Скотт Браун: Как я уже говорил, мы считаем, что эмуляция — это неправильный подход. Братьям Райт не нужны были детальные модели физиологии птиц, чтобы построить самолет. Вместо этого мы задаемся вопросом: какими статистическими неравномерностями воспользовалась бы природа в создании мозга? Если вы взглянете на меня, вы увидите, что пиксели, составляющие мое тело, не передвигаются рандомно по вашему полю зрения. Они сгруппированы в каждый момент времени. Существует также иерархия, в соответствии с которой, если я поворачиваю лицо, глаза и нос движутся вместе с ним. Глядя на то, как эта пространственная и временная иерархия превращается в сенсорную информацию, мы можем получить хорошую подсказку относительно того, какого рода вычисления мы можем найти в мозгу. И вот, когда вы смотрите на мозг, вы видите пространственно-временную иерархию, которая отражает данные о мире. Совмещение этих идей в строгом математическом порядке и их тестирование в приложении к реальному миру — это и есть то, как мы пытаемся создать ИИ. Так что нейрофизиология очень помогает, но только в общем смысле.
Вопрос из аудитории: Насколько легко будет перенести систему зрения на систему слуха, языка и т.д.? Если бы было так легко решить одну вертикальную проблему и просто применить решение к другим вертикалям, разве кто-нибудь не сделал бы этого уже? Есть ли причина считать, что издержки такого перехода низки?
Скотт Браун: Зависит от того, есть ли для этого общий кортикальный контур. Существует хорошая экспериментальная поддержка того факта, что входящую визуальную и аудиальную информацию обрабатывает один контур. В одном из недавних экспериментов в мозгах хорьков переподключили нервный канал оптической информации к области мозга, обрабатывающей слуховую информацию. Хорьки были способны нормально видеть. Существует множество экспериментов, демонстрирующих схожие результаты, которые поддерживают тезис об общем алгоритме, который мы называем “интеллект”. Конечно, для разных типов сенсорных данных нужно делать свои настройки, но мы считаем, что это будут настройки одного мастер-алгоритма, а не фундаментально иной механизм.
Эрик Джонас: Мой соучредитель Бо (Beau) был в этой лаборатории с хорьками в MIT. Похоже, что кортикальные зоны и соответствующие им паттерны во временных рядах данных достаточно гомогенны. Мы понимаем мир не потому, что обладаем идеальными алгоритмами, но также потому что нам помогает громадное количество наблюдаемой информации. Всеобъемлющая цель — возможно, для всех нас — получить все знания о мире с целью воспользоваться ими. Резонно полагать, что некоторые вещи перебазируются на другие вертикали. Продукты различны; очевидно, создание видеокамеры не помогает продвинутой речевой терапии. Но, возможно, в таком подходе кроется множество частичных совпадений.
Питер Тиль: Существует ли страх, что разрабатываемая вами технология будет нуждаться в проблеме для решения? Беспокоит то, что ИИ похож на научный проект, который может не иметь приложения в данный момент.
Эрик Джонас: Мы считаем, что лучшее понимание данных имеет множество возможностей приложения. Нахождение верного баланса между построением ядра технологии и фокусировкой на продуктах — это всегда проблема, которую должны решать команды стартаперов. Конечно, нам нужно следить за бизнес-требованиями идентификации конкретных вертикалей проблем и создания продуктов, имеющих конкретное приложение. Ключ — совместная работа с советом директоров и инвесторами над долгосрочным видением и различными целями по пути.
Скотт Браун: Мы основали Vicarious, потому что хотели раскусить ИИ. Мы считали, что шаг за шагом кто-то захочет создать настоящий ИИ. Оказывается, многие из этих шагов имеют довольно большую коммерческую значимость сами по себе. Взять хотя бы распознавание неразделенных объектов. Если мы просто достигнем этой точки, это само по себе будет очень ценно. Мы смогли бы вывести это на уровень продукта и продолжить дальше. Поэтому вопрос ставится так: можете ли вы «продать» свое видение проблемы и поднять денег, чтобы развиваться к первой контрольной точке, вместо того чтобы просить пустой чек на проведение невнятных экспериментов ведущих к выигрышу с вероятностью 50/50 через 15 лет.
Боб МакГрю: Нужно быть настойчивым. Вероятно, больше не осталось низко висящих фруктов. Если сильный ИИ — это высоко висящий фрукт (или даже недостижимо высоко висящий), дополненный интеллект Palantir — это вполне досягаемый фрукт. И у нас ушло три года, прежде чем мы получили платежеспособного клиента.
Питер Тиль: Вот вопрос к Бобу и Palantir. Доминантная парадигма, к которой люди склоняются по умолчанию, либо на 100% человеческая, либо на 100% компьютерная. Люди считают их антагонистичными. Как вы собираетесь убедить ученых или Гугл, которые сосредоточены на отодвигании рамок возможностей компьютеров, что парадигма сотрудничества человека и компьютера, предлагаемая Palantir — лучше?
Боб МакГрю: Простой способ сделать это — говорить о конкретной проблеме. Deep Blue побил Каспарова в 1997. Компьютеры сегодня лучше играют в шахматы, чем мы. Хорошо. Но какая сущность лучше играет в шахматы? Оказывается, это не компьютер. Хорошие игроки в паре с компьютером на самом деле побивают людей и машины, играющих по отдельности. Доказано: шахматный ИИ слаб. Но если симбиоз человека и компьютера лучше в шахматах, то он точно так же может быть использован в других контекстах. Анализ данных — это как раз такой контекст. Поэтому мы пишем программы, помогающие аналитикам делать то, что компьютеры сами не могут делать, и то, что аналитики не могут делать без компьютеров.
Эрик Джонас: И взгляните на Amazon Mechanical Turk. Краудсорсинг интеллектуальных задач в ограниченных рамках — даже простые задачи фильтрации, типа “это спам, а это нет” — указывает на быстро размывающуюся разделительную черту между машинами и человеком.
Боб МакГрю: В этом смысле, Crowdflower — это темный близнец Palantir; они фокусируются на том, как использовать людей для улучшения компьютеров.
Вопрос из аудитории: Какие принципы имеет ввиду Palantir в при создании своего ПО?
Боб МакГрю: Нет какой-то одной ключевой идеи. У нас есть несколько разных вертикалей. По каждой из них мы смотрим, что нужно делать аналитикам. Вместо того, чтобы заменить аналитика, мы спрашиваем, в чем конкретно они не так хороши. Как может ПО поддержать их работу? Как правило, это подразумевает создание ПО, обрабатывающего большие объемы данных, идентифицирующего и запоминающего шаблоны и т.п.
Вопрос из аудитории: Как вы балансируете между обучением ваших систем и наполнением их функционалом? Младенцы хорошо понимают выражения лиц, но ни один младенец не понимает арифметику.
Скотт Браун: Это именно такое отличие, которое мы используем, чтобы решить, какие знания должны быть зашиты в наши алгоритмы, а какие — приобретены ими. Если мы не можем сказать, что какое-то конкретное дополнение правдоподобно для обычного человека, мы не добавляем его.
Питер Тиль: Когда существует богатая история деятельности, выигрывающей лишь небольшие преимущества на поле боя, есть ощущение, что все может быть немного сложнее, чем думают люди. Простой пример — это Война с Раком; мы на 40 лет ближе к победе, а победа, возможно, дальше, чем когда-либо. Люди 80-х считали, что ИИ находится прямо за углом. Существует, кажется, длинная история несбывшихся ожиданий. Как мы можем быть уверены, что ИИ — это не тот случай?
Эрик Джонас: С одной стороны, это может быть сделано. Есть простое доказательство этому: всё, что нужно, чтобы создать интеллект уровня человеческого — это пара пива и невнимательное отношение к контролю рождаемости. С другой стороны, мы в действительности не знаем, будет ли решена проблема сильного ИИ, и если да, то когда. Мы, как нам кажется, делаем лучшую ставку.
Питер Тиль: Так это по существу статистический аргумент? Это типа как ждать багаж в аэропорту: вероятность, с которой ваша сумка появится на ленте, растёт с каждой минутой. До тех пор пока в какой-то момент багаж не выезжает, и вероятность сразу падает.
Эрик Джонас: Все думают, что у ИИ много багажа. Продавать ИИ венчурным капиталистам — довольно сложно. Это именно те, кто думал, что ИИ образуется гораздо легче, чем это происходит в действительности. В 1972 году в MIT кучка людей считала, что они просто соберутся вместе и разберутся с ИИ за одно лето. Конечно, этого не произошло. Но удивительно, насколько уверены они были в том, что смогут сделать это — и они работали на мэйнфреймах PDP-10! Сейчас мы знаем, насколько всё невероятно сложно. Поэтому мы разгребаем небольшие участки. Ушли те дни, когда люди считали, что они могут просто собраться с друзьями и создать ИИ за лето.
