Машина, платформа, толпа. Наше цифровое будущее - читать онлайн книгу. Автор: Эрик Бриньолфсон, Эндрю Макафи cтр.№ 31

Мы довольно долго наблюдали за техническим прогрессом, видели достаточно экспериментов и циклов доработки, чтобы уверенно предполагать, что автоматизированные и цифровые процессы будут очень широко распространяться и со временем вытеснят людей из многих областей. Иными словами, мы считаем, что виртуализация – это долговременный тренд, а не каприз моды.

Сеть Eatsa хочет большего, чем просто виртуализировать заказ еды; она также намеревается автоматизировать ее приготовление. Технологические процессы на кухнях Eatsa в значительной степени оптимизированы и стандартизированы, и главная причина того, почему компания прибегает к помощи людей-поваров, а не роботов, состоит в том, что обрабатываемые объекты (авокадо, помидоры, баклажаны и тому подобное) имеют неправильную форму и не совсем твердые. Это не представляет особой проблемы для людей, которые всегда жили в мире, полном мягких предметов. А вот роботы, созданные до настоящего времени, намного лучше управляются с твердыми и желательно одинаковыми.

Дело в том, что зрение и осязание роботов были примитивными, намного хуже человеческих, а надлежащее обращение с помидором в целом подразумевает, что его надо видеть и ощущать с высокой точностью. И еще одно: оказалось, что машину удивительно трудно запрограммировать на работу с легко сдавливаемыми объектами (здесь мы снова знаем больше, чем способны рассказать), так что мозг роботов намного отстает от нашего, как и сенсорная система.

Тем не менее машины нагоняют нас, и довольно быстро: уже появилось несколько роботов-поваров. В одном из ресторанов китайской провинции Хэйлунцзян антропоморфный робот пурпурного цвета использует технику стир-фрай (быстрое обжаривание с помешиванием) и готовит другие блюда в воке ^[240] на огне, хотя предварительную работу все еще делают люди ^[241]. На Ганноверской промышленной выставке-ярмарке в апреле 2015 года британская компания Moley Robotics представила высокоавтоматизированную кухню, центральной частью которой была пара многозвенных механических рук-манипуляторов, спускающихся с потолка. Эти руки могли воспроизводить движения поваров, готовящих фирменные блюда. На выставке машина сделала биск ^[242] из крабов, придуманный Тимом Андерсоном, победителем британского телевизионного кулинарного шоу MasterChef. Один сетевой обозреватель сказал о блюде: «Суп хорош. Если бы мне подали его в ресторане, я съел бы его и глазом не моргнув» ^[243]. Однако и здесь подготовка должна производиться человеком: манипуляторы не видят, что делают, поэтому у них ничего не выйдет, если какие-нибудь ингредиенты или утварь находятся не в точности там, где нужно.

Самым совершенным роботом-поваром, которого мы видели, был изготовитель гамбургеров, разработанный в рамках стартапа Momentum Machines, который финансирует венчурный инвестор Винод Хосла. Робот берет сырое мясо, булочки, приправы, соусы и специи и преобразует все это в готовые, упакованные в пакеты бургеры со скоростью до 400 штук в час. Такая машина сама выполняет значительную часть подготовки, а для сохранения свежести продуктов она не начинает резать, смешивать и готовить, пока не поступит заказ. Она также позволяет клиентам в значительной степени индивидуализировать свои бургеры, указывая не только свои предпочтения, но и состав мяса в котлете. Мы можем подтвердить, что еда получается вкусной.

ПЯТЬ ПРИЗНАКОВ ГРЯДУЩЕГО НАШЕСТВИЯ РОБОТОВ

Автоматические повара – первые примеры того, что Гилл Прэтт, CEO Исследовательского института Toyota (и наш бывший коллега по Массачусетскому технологическому институту), называет кембрийским взрывом в робототехнике. Кембрийский взрыв – условное название события, произошедшего 500 миллионов лет назад, когда в течение относительно короткого периода времени на Земле появилась большая часть крупных таксонов – типов. Почти все типы существ, живущих сейчас на планете, восходят к той эволюционной вспышке.

По мнению Прэтта, мы стоим на пороге таких же революционных новаций в робототехнике. В 2015 году он писал: «Сегодня технологические разработки на нескольких фронтах способны спровоцировать аналогичный взрыв в разнообразии и сферах применения роботов. Многие базовые аппаратные технологии, от которых они зависят, в частности вычисления, хранение данных и коммуникации, улучшаются с экспоненциальной скоростью» ^[244]. Одним из самых важных факторов, сделавших возможным кембрийский взрыв, было появление зрения, когда биологические виды впервые развили в себе способность видеть мир. Это открыло множество новых возможностей для наших предков. Прэтт обращает внимание, что вот-вот возникнет аналогичная ситуация для машин. Впервые в истории они учатся видеть и получают многочисленные выгоды от приобретения зрения.

В своих дискуссиях и исследованиях мы выявили недавнее масштабное развитие в пяти взаимозависимых и смежных областях: это данные, алгоритмы, сети, облачные технологии и экспоненциальное улучшение аппаратного обеспечения.

Данные. Компакт-диски с музыкой и фильмами, а также веб-страницы десятилетиями пополняют мировой запас цифровой информации, но за последние несколько лет скорость кодирования резко увеличилась. По оценкам IBM, 90 процентов всех цифровых данных в мире было создано за последние 24 месяца ^[245]. Сигналы от сенсоров в смартфонах и промышленном оборудовании, цифровые фотографии и видеоролики, непрерывно создаваемый контент в социальных сетях по всему миру и многие другие виды информации толкают нас к эпохе больших данных, не имеющей аналогов в истории.

Алгоритмы. Резкое увеличение объема данных важно, поскольку поддерживает и ускоряет разработки в сфере искусственного интеллекта и машинного обучения, описанные в предыдущей главе. Алгоритмы и подходы, которые сейчас доминируют в этой области, например глубокое обучение или обучение с подкреплением, обладают общим свойством показывать всё лучшие результаты по мере увеличения объема поступающих данных. Работа большинства алгоритмов обычно сводится к асимптотическому уровню, когда добавление новых данных улучшает результат совсем чуть-чуть или вовсе на него не влияет. Однако, похоже, для многих широко использующихся сейчас подходов к машинному обучению это не так. Эндрю Ын сказал нам, что в случае с современными алгоритмами «закон Мура и некоторое количество очень умной технической работы позволяют изменить ситуацию» ^[246].