осуществлять автоматизацию в ее центре. Вместо того чтобы лишать таксиста работы, блокчейн лишает работы Uber и дает возможность таксисту работать с клиентом напрямую[88].
Важно отметить, что пассажиру тем не менее нужно будет каким-то образом найти квалифицированного водителя. Блокчейн распределяет контроль, но все равно требует доверия. Способен ли алгоритм предоставлять услугу, которой можно доверять, без участия человека в качестве посредника?
Блокчейн также поднимает вопрос о том, что такого особенного может предложить человек, чего не может предложить алгоритм. Я верю, что поиск верных ответов на этот вопрос будет продолжаться, но пока многие компании не могут дать на него однозначного ответа.
Доверие воплощено в категориях, в которые нас загоняют современные компьютеры. В итоге они запирают нас в систему нулей и единиц. Они хотят заканчивать за нас наши предложения и заниматься автокоррекцией наших ошибок.
Цифровые компьютеры используют категории вместо системы непрерывного (аналогового) измерения. Они содержат сравнения, условные операторы, процедуры и арифметические операции. Компьютеры в нашем современном понимании представляют собой машины, упорно осуществляющие двоичную категоризацию, даже если в них присутствует слабый намек на использование нечеткой логики, которая позволяет уйти от однозначности ответа на вопрос.
Но распределенные вычислительные системы быстро развиваются, и на горизонте уже появляется технология квантовых вычислений с использованием квантовых компьютеров. Переход от централизованных систем к децентрализованным и далее к распределенным системам начался много лет назад, но его результаты можно будет в полной мере оценить только в следующем десятилетии. Сервисы, которые уже работают на основе блокчейна, покажут, насколько распределенные сети готовы к широкомасштабному использованию. Распределенные вычисления, особенно квантовые, создают новую парадигму вроде тех, которые описывает Томас Кун в своей книге «Структура научных революций», о которой я упоминал в главе 2.
Новые формы информационных технологий позволят создавать системы, которые не опираются на статичные категории. В настоящий момент наши компьютерные системы косвенным образом стимулируют нас к использованию жестких категорий, нравится нам это или нет. Дуг Меррит, генеральный директор компании-разработчика программного обеспечения для обработки и анализа данных Splunk, так сказал об этом на собрании СEO в Кремниевой долине, где я недавно выступал: «IT-системы, разработанные для того, чтобы упорядочить хаотичный VUCA-мир, опасны. Только ограниченное число систем предназначено для функционирования в условиях хаоса и способно находить закономерности и выгоды внутри беспорядка»[89].
ВЗАИМОДЕЙСТВИЕ ЧЕЛОВЕКА И МАШИНЫ
Для меня ясно, что развитие и применение распределенных вычислительных систем потребуют тесного взаимодействия человеческих и машинных ресурсов. Слияние человека и машины было смоделировано на примере AlphaGo, программы на основе глубинного обучения с помощью многоуровневых нейронных сетей, разработанной командой под руководством Демиса Хассабиса в британской компании DeepMind (впоследствии приобретенной Google). Компания поставила перед собой цель «решить фундаментальную проблему интеллекта», который, в моем понимании, подразумевает и машинный, и человеческий интеллект.
Я убежден, что в ближайшем десятилетии ключевой проблемой распределенных вычислительных систем будет поиск путей распределения задач между людьми и компьютерами. Что будут лучше делать люди? Что будут лучше делать компьютеры?
Документальный фильм под названием AlphaGo[90] — это пронзительная история любви человека и компьютера. В конце фильма программа AlphaGo побеждает легендарного игрока в го Ли Седоля, но поражение позволяет человеку найти новые грани и возможности своего «я». Поражение человека разрушило привычные представления о том, как нужно играть в го.
Го — самая сложная игра из всех, придуманных человеком, древнейшая из настольных игр, «святой Грааль», заветная цель в соревновании с искусственным интеллектом. Го — игра, требующая мышления полного спектра и использования текучих категорий и игрового поля. В древнем Китае умение играть в го было одной из четырех целей обучения наряду с музыкой, поэзией и живописью. AlphaGo — самообучающаяся машина, расширяющая границы возможностей двоичных вычислительных устройств.
AlphaGo выиграла у Ли Седоля со счетом 4:1 и показала способность к креативному мышлению, отличающемуся от мышления своего соперника — человека. Ли Седоль потерпел поражение, но после поединка с этим бездушным существом почувствовал, как по-новому раскрылись его человеческие качества.
После матча один из аналитиков заметил: «Этот эксперимент окажет влияние на то, как будут играть в го в течение следующей тысячи лет». Когда компьютер обыграл легендарного игрока в го, это событие ознаменовало собой не конец игры, а начало развития новых способов игры в го.
После матча выросли продажи игры в го, а Ли Седоль заявил, что поединок с AlphaGo способствовал повышению уровня его мастерства. «Этот опыт заставил меня расти над собой. Я собираюсь с толком использовать тот урок, что получил. Я благодарен за предоставленную мне возможность испытать себя и думаю, что понял, почему выбрал игру в го. Я сделал прекрасный выбор, решив посвятить себя этой игре. Это незабываемый опыт»[91]. Вот пример игрока, который поначалу производил впечатление чрезвычайно амбициозного человека, а после игры обрел новое для себя качество — смирение.
Нейронные сети и технология машинного обучения дают возможность визуализировать сложность полного спектра, даже сложность игры го. Распределенные вычислительные системы позволяют распространять умения в новой среде, которую образует фантастическое слияние человеческих и компьютерных ресурсов.
ДОПОЛНЕННЫЙ ИНТЕЛЛЕКТ, А НЕ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ
Первый семинар по книге «Новые навыки лидера» я провел для группы руководителей HR-службы. Семинар был организован компанией LinkedIn в Лаборатории информатики и искусственного интеллекта (Computer Science and Artificial Intelligence Laboratory)[92] при Массачусетском технологическом институте, где и придумали термин «искусственный интеллект». На встрече, которая происходила летом 2017 года, нам сказали, что этому термину уже 65 лет. В то время велись дискуссии, какое название лучше — «искусственный интеллект» или «дополненный интеллект». К сожалению, победа осталась за «искусственным интеллектом».
Термину «дополненный интеллект» отдавал предпочтение Дуглас Энгельбарт, самый авторитетный участник дискуссионной группы на МККК’72, о которой я упоминал ранее. Энгельбарт был основателем и руководителем Исследовательского центра по расширению (Augmentation Research Center, ARS) в Стэнфордском исследовательском институте (теперь это Международный Стэнфордский исследовательский институт), который стал первым библиотечным и ресурсным центром для ARPANET. Он создал прототипную (пилотную) систему, которую назвали NLS. Она обладала массой разных возможностей, которые, как полагал Энгельбарт, могли бы помочь в решении самых сложных мировых проблем. Источниками вдохновения для него послужили Вэнивар Буш[93] и выдвинутая им в 1945 году классическая концепция мемекса[94] — мирового разума.
Энгельбарт предполагал, что создание машины, способной помочь в решении мировых проблем, будет крайне сложной задачей. Как-то раз он заметил, что число команд в системе NLS будет равно количеству слов в английском языке. Эффективность категорий становится очевидной, когда имеются широкий спектр выражений, воплощенных в командах и концепциях, и оперативные возможности для их реализации. Энгельбарт построил сложную систему, позволяющую решать