исходящие из юридических доводов, как правило, угадывают только 60 %[263]. Группа британских исследователей разработала аналогичную программу для Европейского суда по правам человека – точность ее прогнозов достигает 79 %[264]. Если учесть, что шансы на победу – один из главных вопросов клиентов, участвующих в тяжбе, такие системы особенно интересны.
В медицине многие из самых впечатляющих достижений связаны с диагностикой[265]. DeepMind создала программу, которая может диагностировать более пятидесяти глазных заболеваний с коэффициентом погрешности всего в 5,5 %; только двое из восьми клинических экспертов смогли обойти такой результат[266]. Команда из Оксфорда разработала систему, способную превзойти кардиологов в диагностировании проблем с сердцем[267]. В Китае, где политика в области сбора данных не так строга, как, скажем, в Великобритании или США, объем информации, поступающей в такие системы, поражает воображение. Если Стэнфордская машина для анализа родинок имела в своем распоряжении 129 450 случаев заболевания, то диагностическая система, созданная китайским технологическим гигантом Tencent и второй Центральной больницей провинции Гуанчжоу, смогла привлечь более 300 млн медицинских записей из больниц по всей стране[268]. Такие системы могут обладать определенной погрешностью, но и люди совершают ошибки: сегодня говорят, что диагнозы оказываются неправильными в 10–20 % случаев[269]. Эталоном оценки полезности этих диагностических машин должно быть их превосходство над человеком, а не абсолютное совершенство.
Что касается образования, то за один год на онлайн-курсы Гарвардского университета записалось больше людей, чем поступило в него за все время существования[270]. В Оксфордском университете я прежде всего преподаю студентам экономико-математические дисциплины – и параллельно часто направляю их в Академию Хана, где есть онлайн-сборник практических задач (сто тысяч, решены два миллиарда раз) и обучающих видеороликов (5500 роликов, 450 млн просмотров). У Академии Хана около десяти миллионов уникальных посетителей в месяц – это больше, чем общее количество учащихся начальных и средних школ Англии[271]. Конечно, практические задачи и онлайн-видео, делающие высококачественный образовательный контент доступнее, представляют собой довольно простые технологии. Однако цифровые платформы, подобные этой, все чаще используются для поддержки сложных подходов, таких как «адаптивные» или «персонализированные» системы обучения. Они адаптируют содержание, подход и темп учебного процесса к потребностям каждого отдельного студента, стремясь воспроизвести индивидуальное обучение, которое предлагается в вузах вроде Оксфордского университета, но недоступно в большинстве других мест. Подобные системы разрабатывают более семидесяти компаний, и 97 % школьных округов США в той или иной форме инвестировали в них[272].
Этот список можно продолжать очень долго. В области финансов в настоящее время широко распространена компьютеризированная торговля, на которую приходится примерно половина всех сделок на фондовом рынке[273]. Японская страховая фирма Fukoku Mutual Life Insurance стала применять систему искусственного интеллекта для расчета страховых выплат – она заменяет 34 сотрудника[274]. В ботанике алгоритм, обработавший более чем 250 тысяч сканов высушенных растений, мог идентифицировать виды на новых изображениях с точностью почти в 80 %; один палеоботаник, просматривая результаты, счел, что система, «вероятно, намного превосходит ботаника-систематика»[275]. В журналистике агентство Associated Press начало использовать алгоритмы для составления спортивных репортажей и отчетов о прибылях и убытках, в результате чего последних теперь производится примерно в пятнадцать раз больше, чем когда эту задачу выполняли только люди. Примерно треть контента, публикуемого Bloomberg News, генерируется аналогичным образом[276]. В области кадровых ресурсов 72 % заявок соискателей «никогда не увидит ни один человек»[277].
Мы уже убедились, что машины могут сочинять музыку настолько сложную, что слушатели воображают, будто ее написал Бах. Но теперь появились системы, которым под силу режиссировать фильмы, монтировать трейлеры и даже составлять рудиментарные политические речи (как говорит Джейми Сасскинд, «мало того, что политики часто звучат как бездушные роботы; теперь у нас есть бездушные роботы, которые звучат как политики»[278]). В Дартмутском колледже, родине искусственного интеллекта, проводятся «литературные творческие тесты Тьюринга»: исследователи представляют системы, которые могут по-разному писать сонеты, лимерики, короткие стихи или детские рассказы; а сочинения, которые чаще всего принимают за написанные человеком, получают призы[279]. Эти системы могут показаться не совсем серьезными или умозрительными – в некоторых случаях так и есть. Однако исследователи, работающие в области «вычислительного творчества», очень серьезно относятся к проекту создания машин, выполняющих подобные задачи[280].
Иногда присвоение машинами задач, требующих от человека когнитивных способностей, может быть противоречивым. Рассмотрим вооруженные силы: существует оружие, способное выбирать и уничтожать цели, не полагаясь на человеческое суждение. Это побудило ООН провести ряд совещаний по вопросу о так называемых роботах-убийцах[281]. Или обратимся к сфере «синтетических СМИ», которая выводит понятие корректировки изображений с помощью Photoshop на совершенно новый уровень. В настоящее время есть и системы, генерирующие правдоподобные видеозаписи никогда не происходивших событий, включая откровенную порнографию, в которой участники никогда не снимались, или провокационные речи общественных деятелей, которые те никогда не произносили. Сегодня, когда в политическую жизнь все больше проникают фейковые новости, перспектива неправильного использования такого программного обеспечения вызывает все большее беспокойство[282].
В других случаях присвоение машинами задач, требующих когнитивных способностей, может показаться просто странным. Возьмем, к примеру, парк Храма Неба в Пекине. В последние годы в местных общественных туалетах резко участились кражи туалетной бумаги. Руководство парка не стало нанимать охранников, а установило автоматы с туалетной бумагой, оснащенные технологией распознавания лиц, – они выдавали одному и тому же человеку не более шестидесяти сантиметров бумаги раз в девять минут. Директор по маркетингу, отвечающий за обслуживание, заявил, что парк рассматривал различные технологические варианты, но «выбрал распознавание лиц, потому что это самый гигиеничный способ»[283]. Или, например, Католическая церковь. В 2011 году один епископ выдал первое imprimatur – официальное разрешение на размещение религиозных текстов – мобильному приложению. Оно должно помочь пользователям подготовиться к исповеди; среди его разнообразных функций есть трекеры грехов и выпадающее меню с различными вариантами покаяния. Приложение вызвало такой ажиотаж, что сам Ватикан счел необходимым заявить, что, хотя людям разрешено использовать это приложение для подготовки к исповеди, оно последнюю не заменяет[284].
Аффективные способности
Помимо физического мира и когнитивной сферы машины теперь присваивают себе и задачи, требующие наших аффективных способностей, т. е. способностей испытывать эмоции. Созданием таких систем занимается целая область компьютерных наук, известная как аффективные вычисления.
Например, существуют системы, которые могут определить по выражению лица, счастлив ли человек, смущен, удивлен или обрадован[285]. Вэй Сяоюн, профессор Сычуаньского университета в Китае, использует такую программу, чтобы понять, скучно ли студентам во время