„Дълбокото учене“ ще ни даде най-важния урок в живота ни: работата е за машините

На 2 декември 1942 г. група учени, водени от Енрико Ферми, се връща от обяд и наблюдава създаването на първата самоподдържаща се ядрена реакция в купчина от тухли и дъски, под футболното поле на Чикагския университет. Позната в историята като купчината от Чикаго-1, тя е отбелязана в мълчание с бутилка кианти от тези, които присъстват и за които не са необходими думи, за да разберат какво означава тази реакция за човечеството.

Сега се случва нещо ново, което отново променя света завинаги — като прошепната дума на чужд език, която може и да сте чували, но нейното пълно значение все още ви убягва. От съществено значение за нас, обаче, е да разберем този чужд език и какво ни казва той, защото последствията ще променят всичко, което приемаме за даденост и за това как работи глобалната икономика и за нашето място в нея.

Този чужд език е нов начин на обучение на машините, познат като „дълбоко учене“ (deep learning), а “прошепнатата дума“ е начинът, по който компютърът го използва, за да победи трикратния европейски Го шампион Фан Хъй цели четири пъти само с една загуба. Много от хората, които четат тези редове, ще сметнат, че това е впечатляващо, но не може да се сравни с партия срещу Лий Се-дол, който е считан от мнозина за един от най-добрите живи световни Го играчи, ако не и най-добрият. Само си представете какъв грандиозен дуел е това — човекът срещу машината. Най-добрият китайски Го играч прогнозира, че Лий няма да загуби нито една игра, а самият Лий очаква да загуби най-много една от общо пет.

А какво се случи накрая? От петте срещи Лий губи всички без една. В момента изкуственият интелект, наречен AlphaGo, е по-добър играч на Го от всеки един човек на земята и има присъден най-високият ранг, който може да съществува в играта — девети „божествен“. Така Го официално се предаде пред машините, точно както шоуто Jeopardy се предаде пред Watson1 и шахът преди това пред изкуствения интелект Deep Blue2.

Какво представлява Го? Просто казано, това е супер ултра мега шах. Ако тази победа все още ви изглежда слабо постижение, просто още едно перо в шапката на машините, които продължават да превъзхождат хората в забавните игри, помислете пак — това не е никак малко постижение и това, което се случва не е съвсем игра.

Историческата победа на AlphaGo е ясен сигнал, че ние преминахме от линейното към параболично развитие. Напредъкът на технологиите е видимо експоненциален и можем да очакваме да видим преодоляването на много повече крайъгълни камъни, много по-рано от очакваното. Ние сме напълно неподготвени за този експоненциален растеж, който е най-видим в сферата на изкуствения интелект, особено ако продължим да се придържаме към работата като наш основен източник на доходи.

Това може да изглежда малко преувеличено, но да се върнем няколко десетилетия назад и да погледнем как е повлияла компютърната технология върху заетостта и работните места.

Да погледнем графиката внимателно. Не се заблуждавайте, че разговорът за автоматизацията на работата е нещо, което принадлежи на бъдещето. Той се води отдавна. Компютърните технологии вече отнемат работни места и това е така още от 1990-та.

Работата като цяло може да бъде разделена на четири типа: рутинна и нерутинна, умствена и физическа. Рутинната работа представлява нещата, които правим ежедневно, докато нерутинната варира. В рамките на тези вариации, работата, която ангажира предимно ума ни, е умствена или когнитивна, а работата, която ангажира тялото ни, е физическа. В началото и четирите типа работа отбелязват растеж, но рутинната работа достига стагнация през 1990 г. Това се случва, защото тя е най-лесната за механизиране. Можем лесно да създадем правила за работа, която не се променяи е еднотипни, и която може да бъде свършена по-добре от машина, отколкото от човек.

Печално е, че точно рутинната работа е тази, която едно време е формирала гръбнака на американската средна класа. Рутинната физическа работа е тази, която Хенри Форд е трансформирал чрез по-високо заплащане за покрита норма, а рутинната умствена работа е тази, която е напълнила американските офиси. Тези два вида работа в момента вече не съществуват. На тяхно място има две други: работа, която изисква толкова малко мислене, че плащаме на хората много малко, за да я вършат, и работа, която изисква толкова много мислене, че плащаме на хората скъпо, за да я вършат.

Нека си представим икономиката като самолет с четири двигателя. Докато два от двигателите са все още изправни, самолетът няма да се разбие. Но какво ще стане, ако откажат и другите два? Развиващото се поле на роботиката и изкуствения интелект се е насочило точно към тези два оставащи двигателя, защото ние вече успешно можем да учим машините как да учат.

Въпреки че съм писател по душа, моето образование е психология и физика. Интересувам се и от двете, така че фокусът в обучението ми естествено се прехвърли към физиката на човешкия мозък, позната като когнитивна неврология. Мисля, че веднъж след като разбереш как функционира мозъкът, как масата от взаимосвързани неврони някак си се превръща в ум, всичко се променя. Поне се промени за мен.

Да разгледаме накратко как работи мозъкът. Нашият мозък представлява гигантска мрежа от взаимосвързани клетки. Някои от тези връзки са къси, други са дълги. Някои клетки са свързани само със съседните си, а други са свързани с много повече. По тези свързани вериги протичат електрически сигнали с различна скорост, които води до последваща невронна активност. Това като цяло прилича на падащи плочки от домино, но всичко се случва много по-бързо, по-голямо е и по-комплексно. Невероятният резултат сме ние. Сега вече се опитваме да научим и машините на това, което вече знаем, относно как работим ние самите.

Едно от тези приложения е създаването на дълбоки невронни мрежи (бел. прев.), които са нещо като опростени виртуални мозъци. Те осигуряват възможност за машинно обучение, което направи невероятни скокове напред и достигна нива, за които се смяташе, че ако изобщо са възможни, ще са много далеч в бъдещето. Как се случи всичко? Очевидно това не се дължи само на нарастващата способност на нашите компютри и разширяването на познанията ни в невронауката, но и на бързо увеличаваща се шир от общото колективно знание или още наричано “големи данни” (big data).

Големите данни (big data) не е просто модерен израз. Това е информация и като става дума за информация, ние произвеждаме повече и повече всеки ден. Всъщност, произвеждаме толкова много, че в доклада на SINTEF от 2013 г. се оценява, че 90% от информацията в света е създадена само за последните две години. Този невероятен растеж на данни се удвоява на всяка година и половина, благодарение на интернет, където през 2015 г. всяка минута се „харесват“ 4.2 милиона неща във Facebook, качват се 300 часа видео в Youtube и се изпращат 350 000 туита. Всичко което правим, генерира данни, както никога досегаа и голяма част от тези данни са точно това, от което машините имат нужда, за да се научат да учат. Защо?

Представете си, че програмирате компютър да разпознава стол. Трябва да въведете огромна база от инструкции и крайният резултат все още ще е програма, която разпознава какво не е стол и не може да определи какво е стол. Как ние като хора се учим да разпознаваме стола? Родителите ни посочват един стол и казват „стол“. Тогава ние си мислим, че знаем всичко за столовете, посочваме към маса и казваме „стол“, а нашите родители ни поправят, че това е „маса“. Това се нарича обучение с утвърждение (reinforcement learning). Етикетът „стол“ се прикрепва към всеки стол, който виждаме, така че определени невронни мрежи се подсилват, а други — не. За да се активира „стол“ в мозъка ни, това, което виждаме, трябва да се доближава достатъчно до предишните столове, с които сме се сблъсквали. По същество, нашият живот представлява “големи данни”, филтрирани през нашия мозък.

Силата на дълбокото учене е в използването на огромни масиви от данни, които да накарат машините да оперират като нас самите, без да им подаваме изрични инструкции. Вместо да описваме на компютъра какво не е стол, просто го включваме в интернет и му подаваме милиони снимки на столове. Така той придобива обща представа какво е стол. След това го тестваме с още повече снимки и коригираме грешките, което подобрява разпознаването на столове. Повтарянето на този процес води до компютър, който разпознава стола като го види, в повечето случаи не по-лошо от самите нас. Основната разлика обаче е, че за разлика от нас, той може да прегледа тези милиони снимки само за няколко секунди.

Тази комбинация от дълбоко учене (deep learning) и големи данни (big data) води до впечатляващи резултати в рамките само на изминалата година. Встрани от невероятните постижения на AlphaGo, изкуственият интелект, създаден от Google - DeepMind, се научи да чете и да разбира какво чете посредством стотици хиляди анотирани новинарски статии. DeepMind се научи да играе по-добре от хората на дузина видео игри Atari 2600 сам, само чрез постоянна игра и наблюдение на екрана и резултатите. По подобен начин, изкуствен интелект, наречен Giraffe, се научи да играе шах, използвайки база данни от 175 милиона позиции и достигайки майсторско ниво само за 72 часа, играейки непрекъснато сам със себе си. През 2015 г. изкуствен интелект премина теста на Тюринг, като се научи да изписва непознат символ в различни вариации, аналогично на човешката ръка. Всички тези събития са основни крайъгълни камъни пред развитието на изкуствения интелект.

Въпреки преодоляването на тези препятствия, помолени да прогнозират кога компютър ще победи известен играч на Го, експертите отговарят: “Може би след още 10 години”. Няколко месеца след това дойде официалното известие на Google за победата на AlphaGo. Едно десетилетие беше напълно валидно предположение, защото Го е изключително комплексна игра. Ще оставя Кен Дженингс от Jeopardy, един от шампионите, победени от изкуствения интелект, да я опише:

Тази смущаваща сложност прави невъзможно използването на силов подход за сканиране на всички възможни ходове, с цел определяне на най-доброто последващо решение. Но дълбоките невронни мрежи преодоляват тази бариера по същия начин, по който го прави и нашият ум — научавайки се да предчувстваме кой е най-добрият ход. Ние правим това чрез наблюдение и практика, както направи и AlphaGo, като анализира милиони професионални игри и игра сам със себе си милиони пъти. Така отговорът на въпроса кога Го ще се предаде на машините дори не се доближи до 10 години. Верният отговор беше: „Всеки момент“.

Всеки момент. Това е обичайният отговор за 21 век на всеки въпрос кога машините ще могат да направят нещо по-добре от хората.

Сега за пръв път се сблъскваме с навлизането на експоненциалната технологична промяна на пазара на труда на нерутинната работа. Машини, които могат да учат значи, че нищо, което ние, хората правим, вече не е уникално и не е в безопасност. От хамбургери до здравеопазване машините могат да се научат да изпълняват всичко, с малка или никаква необходимост от човешко присъствие и на по-ниска цена.

Amelia е само един от видовете изкуствен интелект, които в момента са на етап бета тест в различни компании. Създадена от IPsoft в последните 16 години, тя се е научила как да изпълнява работата на служителите в кол-център. Тя може да научи за секунди това, което на нас ще ни отнеме месеци и може да го прави на 20 езика. И това не е всичко, тъй като тя също има способност да се учи, т.е. ще постига още повече с течение на времето. При включване в реални условия на работа в компания, през първата си работна седмица Amelia се справя успешно с един от десет разговора, докато в края на втория месец — с шест от десет разговора. Изчислено е, че заради нея 250 милиона души по света могат да загубят работата си във всеки един момент от днес нататък.

Viv е изкуствен интелект, който създателите на Siri пускат скоро и която ще играе ролята на наш личен асистент. Тя ще изпълнява онлайн задачи вместо нас и дори ще функционира като персонален агрегатор на новини във Facebook. Така ще ни предоставя само информация, която ни е най-интересна. В резултат на тази филтрация, до нас ще достигат все по-малко реклами, а това в глобален мащаб ще промени цялата онлайн рекламна индустрия.

Свят с Amelia и Viv, както и с много други изкуствени интелекти, които скоро ще се появят, в комбинация и с роботи като следващото поколение Atlas на Boston Dynamics (Boston Dynamics’ next generation Atlas), е свят, в който машините могат да извършват всичките 4 типа работа, което значително променя съществуващите социални схващания. Ако машините могат да вършат работата на хората, трябва ли само заплахата от нищета да принуждава хората да изпълняват същата тази работа? Трябва ли доходите сами по себе си, да са обвързани със заетостта, така че работата да е единственият начин за осигуряване на доходи, когато много от видовете работа са недостъпни? Ако машините извършват все по-голям процент от работата вместо нас, и то безплатно, къде отиват парите? Възможно ли е голяма част от видовете заетост, които създаваме, да не са необходими изобщо, а да съществуват само заради доходите, които предлагат? Това са въпроси, които е добре вече да си задаваме.

За щастие хората започват не само да си задават тези въпроси, но и да им отговарят. Основната идея е машините да работят за нас, а ние да си дадем свободата да вършим работа, която, като човешки същества, намираме за най-ценна и месечно да изплащаме заплати, които не са зависими от работата ни. Тази заплата ще се дава безусловно на гражданите и се нарича универсален основен доход (universal basic income). Този УОД може от една страна да ни имунизира от негативните последици от автоматизацията, а от друга — да намали рисковете на предприемачеството и на размерите на бюрокрацията, необходима за генериране на доходи. УОД получава различна политическа подкрепа и е в начални фази на въвеждане в Швейцария, Финландия, Холандия и Канада.

Бъдещето е място, в което промените ще се случват с ускорено темпо. Затова и не е много разумно, да продължим да гледаме на бъдещето като на миналото, в което непрекъснатото са се появявали нови работни места и да смятаме, че винаги ще е така. Световният икономически форум започна 2016 г. с прогнозата, че до 2020 г. ще бъдат открити 2 милиона нови работни места, докато 7 милиони други ще бъдат закрити. Това е чиста загуба от 5 милиона работни места. В често цитирана статия на Оксфорд се прогнозира, че автоматизацията ще отнеме половината от всички съществуващи работни места до 2033 г. Същевременно, самоуправляващите се автомобили, отново благодарение на способността за учене на машините, ще повлияят драстично на всички аспекти от икономиката, особено на американската икономика и ще доведат до загуба на милиони работни места за изключително кратък период от време.

Дори Белият дом в доклад до конгреса прогнозира, че има 83% вероятност служител, който през 2010 г. е получавал по-малко от 20 долара на час, да бъде изместен от машина в работата си. Даже служители, които получават по 40 долара на час, са изправени пред 31-процентова вероятност.

Ето защо най-знаещите в областта на изкуствения интелект алармират активно за необходимостта от универсален основен доход. По време на панелна дискусия в края на 2015 г. в Singularity University ученият Джереми Хоуард попита: „Действително ли искате половината от хората да гладуват, защото не могат да добавят икономическа стойност, или не?Ако отговорът ви е не, тогава най-мъдрият начин да се разпредели богатството, е чрез въвеждането на универсален основен доход“.

В интервю за Futurism Крис Илаясмит, пионер в областта на изкуствения интелект и директор на Центъра по теоретична невронаука, предупреждава за непосредственото въздействие на изкуствения интелект върху обществото: „Изкуственият интелект вече има огромно влияние върху нашата икономика… Подозирам, че все повече страни ще трябва да последват Финландия и да изследват ползите на основния доход за хората“.

Тази година Моше Варди изрази същата позиция за появата на интелигентни машини, по време на годишната среща на Американската асоциация за напредък на науката: „Ние трябва да премислим основната структура на нашата икономическа система… може би трябва да обмислим въвеждането на гаранции за основен доход“.

Дори водещият учен и основател на проекта за дълбоко учене в Google Brain Андрю Нг в интервю по време на тазгодишният Deep Learning Summit сподели, че универсалният основният доход трябва сериозно да се обмисли от правителствата, защото има „силна вероятност изкуственият интелект да създаде масова безработица“.

Когато тези, които създават инструментите, предупреждават за последиците от тяхното използване, не трябва ли тези, които искат да ги ползват, да слушат с повишен интерес, особено става въпрос за живота на милиони хора. И особено когато все повече носители на Нобелова награда за икономика се съгласяват с това.

Няма нация, която да е готова за промените, които предстоят. Наличието на голям брой незаета работна ръка води до социална нестабилност, а липсата на потребители в консуматорските икономики, води до икономическа нестабилност. Затова нека се запитаме каква е целта на технологиите, които създаваме? Каква е целта на коли, които ни возят сами или на изкуствен интелект, който поема 60% от нашето работно натоварване? Дали е, за да ни накара да работим повече, но за по-малко пари? Или за да ни помогне да изберем как да работим и да откажем заплащане или почасов труд, които смятаме за ненужни, защото вече получаваме доходи, които машините нямат?

Какъв е големият урок, който трябва да научим във века, в който машините вече могат да учат?

Според мен урокът е, че работата е за машините, а животът е за хората.

1 Watson — IBM компютър, който побеждава в шоуто Jeopardy

2 Deep Blue — IBM супер компютър, който побеждава Гари Каспаров през 1997 г.