устроена машина, если на выходе она дает нужный результат. Нет ли здесь противоречия? И можно ли все же использовать современные компьютеры для построения систем ИИ?
   — Прошу прощения, если кого-то запутал. Я пытался сказать, что современный «компьютерный» подход к проблеме ИИ бесперспективен, это тупик. Если вы понимаете, как устроен неокортекс, то, конечно, можете эмулировать его с помощью современного железа и специального ПО. Но разработчики систем ИИ, как правило, поступают иначе. Так, говорят они, что тут у нас, компьютерное зрение? Ну давайте-ка сейчас сядем и быстренько запрограммируем это дело с помощью наших алгоритмов[Говорят, Марвин Мински когда-то обещал расправиться с системой компьютерного зрения за одно лето. Лето, как видим, несколько затянулось].
   Мы в Numenta сейчас занимаемся проблемой распознавания образов. И вполне успешно. И мы используем стандартное железо, но вместо того, чтобы изобретать алгоритмы компьютерного зрения, мы построили модель запоминающего устройства коры головного мозга. Построенная нами система действительно работает, и я уже демонстрировал наши результаты в нескольких университетах.
   Таким образом, за последний год в работе Numenta есть очевидный прогресс?
   — Более чем. Я ведь пришел к идее решения проблемы ИИ со стороны биологии. Но когда я писал книгу, у меня еще не было понимания, как это все устроено математически. Я описывал некие структуры, но ничего не говорил о том, как их воссоздать, поскольку в тот момент и сам еще не знал, как это сделать. Но после того как книга была завершена, я и сооснователь Numenta Дилип Джордж (Dileep George; www.stanford.edu/~dil) разработали соответствующие математические модели и доказали их работоспособность. А затем мы основали компанию, чтобы привлечь к нашим разработкам как можно больше людей.
   Доказали их работоспособность? Можно чуть поконкретнее?
   — Пожалуйста. На сегодняшний день не существует ни одного алгоритма, ни одной системы, которые бы умели опознавать объекты. Вы не можете показать компьютеру картинку и «услышать» в ответ, что на ней изображено. Никто даже близко не подошел к решению этой проблемы.
   Что сделали мы? На основе принципов, описанных в моей книге, и математического аппарата, который мы разработали после ее выхода, мы создали систему, научившуюся после определенной тренировки распознавать небольшие — 32х32 пиксела — изображения. Сейчас она умеет распознавать около восьмидесяти разных объектов. У этой системы пока нет практического применения — в конце концов, 32 пиксела это не очень-то много, — но любым другим способом задачу компьютерного зрения до последнего времени решить не удавалось (к тому же она довольно легко масштабируется). Люди, которые видели нашу систему в работе, вообще не могли понять, как мы это сделали.
   Собственно, масштабируемость подобных решений и есть одна из задач Numenta. Мы работаем над инструментарием, который позволит создавать большие, хорошо масштабируемые практические приложения на базе технологии иерархической временной памяти (Hierarchical Temporal Memory, HTM). В центре нашего внимания находится инструментарий общего назначения, однако систему компьютерного зрения мы тоже совершенствуем, поскольку это хорошая демонстрация возможностей нашего подхода. Это не единственный тест, проведенный нами для проверки собственной правоты, но он очень эффектен и прекрасно работает.
   А когда ожидаются практические приложения?
   — Возможно, уже в нынешнем году. Сейчас в компании около десяти человек, а работа сделана процентов на 60—70. Конечно, мы не знаем, с какими проблемами еще придется столкнуться, поэтому точную дату выхода какого-то продукта я не назову. Но уже с февраля мы начинаем работать с несколькими исследовательскими лабораториями. Примерно в то же время к работе подключатся и наши бизнес-партнеры, которые будут создавать на базе нашей технологии собственные системы. Поэтому есть надежда, что о первых результатах вы услышите еще до конца года.
   Стало быть, систему распознавания образов вы оставляете за собой?
   — Да. Наш инструментарий очень гибок, поэтому партнеры будут применять его для решения собственных задач — например, для обработки информации или создания финансовых приложений. Мы же сосредоточимся на проблеме компьютерного зрения и еще паре направлений.
   На чем сейчас работает софтверная модель, построенная в Numenta?
   — Изначально она написана для работы в UNIX/Linux-окружении. Что касается железа — это система с большим объемом памяти, чтобы мы могли отобразить в памяти как можно больше неокортекса. Первая версия была рассчитана на однопроцессорные конфигурации, и я даже запускал систему компьютерного зрения на своем Маке. Но очевидно, что для практических приложений нужны системы помощнее, поэтому мы разрабатываем мультипроцессорную версию. А идеальное железо в нашем представлении — это многопроцессорная стойка с серверами.
   В общем, об искусственном интеллекте на мобильных устройствах можно пока не думать?
   — Хороший вопрос! Что касается КПК, то вряд ли в ближайшие четыре года мы увидим какие-то системы ИИ для мобильных компьютеров.
   Хотя полностью исключать появление узкоспециализированных мобильных приложений тоже нельзя — удалось же нам запустить (пусть примитивную, но работающую!) систему распознавания образов на однопроцессорном Маке с весьма ограниченным, по нашим меркам, объемом ОЗУ. Да и кто, в конце концов, может предсказать будущее? Посмотрите, как быстро нарастали компьютерные мощности — кто десять лет назад мог сказать, что это произойдет?
   Есть ли другие компании, работающие на этом же поле?
   — В общем-то нет. Конечно, с кем-то мы пересекаемся, но это несущественные пересечения. Например, наше математическое представление во многом построено на байесовских сетях. В этой области работает немало компаний, включая исследовательские лаборатории Microsoft. Однако их разработки от наших довольно далеки.
   Можно сказать, что мы не знаем никого, кто понимал бы все, что понимаем мы. Так что никакой конкуренции пока не ощущается. Это слишком новое направление. Дело не столько в сложности самой теории — в ней как раз ничего сложного нет, — сколько в том, что у многих еще руки до нее не дошли. В ближайшие несколько лет, думаю, интерес к этой теории вырастет, а значит, и конкуренты появятся.
   Долгосрочная цель Numenta — максимальное распространение наших технологий. Поэтому мы строим платформу общего назначения, инструментарий для создания конкретных приложений. Кроме того, мы документируем как саму технологию, так и математический аппарат, на котором она построена. И надеюсь, что через несколько лет с этой платформой будут работать тысячи людей. Мы собираемся сделать инструментарий доступным для исследователей, которые смогут брать наш код и экспериментировать с ним.
   Если говорить о деньгах, то наш бизнес можно назвать продажей лицензий. Мы будем продавать наши разработки, чтобы на их основе партнеры могли создавать полезные и интересные приложения. Но главная наша задача — дальнейшее развитие самой технологии, поэтому мы стараемся сформировать сообщество людей, которые могли бы улучшить нашу платформу.
   Немного похоже на Linux…
   — Лучше давайте вспомним, как все было устроено полвека назад. Люди начали делать первые цифровые компьютеры. Эти медлительные громадины создавались усилиями многих людей. Мы сейчас в похожей ситуации — у нас есть понимание неких общих принципов, однако нам предстоит справиться с множеством назойливых мелочей.
   Рано или поздно потребуется новое железо, новые чипы памяти (наша система очень требовательна к ней). Конечно, мы можем использовать обычную компьютерную память — и вынуждены сегодня поступать именно так, — но это не самое эффективное решение. То же касается и процессоров. Поэтому нам потребуются не только ученые или программисты, но и производители микросхем.
   Если вам кажется, что наша модель работы похожа на Linux, — пускай. Но я думаю, что происходящее гораздо больше напоминает создание первых компьютеров. Мы создаем новый тип компьютера — пока на том железе, что нам доступно, а со временем — на том, которые мы построим.
 
   Разумеется, мы не смогли удержаться и спросили у Джеффа Хокинса, что он думает о перспективах рынка КПК. По словам Джеффа, в ближайшие несколько лет рынок карманных компьютеров (и без того чувствующий себя неважно) окончательно придет в упадок. Однако никакой трагедии в этом нет, потому что закат КПК будет вызван растущей популярностью смартфонов и коммуникаторов самых разных мастей — так что пользователи не потеряют, а скорее приобретут. Ну и компании-производители, конечно, тоже не останутся внакладе. Что придет на смену смартфонам? Что будет следующим killer application в мобильной связи? Джефф говорит, что у него есть некоторые предположение, но делиться он ими пока ни с кем не собирается, потому что компания Хокинса (уже третья, после Numenta и Palm) как раз сейчас работает в этом направлении

plato.stanford.edu/entries/turing-test].
   Тем не менее именно этот некорректный вопрос о сознании машин не давал покоя как разработчикам систем ИИ, так и поначалу восторженным, а потом все более разочарованным наблюдателям. Неосторожные заявления самих разработчиков и усилия фантастов, сформировавших в общественном сознании человекоподобный образ машинного интеллекта, привели к ожиданиям, которые наука не могла и, в конечном счете, не смогла удовлетворить. А в начале 1980-х гг. выяснилось, что и с тестом Тьюринга, пройти который должен каждый уважающий себя машинный интеллект, тоже не все так просто.

Китайская комната
   В 1980 году в журнале The Behavioral and Brain Sciences была опубликована статья «Разум, мозг и программы» («Minds, Brains, and Programs») американского философа Джона Серля (John Searle). Серль был не первым, кто задумался о том, могут ли современные подходы вообще привести к созданию разумных машин, но ему первому удалось придумать красивую и наглядную модель, бросающую тень на святой Грааль разработчиков ИИ.
   «Представьте себе, — писал Серль, — что я нахожусь в комнате с корзинами, заполненными табличками с китайскими иероглифами. Я не знаю китайский. Для меня все эти иероглифы в буквальном смысле китайская грамота. Но у меня есть подробная инструкция на английском языке, описывающая взаимосвязи между этими символами. Мне не нужно понимать значение китайских иероглифов, чтобы производить с ними действия, описанные в инструкции.
   Вне этой комнаты находится группа людей, понимающих китайский. Они передают мне таблички с иероглифами, я же на основании инструкции отдаю им другие таблички с иероглифами. Этих людей можно назвать «программистами», меня — «компьютером», а корзины с табличками — «базой данных». Переданные мне таблички назовем «вопросами», переданные мною — «ответами».
   А теперь представьте, что инструкция составлена таким образом, что мои «ответы» неотличимы от тех, которые бы дал человек, свободно владеющий китайским. В этом случае я прохожу тест Тьюринга. Однако мы-то с вами знаем, что я не понимаю китайский язык и никогда не смогу его выучить таким способом, потому что не существует способа, с помощью которого я мог бы понять значение этих иероглифов»[Цитируется по более поздней публикации «Is The Brain’s Mind a Computer Program?», опубликованной в Scientific American в январе 1990 года. Интересно, что эта статья тоже начинается с привычного вопроса: «Может ли машина мыслить?» В ней Серль отвечает на многочисленные возражения оппонентов и уточняет — точнее, ужесточает — свою точку зрения, отрицая принципиальную возможность создания работающей (то есть мыслящей) программной модели человеческого мозга].
   Так, по Серлю, устроен и компьютер, оперирующий символами, но не понимающий их значения. Из синтаксиса невозможно вывести семантику. А значит, невозможно и построить мыслящую машину — по крайней мере, оставаясь в рамках формального подхода.
   Несмотря на внешнюю простоту, аргумент Серля оказал очень сильное воздействие на сообщество разработчиков ИИ, и если сегодня страсти немного поутихли, то лишь потому, что приверженцы противоположных точек зрения уже обменялись всеми возможными аргументами; к тому же тех, кто верит в возможность создания машинного разума[Для этого направления разработок ИИ Серль ввел термин Strong AI — в противоположность Weak AI, где такая глобальная задача не ставится, а системы ИИ рассматриваются только как инструмент для выполнения определенных функций] и работает над решением этой задачи, сегодня не так уж много.
   Джефф Хокинс в своей книге использует «китайскую комнату» для критики существующих подходов, однако полностью игнорирует расширенную аргументацию Серля [Что для человека, согласного с концепцией функционализма (см. интервью), довольно странно]: «Можно представить себе совершенную, до последнего синапса, компьютерную модель пептидов гипоталамуса. С тем же успехом мы можем вообразить симуляцию окисления углеводородов в автомобильном двигателе или симуляцию процесса переваривания пиццы. Эмуляция работы мозга ничуть не реальнее эмуляции двигателя или работы желудка. Вы не сможете заправить автомобиль „эмулированным“ бензином и не сможете переварить пиццу, запустив нужную программу. Очевидно, что и эмуляция процессов познания точно так же не воспроизведет сопутствующие нейробиологические эффекты»[«Is The Brain’s Mind a Computer Program?», Scientific American, 1990].
Квантовый компьютер Роджера Пенроуза
   Философских школ, по-разному определяющих, что такое разум и сознание, сегодня немногим меньше, чем философов, однако все подходы можно классифицировать следующим образом: оптимистическая (в контексте Strong AI) точка зрения гласит, что наше мышление поддается алгоритмизации, тогда как пессимистическая предполагает, что деятельность человеческого разума ни к вычислениям, ни к алгоритмам свести нельзя, а значит, и нельзя «повторить» в компьютерном коде.
   Аргументы в пользу пессимистической точки зрения могут быть самые разные — от полной метафизики до чистой математики, к которой прибег известный британский физик Роджер Пенроуз. Отталкиваясь от теоремы Гёделя о неполноте, Пенроуз заключил, что разум нельзя смоделировать алгоритмически, и предложил свою теорию, объясняющую, какие физические процессы стоят за мышлением (подробнее о теории Пенроуза см. статью Леонида Левковича-Маслюка «Физическая личность» в «КТ» #268). Согласно гипотезе Пенроуза-Хамероффа, неалгоритмизируемости процессов мышления мы обязаны квантовым эффектам, возникающим в микротрубках нейронов головного мозга. Экспериментального подтверждения эта теория пока не получила, зато вызвала шквал критики со всех сторон, поскольку не пришлась ко двору ни нейрофизиологам, ни физикам (один из них даже подсчитал, что предложенная квантовая модель разума будет работоспособна только при температуре, близкой кабсолютному нулю), ни уж тем более разработчикам ИИ.
   Выход первой книжки Пенроуза «Новый ум короля» («Emperor’s New Mind», 1989), равно как и очередной виток блужданий по китайской комнате Серля, спровоцированный публикацией его статьи в Scientific American, совпали по времени с периодом острого недовольства инвесторов и спонсоров результатами исследований ИИ. С начала 1980-х гг. американское правительство довольно щедро оплачивало умозрительные, по большей части, разработки. Одна из главных причин такой широты души заключалась в создании противовеса японской программе разработки компьютеров пятого поколения, которая, как опасались американцы, может привести к созданию ИИ японцами. Кроме того, в 1980-х гг. на смену экспертным системам, в которых многие исследователи уже успели разочароваться, пришли подающие надежды нейросети. Однако к концу декады выяснилось, что существующие модели нейросетей при всей своей обучаемости не обладают долговременной памятью. Японский проект потерпел фиаско. Таким образом, к началу 1990-х гг. у исследователей не было на руках ни подхода, который не успел себя скомпрометировать, ни стимула, который мог бы убедить правительство на дальнейшие денежные вливания.
   Разработки в направлении Strong AI практически остановились. Большая часть ученых подалась в родственные узкоспециализированные отрасли, занявшись компьютерным зрением, распознаванием речи, data-mining и т. п. Обсуждение машинного интеллекта по-прежнему велось довольно активно, но в отсутствие новых разработок сместилось в умозрительную плоскость, породив дискуссии об этических аспектах загрузки сознания в компьютер и неизбежности технологической сингулярности.
   В ожидании сингулярности
   Но, похоже, время собирать камни закончилось. Не исключено, что выросшие на порядки компьютерные мощности, узкоспециализированные ИИ-разработки вкупе с достижениями в таких областях, как нейроинформатика, могут привести к возрождению Strong AI. И Джефф Хокинc — один из первых исследователей новой (а точнее, очередной) волны разработчиков ИИ.
   Впрочем, не только он пытается создать компьютерную эмуляцию работы мозга. В мае прошлого года компания IBM совместно с Лозаннским политехническим институтом (Ecole Polytechnique Federale de Lausanne) запустила проект Blue Brain, в рамках которого сначала планируется эмулировать сеть из 10 тысяч нейронов (108 синапсов) на клеточном уровне. После того как эта задача будет выполнена, работа пойдет сразу по двум направлениям: исследователи начнут создавать эмуляцию этой сети, но уже на молекулярном уровне, а также увеличивать мощность модели, чтобы в идеале создать модель человеческого мозга. О том, насколько ресурсоемка эта проблема, свидетельствует хотя бы тот факт, что для создания сети из десяти тысяч нейронов ученым потребовалась мощность восьми тысяч процессоров (другими словами, за эмуляцию одного нейрона отвечает практически один процессор), а на прохождение первого этапа отведено два года. По прошествии этого времени у исследователей будет готова компьютерная реплика небольшого участка мозга двухнедельной крысы. При этом куратор проекта Генри Маркрэм (Henry Markram) вовсе не ожидает, что успешное выполнение всех поставленных задач, включая построение полной модели человеческого мозга, приведет к созданию искусственного интеллекта, хотя и не исключает, что работа Blue Brain поможет разработчикам ИИ.
   Кроме того, хорошо забытое старое тоже рано сбрасывать со счетов. В феврале 2005 года активизировался запущенный еще в 1984 году проект Cyc Дуга Лената (Doug Lenat). Являющийся, по большому счету, очень продвинутой экспертной системой общего назначения, Сус успешно пережил финансовые заморозки, хотя его создателю пришлось организовать компанию Cycorp, когда консорциум MCC, десять лет оплачивавший счета, прекратил финансирование. В начале прошлого года Cycorp выпустила ResearchCyc 1.0 (версия для разработчиков ИИ; в комплекте — база из более 60 тысяч концепций) и OpenCyc 0.9 (бесплатная версия; в комплекте — база из 60 тысяч фактов и 6 тысяч концепций). «Внутренняя» версия Cyc в то же время «знала» более 3 млн. фактов. Естественным образом выращенный интеллект 1984 года рождения уже вернулся бы из армии, но Дуг Ленат утверждает, что «чем дальше, тем быстрее Cyc учится».
   Впрочем, современные футурологи все больше связывают свои ожидания именно с исследованиями мозга. «Чтобы понять принципы работы человеческого интеллекта, — пишет Рэй Курцвайл (Ray Kurzweil), — мы должны провести обратный инжиниринг человеческого мозга… По консервативной оценке, к середине 2020-х гг. будет создана модель человеческого мозга. <…> А затем мы сможем создать небиологические системы, равные нам по интеллекту» [«Human 2.0», New Scientist, сентябрь 2005 года]. За этим — согласно Курцвайлу и его сторонникам — последует создание супер-ИИ (искусственный интеллект, превосходящий человеческий по большинству параметров), появление которого приведет к непрогнозируемым последствиям[Подробнее о сингулярности см. эссе Вернора Винджа «Технологическая сингулярность» (русский перевод — www.computerra.ru/think/35636; оригинал —www.ugcs.caltech.edu/~phoenix/vinge/vinge-sing.html.