DeepMind разрабатывает «алгоритм всевластия»

Петар Величкович, куратор проекта, не случайно использовал аналогию из Толкиена. Конечная цель DeepMind — создание общего искусственного интеллекта, способного мыслить, как человек, и при этом обладающего внушительными математическими способностями компьютера. Основная проблема сейчас заключается в том, что классические алгоритмы работают по модели if/then/else: «если А, то Б», и предположений не допускается. Моделям же глубинного обучения требуется долгая и дорогостоящая «тренировка» для того, чтобы применять их в новых областях, а не в тех, для которых они создавались изначально.

В идеале должна быть создана универсальная модель глубинного обучения, способная не только имитировать абсолютно любой математический алгоритм, но и успешно применять их комбинации для анализа данных из реального мира и достижения практических результатов. Для достижения этой цели Петар Величкович и Чарльз Бланделл из DeepMind создали принципиально новое научное направление — Нейро-алгоритмическое обоснование, Neural Algorithmic Reasoning, или NAR. Величкович считает, что одним из ключей к решению проблемы могут стать графики, так как они подходят для передачи практически любой информации. Например, изображение — это по сути график из точек, соединённых по принципу близости, а текст — последовательность связанных между собой смысловых объектов.

При этом в DeepMind отлично понимают, что задача перед ними стоит отнюдь не простая. Ещё в 1956-м году один из первопроходцев компьютерной науки, Эдсгер Дийкстра, разработал алгоритм, позволяющий находить кратчайший путь между узлами графика — но применить его к реальной жизни (скажем, для построения маршрута) практически невозможно. Для этого пришлось бы сотни привычных факторов — ремонтные работы, ДТП, смену погоды и так далее — трансформировать в абстрактный график, в котором времени путешествия из точки А в точку Б присвоен удельный математический вес. Как подчёркивает Величкович, в этом и проблема классических алгоритмов: они стремятся дать идеальный ответ, хотя вводные данные далеки от идеала.

Первая задача NAR — сделать так, чтобы нейросеть трансформировала «сырые» данные в подходящие для работы материалы, например, в графики. Сейчас этим занимаются люди — вручную. При этом сжимать целые наборы данных из реального мира в одно число нельзя — это в DeepMind называют «алгоритмической пробкой». Грубо говоря, нельзя делать все «ставки» на одну цифру, так как это очень грубое, одномерное представление трёхмерной проблемы. В DeepMind предлагают использовать векторы, а не числа. Плюс в том, что если некий набор чисел на внутреннем векторе предсказан неправильно, общее указанное «направление» всё равно окажется в целом верным.

Проблема в том, что классические алгоритмы основаны на «плоских» математических моделях — это не менялось аж с 40-х годов прошлого века, когда требовалось взломать шифр подводного флота Германии. Современное же глубинное обучение способно работать с данными в нескольких измерениях — но программистам и инженерам, как уже было сказано, приходится вручную адаптировать ИИ под каждую новую задачу. NAR призван совместить лучшее из двух миров. От всех этих математических абстракций у рядового обывателя может разболеться голова — самое время напомнить о конкретных достижениях DeepMind и о том, почему Alphabet тратит огромные деньги не зря.

Начнём с того, что по итогам 2020-го года приложение Google Maps уверенно сохранило за собой первое место в своей категории в США. Почти 23 с половиной миллиона новых закачек: второй по популярности навигатор в Соединённых Штатах, Waze, отстаёт более чем в два раза. Google купил DeepMind в 2014-м году, и с тех пор точность оценки ETA (времени достижения конечной точки маршрута) в Вашингтоне и Сингапуре выросла на 30%, в Осаке — на 37, в Сиднее — вообще на 43%. Сделать это помогла новая технология Суперсегментов. Суперсегменты — это кластеры дорог, объединённые схожим объёмом и скоростью трафика. Простой пример: Проспект Мира и часть Ярославского шоссе — две совершенно разные сущности с точки зрения дорожного хозяйства, но для искусственного интеллекта это суперсегмент.

Ещё одно достижение DeepMind — AlphaFold. Эта ИИ модель позволяет просчитывать сложные трёхмерные модели протеинов: достижение поистине неоценимое во многих областях теоретической и прикладной науки — от медицины до биоразложения промышленных отходов. Между тем, в 1969-м году учёный Сайрус Левинталь утверждал, что на математическое решение данной проблемы уйдёт больше возраста Вселенной, так как в природе возможно десять в трёхсотой степени комбинаций формирования типичного протеина. Прошло 50 с лишним лет — чуть меньше возраста Вселенной — и человечество нашло ключ к решению проблемы.

Про AlphaGo несколько лет назад писали все СМИ. Шутка ли — компьютер обыграл чемпиона по го, старейшей настольной игре человечества, изобретённой более 2500 лет назад. Новое достижение DeepMind, Agent57, не получило столь широкой огласки — а зря, ведь оно куда более существенное. Это первый ИИ, использующий модель глубинного обучения с закреплением, набравший больше очков, чем люди, в 57-ми играх на культовой приставке 80-х годов — Atari 2600. Ключевая разница в том, что Agent57 сам постигал правила всех 57-ми игр, и отталкиваясь от принципа закрепления, сам «хотел» добиться победы и максимума очков, не допустив поражения. AlphaGo же «скармливали» миллиарды возможных комбинаций в го, и ставили безусловную задачу — прийти к оптимальной. Всего одна игра (пускай и такая сложная), и никакой внутренней мотивации.

В общем, DeepMind постепенно продвигается вперёд, и, возможно, нейро-алгоритмическое обоснование (NAR) станет тем самым принципом, который позволит создать общий искусственный интеллект, способный мыслить, а не только считать.