Многие эксперты указывают на высокую вероятность серьезного разочарования от ИИ в краткосрочной перспективе. Что может привести к «третьей зиме искусственного интеллекта» и почему это происходит, объясняет Антон Епишев, Digital Industry X.0 Lead российского офиса компании Accenture.

Сразу 40% всех стартапов в Европе, развивающих технологии в области искусственного интеллекта (ИИ), на практике не имеют к ИИ никакого отношения. Многие эксперты указывают на высокую вероятность серьезного разочарования от ИИ в краткосрочной перспективе. Что может привести к «третьей зиме искусственного интеллекта» и почему это происходит, объясняет Антон Епишев, Digital Industry X.0 Lead российского офиса компании Accenture.

Тревожные цифры содержатся в исследовании компании MMC Ventures, построенном на изучении деятельности 2830 европейских компаний-стартапов, указавших в качестве основного профиля работы ИИ-технологии. Почти в половине из них исследователи не нашли ни малейших признаков присутствия таких технологий в предлагаемых или развиваемых ими продуктах.

Более того, исследование предполагает, что дальнейшее тестирование остальных 60% компаний, более похожих на подлинные ИИ-стартапы, может показать, что и они не используют ИИ-технологии. Эксперты полагают, что реальных «деятелей» в области ИИ будет менее 10% из них. В перспективе это означает высокую вероятность очередной «зимы искусственного интеллекта». Уже третьей по счету.

Зима тревоги нашей

ИИ развивается как отдельное направление хай-тек инноваций с 1960-х годов. В 1973 году специальная комиссия парламента Великобритании составила отчет о состоянии ИИ, раскритиковав технологию за неспособность обеспечить рынок обещанными на заре своего развития решениями.

«Отчет Лайтхилла» особенно подчеркивал преимущества человека при выполнении тестовых задач перед тогдашними образцами искусственного интеллекта и делал вывод об отсутствии перспектив практического применения в реальном мире. 

Прямое следствие отчета и многих научных статей того времени – отказ в финансировании ИИ-инициатив правительством Великобритании, а затем и США. Слишком высокая цена исследований и тестов, дисбаланс обещаний, ожиданий и практических результатов. Так случилась первая «ИИ-зима». Фактически многие перспективные исследования и разработки в этой области были заморожены, или их развитие сильно замедлилось.  

Оживление направления в 1980-х было коротким и завершилось второй «зимой» с 1987 по первую половину 1990-х годов. Когда один за другим произошли крах рынка экспертных систем и LISP-машин, а затем и проект по созданию компьютеров пятого поколения не смог достичь поставленных целей. Это снова привело к массовому сокращению финансирования расходов на искусственный интеллект. 

К концу 1990-х само понятие ИИ стало носить статус ругательства в научном сообществе, а общим местом было положение о том, что «ИИ на практике не работает».

Оттепель

Софтверные компании, которые в те годы выпускали свои продукты на рынок, при их описании постоянно использовали термины «алгоритмы умного поиска», «программный движок», «паттерны эффективного траблшутинга» и многие другие. Они возникли из исследований в области ИИ и перекочевали в менее громкие и менее глобальные технологические сегменты.  

Ситуация начала меняться с 2010 года. Снова вырос интерес к ИИ как самостоятельному направлению в ИТ и научных исследованиях. Кремниевая долина и компании гиганты накопили к этому моменту огромные массивы данных, и впервые в истории использование нейронных сетей смогло приносить ощутимую практическую пользу. 

К 2015 году направление ИИ-исследований появилось у множества компаний списка Fortune 500. Зачастую это рвение объяснялось боязнью отстать от конкурентов, нежели проработанным видением ИИ-программы для бизнес-задач. Именно этот эффект – FOMO (Fear of missing out - боязнь упустить важный тренд) лежит в основе возможной третьей «ИИ-зимы», симптомы которой обнаруживаются в исследовании MMC Ventures.

Зерна от плевел

Важный отличительный симптом современного направления ИИ: необходимость развивать эффективные механизмы категоризации все большего количества типов данных, включая изображения и естественные языки. В зависимости от способности адекватно осознавать, ставить и решать задачи категоризации данных, можно разделить современные ИИ-компании на три основные группы:

• Практикующие специалисты -  это организации, по-настоящему фокусирующиеся на расширении границ практического применения ИИ. Именно они создают решения, обеспечивающие долгосрочные конкурентные преимущества на основе ИИ. К сожалению, их крайне немного – из 2830 компаний в исследовании MMC Ventures таковых нашлось не более 170 (6%).

• «Притворщики» - компании, широко использующие в своей практике статистику и данные, а также продвинутые алгоритмы аналитики, и называющие все это ИИ. Такой подход совершенно не означает, что такие компании «плохие», «мошеннические» и т.д. Просто термин ИИ в их словаре применительно к своей деятельности не должен вводить в заблуждение. Никакого disrupt-потенциала в их деятельности нет, на рынке они смогут продвинуться за счет высокой скорости внедрения своих решений и репликации успешных моделей. 

• «Шулеры» - фирмы (особенно – стартапы), откровенно вводящие в заблуждение, когда за громкими заявлениями об ИИ-разработках в основе продуктов и сервисов не лежит никакой фактической ИИ-составляющей. В исследовании таких компаний 1132 – 40%. Обычная стратегия использования «хайпа» вокруг популярной технологии для набивания цены, привлечения шальных инвестиций и других методик ловли рыбы в мутной воде

Нерешенные вызовы и парадокс Моравека

Все это дает основания для скептицизма по поводу ближайшего будущего ИИ: текущая картина слишком сильно напоминает преддверие первых двух «зим». «Хайп» и спекуляции вокруг технологии, развитие же идет крайне медленными темпами.

Нерешенными остаются три главных задачи ИИ:

• Возможность эффективно развивать ИИ, используя небольшие, по сравнению с текущими, объемы данных;
• Создание модификации ИИ, которая умеет конвертировать полученные в одной предметной области навыки и знания для дальнейшего использования в других;
• Разработка модификации ИИ, которые умеет создавать собственные модели обучения, не полагаясь в этом на человека.

Бонусом здесь можно добавить решение «парадокса Моравека». Сложные задачи для ИИ являются легкими для человека, и наоборот – человек не может справиться с тем, на что у ИИ уходят доли секунд. По всем этим задачам прогресс в лучшем случае можно назвать довольно скромным (с учетом вливаний ресурсов и хайпа).

Действительно рабочими disrupt-решениями могут похвастать считанные компании. Например, Google со своим DeepMind – его алгоритмы дают более высокую производительность при игре в шахматы или Го по сравнению с остальным рынком даже при использовании менее 1% доступных ресурсов (CPU и данных для обучения). Это достижение действительно имело реальное применение – позволило адаптировать некоторые возможности ИИ для использования в смартфонах и умных колонках/

Но, увы – too little, too late. И потом – все это уже было: первые компьютеры громили людей в шашки в 1950-х годах, изумляли публику. Прорыв технологий, казалось, был на расстоянии вытянутой руки. Журналисты и писатели грезили о неотличимых от человека андроидах в перспективе ближайшей пятилетки. Выяснилось же, что достигать сверхчеловеческой производительности при выполнении некоторых специфических задач – вовсе не означает, что воссоздание человеческого интеллекта в «железе» и софте уже реально.

Ренессанс? Средневековье!

Между тем, большинство современных нейронных сетей по-прежнему требуют для своего развития огромные массивы данных, а данные – конечная величина/

Кроме того, многослойность нейросетей зачастую делает понимание их работы сложным даже для собственных разработчиков. Самое главное: комплексные нейронные сети все еще неэффективны для решения задач в предметных областях, для которых они не разрабатывались – сеть, гениально играющая в покер, не сможет справиться с задачей поиска котиков на изображениях». Тогда как человек запросто её решает.

Да, со временем, при условии постоянного обучения и тренировок в решении задач, ИИ становится лучше, но это процесс требует постоянной подпитки через использование энергии и ИТ-инфраструктуры. А это требует значительных вливаний ресурсов, которые доступны не для всех компаний.

Прогноз: вероятно, зима

В 2018 году вышло огромное количество статей, интервью, постов в соцсетях и на форумах, обрисовывавших ограничения для развития ИИ. У некоторых игроков наступает осознание, что при отсутствии бюджета на исследования в ИИ, сопоставимого с тратами Google, а также штата экспертов уровня MIT и массивов данных калибра Amazon, оперативно получить реальные результаты от ИИ – крайне тяжело.

Начало каждой ИИ-зимы сопровождалось: серьезными преувеличениями ближайших перспектив технологии по сравнению с реальным уровнем ее возможностей, необоснованными проекциями успеха в одном направлении на остальные, и даже на перспективу создания «общего ИИ», подобного человеческому уму. Так и сегодня, стоит кому-то сообщить об удачном ИИ-алгоритме, который смог снять короткометражку, как в СМИ начинается вал заголовков в духе «Роботы идут!».

Все это, конечно, помогает росту инвестиций в проекты, но диспропорция между их объемом и выхлопом только растет.

Winter is coming?

Антон Епишев

Источник: Fast Salt Times