Будущее труда

Работа — для машин, жизнь — для людей

Редакция Apparat

Журналист Скотт Сантенс написал в своем блоге на Medium большой текст о том, почему машинное обучение сделает базовый безусловный доход неизбежным. Apparat публикует перевод текста, выполненный сообществом Newочём.

2 декабря 1942 года команда ученых под руководством Энрико Ферми наблюдала, вернувшись с ланча, как человечество запустило первую в истории самоподдерживающуюся ядерную реакцию внутри груды кирпичей и досок под футбольным полем в Чикагском университете. Эксперимент, вошедший в историю как «Чикагская поленница-1», отпраздновали в тишине одной-единственной бутылкой кьянти: тем, кто там присутствовал, значение этого события для всего человечества было понятно без слов.

Теперь же произошло нечто новое, еще раз незаметно навсегда изменившее мир. Будто слово, прошептанное на чужом языке: вы его вроде и услышали, но его истинный смысл ускользнул от вас. Тем не менее, жизненно важно понять этот новый язык и смысл слов, что нам сказаны, ибо их последствия изменят все. Даже самые очевидные аспекты функционирования нашей глобализированной экономики, а также способы, с помощью которых мы, люди, в ней существуем.

Этот язык — новый вид машинного обучения, известный как «глубинное обучение», а «прошептанные слова» — использование его компьютером для, казалось бы, внезапной победы над трехкратным чемпионом Европы по го Фан Хуем, и не единожды, а целых пять раз подряд без единого поражения. Многие из тех, кто читали эту новость, решили, что это впечатляюще, но это нельзя даже сравнить с матчем против Ли Седоль — одного из лучших ныне живущих игроков в го, если не самого лучшего. Представляя столь великую дуэль человека и машины, лучший игрок го Китая предсказал, что Ли не проиграет ни одной партии, а сам Ли был уверен, что проиграет не более одной.

Что же произошло, когда они сошлись в поединке? Ли проиграл четыре партии из пяти. А искусственный интеллект под названием AlphaGo теперь лучший игрок в го на планете: ему был присвоен «божественный» девятый дан. Другими словами, его уровень игры богоподобен. Го официально покорилась машине, так же, как Jeopardy была покорена Watson, а шахматы — Deep Blue.

Так что же такое го? Если сильно упростить, представьте, что го — это супер-мега-ультра-шахматы. Это достижение все еще может казаться незначительным — очередная зарубка на прикладе для машин, которые продолжают показывать свое превосходство в развлекательных играх. Но это немалое достижение, а то, что происходит — уже не игра.

Историческая победа AlphaGo — явный сигнал того, что мы перешли от прямой к параболе. Прогресс в области технологий теперь носит настолько явно экспоненциальный характер, что мы можем ожидать преодоления намного большего количества преодоленных вех, чем могли бы ожидать раньше. К этим достижениям, особенно в части специализированного искусственного интеллекта, мы совершенно не готовы, пока исходим из того, что основным источником дохода должна быть работа.

Это все может казаться преувеличением, так что давайте вернемся на пару десятков лет назад и взглянем, что компьютерные технологии делали с человеческой занятостью до сих пор:

Источник: Федеральный резервный банк Сент-Луиса

Рассмотрите этот график как следует. Не обманывайте себя, полагая, что говоря об автоматизации труда, мы говорим о будущем. Она уже здесь. Компьютерные технологии съедают наши рабочие места с 1990 года.

Рутинная работа

Все работы можно разделить на четыре типа: рутинная и разнообразная, умственная и ручная. Рутинная работа — повторение тех же действий изо дня в день, в то время как разнообразная работа имеет свойство изменяться. В рамках двух этих типов лежит работа, которая требует усилий нашего мозга (умственная) и работа, которая требует усилий нашего тела (ручная). Когда-то все четыре работы росли, но рутинная работа застряла на одном месте в 1990 году. Это произошло из-за того, что рутинная работа — самая простая для выполнения с помощью технологий. Для работы, которая не изменяется, можно написать правила, и машины с такой работой справляются лучше.

Печально, но именно рутинная работа когда-то сформировала основу американского среднего класса. Именно рутинную ручную работу изменил Генри Форд, начав платить людям за нее зарплату среднего класса, и именно рутинная умственная работа однажды наполнила офисы по всей Америке. Подобные вакансии теперь становятся все менее доступными. В безопасности остаются только два типа работ: те, которые не требуют много думать и слабо оплачиваются, и те, которые требуют много думать и оплачиваются хорошо.

Если представить нашу экономику в виде самолета с четырьмя двигателями, но способного лететь всего на двух, то пока они работают, мы можем избежать падения. Но что случится, если откажут и оставшиеся два двигателя? Именно этим грозят успехи продвинутых областей робототехники и ИИ для двух оставшихся двигателей, ведь впервые в истории мы успешно обучаем машины учиться.

Нейронные сети

Я писатель, но с образованием в области психологии и физики. Меня захватывают обе эти науки, так что во время учебы я сосредоточился на физике человеческого мозга, другими словами — когнитивной нейробиологии. Мне кажется, как только вы начинаете изучать, как работает человеческий мозг, как массы взаимосвязанных нейронов каким-то образом образуют то, что мы называем разумом, все меняется. По крайней мере, так было со мной.

Чтобы понять, как устроен наш мозг, представьте огромную сеть взаимосвязанных клеток. Некоторые из этих соединений короткие, некоторые — длинные. Некоторые клетки соединены только с ближайшими соседями, а некоторые соединены со многими. Сквозь эти соединения с разной скоростью проходят электрические сигналы, в свою очередь возбуждая другие нейроны. Словно падающие костяшки домино, но только быстрее, масштабнее и гораздо сложнее. Удивительно, но результат — это мы, и то, что мы узнали о том, как мы работаем, мы начали применять к машинам.

Одним из таких применений является создание глубинных нейронных сетей — что-то вроде урезанного виртуального мозга. Они делают возможным машинное обучение, которое совершило невероятные успехи, считавшиеся ранее гораздо более недосягаемыми, если вообще возможными. Как? Причина не только в растущих возможностях наших компьютеров и расширении наших знаний в области нейронаук, но и в стремительно растущих объемах коллективных данных, также известных как большие данные.

Большие данные

Большие данные — это не просто пустые слова. С каждым днем мы создаем все больше и больше информации. Мы производим ее в таких объемах, что по данным отчета SINTEF 2013 года 90% всей информации в мире было создано за последние два года. Этот невероятный показатель удваивается каждые полтора года благодаря Интернету, где в 2015 году каждую минуту мы ставим 4,2 миллиона лайков на Facebook, загружаем 300 часов видео на YouTube и отправляем 350 000 твитов. Все, что мы делаем, генерирует данные как никогда раньше, а большое количество данных — именно то, что нужно машинам для обучения. Почему?

Представьте, что вы программируете компьютер на распознавание стула. Вы вводите в него множество инструкций, а в результате программа все равно распознает стулья в других предметах, а некоторые стулья не распознает. Так как же мы сами научились распознавать стулья? Наши родители показали на стул и сказали, что это «стул». Тогда мы подумали, что со стульями всё ясно, указали пальцем на стол и сказали: «Это стул», и тогда родители сказали, что это «стол». Это называется обучение с подкреплением. Ярлык «стул» связывается с каждым стулом, который мы видим, при этом некоторые нейронные пути нагружаются, а другие — нет. Чтобы в нашем мозгу загорелся «стул», то, что мы видим, должно быть достаточно похожим на стулья, с которыми мы сталкивались ранее. По большому счету, весь наш жизненный опыт — огромный массив данных, пропущенный через наш мозг.

Глубинное обучение

Мощь глубинного обучения состоит в том, что оно позволяет использовать огромные массивы данных для обучения машин без четких инструкций, подобно тому, как делаем это мы. Вместо того, чтобы описать компьютеру «стульность», мы просто подключаем его к интернету и показываем ему миллионы изображений стульев. Тогда он сам получает представление о «стульности». Затем мы тестируем его с помощью других изображений. Когда он ошибается, мы поправляем его, что улучшает его навык распознавания стульев. Повторение этого процесса приводит к тому, что компьютер знает, что такое стул, когда видит его, настолько хорошо, насколько это можем мы. Важное отличие состоит в том, что, в отличие от нас, он может просмотреть миллионы изображений в считанные секунды.

Это сочетание глубинного обучения и больших данных привело к невероятным достижениям за один только прошлый год. Помимо невероятного достижения AlphaGo, ИИ DeepMind от Google научился читать и понимать, что он читает, изучив сотни тысяч новостных статей. DeepMind также самостоятельно научился играть в десятки видеоигр на Atari 2600 лучше, чем человек, просто проверяя счет на экране и раз за разом играя. ИИ под названием Giraffe схожим образом научился играть в шахматы, используя 175 миллионов шахматных позиций, достигнув уровня международного мастера за 72 часа, непрерывно играя с самим собой. В 2015 году ИИ даже смог пройти визуальный тест Тьюринга, обучаясь так, что он смог выявить неизвестную букву в выдуманном алфавите, затем моментально воспроизвести эту букву так, что она была полностью неотличима от написанной в этом же задании человеком. Все это — главные вехи в истории ИИ.

Тем не менее, несмотря на все эти вехи, на вопрос, как скоро компьютер сможет победить выдающегося игрока в го, всего за несколько месяцев до объявления Google о победе AlphaGo эксперты отвечали: «Возможно, в ближайшие 10 лет». Десятилетие казалось оптимистической оценкой, ведь го — игра настолько сложная, что я предоставлю возможность описать ее Кену Дженнингсу из игры Jeopardy, еще одному бывшему чемпиону, сраженному ИИ:

«Хорошо известно, что го более сложна, чем шахматы, со своей огромной доской, более длинными играми и большим количеством фигур. Команда программистов DeepMind любит говорить, что во всей известной Вселенной вариантов игры в го больше, чем атомов, но это значительно занижает задачу вычисления. Позиций при игре в го — 10 в степени 170, тогда как атомов во Вселенной — лишь 10 в степени 80. Это значит, что если существует столько же параллельных Вселенных, сколько существует атомов в нашей (!), общее число атомов во всех этих Вселенных вместе взятых приблизилось бы к числу возможных позиций на гобане»

Такая высокая сложность делает невозможным перебор всех доступных ходов для определения лучшего. Но глубинные нейронные сети обходят этот барьер так же, как и ваш собственный мозг: научившись оценивать ход, который выглядит как лучший. Мы это делаем с помощью наблюдения и практики, и точно так же это делает AlphaGo: анализируя миллионы профессиональных игр и играя с собой миллионы раз. Так что ответ на вопрос, когда го падет перед машиной, не был даже близко к 10 годам. Правильный ответ оказался таким: «В любой момент».

Автоматизация нерутинной работы

В любой момент. Это новый ответ 21-го века на любой вопрос, связанный с тем, когда машины способны научиться делать что-либо лучше человека, и мы должны попытаться осознать это.

Нам надо понять, что значит вторжение экспоненциальных технологических перемен на рынок труда нерутинной работы. Обучающиеся машины означают, что ни одна человеческая работа теперь не в безопасности. От гамбургеров до медобслуживания, машины могут успешно выполнять эти задачи без помощи или с меньшей помощью человека, и дешевле, чем человек.

Amelia — один из ИИ, которые сейчас тестируют в компаниях. Созданная компанией IPsoft на протяжении последних 16 лет, она научилась выполнять работу сотрудников колл-центра. Она может за секунды обучиться тому, что занимает у нас месяцы, и она может выполнять эту работу на 20 языках. И так как она умеет обучаться, со временем она сможет еще больше. В одной компании, где ее тестировали, она успешно обрабатывала каждый десятый вызов за первую неделю, а к концу второго месяца она решала шесть из десяти вопросов. Она может оставить без работы 250 миллионов человек по всему миру.

Viv — ИИ от создателей Siri, который выйдет совсем скоро и будет нашим персональным помощником. Она будет выполнять для нас задачи онлайн и даже будет работать как новостная лента Facebook на стероидах: будет предлагать потреблять медиа, которые по ее мнению нам должно понравиться. Во время этого мы будем видеть гораздо меньше рекламы, и это значит, что вся рекламная индустрия — индустрия, на которой построен весь интернет — ощутимо пошатнется.

Мир с Amelia и Viv и бесчисленным множеством других ИИ, которые совсем скоро придут в онлайн, в комбинации с роботами, такими, как Atlas — творение нового поколения от Boston Dynamics, — это мир, где машины могут выполнить работу любого из четырех типов, а это значит, что грядут серьезные социальные перемены. Если машина может выполнить работу вместо человека, должен ли человек выполнять эту работу, чтобы прокормить себя? Должен ли сам доход оставаться связанным с трудоустройством, а наличие работы — единственным способом получения доходов, в то время как рабочие места для многих совершенно недоступны? Если машины выполняют все большее количество нашей работы и не получают за это денег, куда деваться этим деньгам? И как изменится их покупательная способность? Возможно ли, что многие работы, которые мы создали, вообще не нужны, а нужен только доход, который они приносят? Мы должны начать задаваться этими вопросами, и быстро.

Отделение дохода от работы

К счастью, люди начинают задавать эти вопросы, и существует ответ, который выстраивается на глазах. Идея в том, чтобы заставить машины работать за нас, а себе оставить ту работу, которую мы считаем действительно ценной, просто предоставив каждому ежемесячные выплаты независимо от работы. Эти выплаты будут гарантированы каждому гражданину без каких-либо условий. Это называется всеобщий базовый доход. Приняв его, помимо защиты от негативных последствий автоматизации, мы также снизим риски, присущие предпринимательству, а также уменьшим масштабы бюрократии, необходимой для увеличения доходов. Именно по этим причинам он пользуется поддержкой людей разных политических взглядов и уже находится на стадии возможной имплементации в таких странах, как Швейцария, Финляндия, Нидерланды и Канада.

В будущем изменения будут только ускоряться. Неразумно продолжать воспринимать будущее подобно прошлому, в котором новые рабочие места будут просто потому, что они всегда были раньше. По оценкам WEF к 2020 году появятся 2 миллиона новых рабочих мест и исчезнут 7 миллионов. Это потеря 5 миллионов рабочих мест. Часто цитируемое Оксфордское исследование предсказывает автоматизацию половины существующих сейчас рабочих мест к 2033 году. В то же время беспилотные автомобили, снова благодаря машинному обучению, могут резко повлиять на все экономики мира — особенно на экономику США, как я писал в прошлом году по поводу беспилотных грузовиков, — устраняя миллионы рабочих мест в течение короткого промежутка времени.

Даже Белый дом в впечатляющем докладе Конгрессу заявил, что с вероятностью в 83% работник, зарабатывающий в 2010 году менее $20 в час, потеряет свою работу из-за машины. Даже работники со ставкой $40 в час, имеют на это шанс в 31%. Игнорировать вероятности такого рода — все равно что применять смехотворную стратегию «пригнись и спрячься» для предотвращения последствий ядерных взрывов во время холодной войны.

Поэтому именно самые осведомленные специалисты в области ИИ активно выступают за базовый доход. В конце 2015 года во время панельной дискуссии в Университете Сингулярности выдающийся специалист по обработке данных Джереми Ховард сказал: «Вы хотите, чтобы половина людей на планете голодала просто потому, что они буквально не могут привнести экономическую ценность или нет? Если ваш ответ „нет“, то наиболее разумным способом распределения богатства будет введение всеобщего базового дохода».

Пионер в области ИИ и директор Центра теоретической нейробиологии Крис Элайсмит в интервью Futurism предупреждает о влиянии ИИ на общество: «ИИ уже влияет на нашу экономику… Я предполагаю, что все большее число стран последует примеру Финляндии во введении гарантированного базового дохода для людей».

Моше Варди выразил ту же мысль по поводу распространения умных машин на ежегодном собрании Американской ассоциации содействия развитию науки в 2016 году: «Нам нужно пересмотреть самую основу нашей экономической системы… Возможно, нам придется рассмотреть вопрос о введении гарантированного безусловного дохода».

Даже руководитель исследовательских работ Baidu и основатель проекта глубинного обучения «Google Brain» Эндрю Нг в ходе интервью со сцены на Саммите глубинного обучения высказал распространенное мнение, что безусловный доход должен быть «всерьез рассмотрен» правительствами, ссылаясь на «высокую вероятность того, что ИИ создаст массовое перемещение рабочей силы».

Когда создатели инструментов начинают задумываться о последствиях их использования, не стоит ли желающим использовать эти инструменты прислушаться с большим вниманием, особенно когда на карту поставлены жизни миллионов людей? Если и нет, то что тогда насчет нобелевского лауреата — экономиста, который соглашается со сторонниками гарантированного дохода?

Ни одна из стран пока не готова к переменам, которые нас ждут. Безучастное поведение рабочей силы ведет к социальной нестабильности, а недостаток потребителей в рамках потребительской экономики ведет к нестабильности экономической. Так давайте же спросим себя: какова цель тех технологий, что мы создаем? Какова цель машины, которая может сама везти нас, или искусственного интеллекта, который может выполнить 60% всей нашей работы? Позволить нам работать больше за еще меньшую плату? Или же позволить самим выбирать, как нам работать, и отказываться от любой зарплаты, которую мы считаем недостаточной, потому что мы уже получаем те деньги, которых лишены машины?

Какой важный урок можно извлечь в век, когда машины сами умеют учиться?

Я считаю, что это: работа — для машин, жизнь — для людей.

Текст написан на средства, полученные благодаря краудфандингу. Вы можете поддержать автора через Patreon.

Подпишись на Аппарат
Facebook
Вконтакте
E-mail дайджест