Создатели искусственного гения. О бунтарях, которые наделили интеллектом Google, Facebook и весь мир

В июле 2017 года шестнадцать финалистов из десяти стран отправились в японский город Нагоя, где состоялся последний тур конкурса. Каждой команде, которая в течение года готовилась к конкурсу, был выдан контейнер с тридцатью двумя разными предметами, о шестнадцати из которых они знали заранее, а о других шестнадцати не знали. Там были самые разные товары: средство для мытья окон, лотки для льда, упаковки теннисных мячей, коробки с фломастерами, рулоны изоленты… Задача заключалась в том, чтобы за пятнадцать минут укомплектовать заказ, включающий в себя не менее десяти предметов. Роботизированная рука, одержавшая победу, принадлежала команде из Австралийского центра роботизированного зрения. Но надо сказать, что по человеческим меркам производительность и эффективность этого робота не впечатляла. Примерно в десяти процентах случаев он выбирал не тот товар, и за час он мог отобрать лишь около ста двадцати товаров, что было почти вчетверо медленнее по сравнению с человеком.

Если конкурс что-то и показал, так это то, насколько трудна была задача даже для самого ловкого робота. Но интерес, который он вызвал, свидетельствовал о том, насколько прибыльным может оказаться прорыв в этой области: Amazon – и компании, аналогичные ей, – отчаянно нуждалась в работоспособных технологиях такого рода. Как выяснилось, решение уже назревало как в Google, так и в OpenAI.

После создания в Google Brain медицинской команды, Джефф Дин обратил свой взор на робототехнику. Одним из первых в новую группу наняли молодого сотрудника Калифорнийского университета в Беркли Сергея Левина. Левин вырос в Москве, где родители работали инженерами и участвовали в проекте «Буран», советской версии «космического челнока». Он переехал в Соединенные Штаты, еще будучи школьником, потом окончил вуз, поступил в аспирантуру, но искусственным интеллектом никогда не занимался. Он специализировался на компьютерной графике, исследуя способы создания более реалистичных видов анимации – виртуальных людей, которые вели себя как настоящие люди. Совершенствование технологии глубокого обучения помогло ускорить прогресс и его исследований. С помощью тех же методов, которые специалисты из DeepMind использовали для создания систем, учившихся играть в старые аркадные видеоигры, анимационные фигурки Левина учились двигаться, как люди. И тут ему пришло новое откровение. Наблюдая за тем, как эти виртуальные гуманоиды учатся двигаться подобно человеку, он понял, что и физические роботы-гуманоиды могли бы обучаться тем же движениям почти таким же образом. Если он применит эти методы машинного обучения к роботам, они смогут самостоятельно осваивать совершенно новые навыки.

Ко времени перехода в Google в 2015 году, Левин уже знал Илью Суцкевера, еще одного эмигранта из России, и Суцкевер познакомил его с Алексом Крижевским, который начал тесно сотрудничать с новой группой робототехники. Если у него когда-либо возникала проблема, Левин обращался за помощью к Крижевскому, и тот всегда давал один и тот же совет: собирай больше данных. «Если у тебя есть данные, и это правильные данные, – говорил Крижевский, – тогда просто возьми их побольше». Так Левин и его команда построили систему, получившую название Arm Farm («фабрика рук»).

В одном из зданий, расположенном неподалеку от лаборатории Google Brain, в большом открытом помещении они разместили дюжину роботизированных манипуляторов – шесть «рук» у одной стены, шесть – у другой. Они были более простой конструкции, чем рука, которая позже собрала кубик Рубика в лаборатории OpenAI. Кисти на этих руках не походили на человеческие. Это были скорее «ухваты», которые могли захватывать и поднимать предметы двумя «пальцами», больше похожими на зажим. Той осенью Левин и его команда занимались обучением этих рук: каждая рука зависала над корзиной со случайными предметами – детскими кубиками, губками для стирания с доски, тюбиками с губной помадой – и училась собирать все, что там было. Руки тренировались путем многократных проб и ошибок, делая удачные и неудачные попытки взять тот или иной предмет и запоминая, какие действия эффективны, а какие нет. Это было очень похоже на то, как системы DeepMind учились играть в Space Invaders и Breakout, вот только происходило это в реальном мире с реальными предметами.