Текст книги "Вторая эра машин. Работа, прогресс и процветание в эпоху новейших технологий"

Ограничения роста, основанного на рекомбинации

Если подобная точка зрения (инновация – это прежде всего новая рекомбинация) верна, то у нас проблема: поскольку количество «кирпичиков» нарастает лавинообразно, нам все сложнее понять, какая из комбинаций окажется ценной. В своей статье «Рекомбинационный рост» (Recombinant Growth) экономист Мартин Вейцман предложил математическую модель новой теории роста, в которой «фиксированные факторы» экономики – машины, инструменты, лаборатории и так далее – со временем дополняются элементами знания, которые Вейцман называет «идеи-зерна» (seed ideas). А объем самого знания увеличивается по мере того, как уже существующие «зерна» рекомбинируются по-новому.[133]133
  Martin L. Weitzman, “Recombinant Growth”, Quarterly Journal of Economics 113, no. 2 (1998): стр. 331–360.


[Закрыть] Это вполне внятное изложение концепции «инновации – это кирпичики», согласно которой и элементы знания, и идеи-зерна могут со временем комбинироваться и рекомбинироваться.

Эта модель демонстрирует потрясающий результат: поскольку комбинаторные возможности возникают и развиваются крайне быстро, вскоре у нас появится практически неограниченное количество потенциально ценных новых рекомбинаций существующих элементов знания.[134]134
  Стоит помнить, что, даже если количество идей-зерен в экономике равно всего 52, количество их потенциальных комбинаций больше числа атомов в Солнечной системе.


[Закрыть] Соответственно, рост экономики будет зависеть лишь от способности перебирать все эти потенциальные рекомбинации и находить по-настоящему ценные.

Вейцман пишет:

В таком мире экономическая жизнь могла бы все чаще сосредоточиваться на все более интенсивной обработке все большего количества новых идей-зерен и их превращения в работоспособные инновации… На ранних стадиях прогресса рост ограничивается недостаточным количеством потенциальных новых идей, но затем он зависит лишь от нашей способности их обработать.[135]135
  Там же, стр. 357.


[Закрыть]

Гордон задает провокационный вопрос: «Завершился ли рост?» Мы ответим на него от имени Вейцмана, Ромера и других теоретиков роста: «Ни в коем случае. Он всего лишь замедлился из-за нашей неспособности обрабатывать новые идеи достаточно быстро».

Для решения этой проблемы нужно больше глаз (и больше мощных компьютеров)

Если этот наш ответ хотя бы отчасти верен – если он хоть в какой-то степени объясняет, как работают инновации и экономический рост в реальном мире, – то лучший способ ускорить прогресс состоит в том, чтобы улучшить нашу способность тестировать новые комбинации идей. Один из путей решения этой задачи следующий: вовлечь в процесс тестирования как можно больше участников, ведь цифровые технологии прекрасно способствуют этому. Мы все связаны глобальными информационно-коммуникационными технологиями, и нам вполне доступны огромные массивы информации и значительные вычислительные мощности. Короче говоря, нынешняя цифровая среда представляет собой отличную площадку для широкомасштабной рекомбинации. Идеолог движения за программное обеспечение с открытым исходным кодом Эрик Рэймонд смотрит на дело с оптимизмом: «При достаточном количестве глаз баги выплывают на поверхность».[136]136
  Eric Raymond, “The Cathedral and the Bazaar”, 11 сентября 2000 г., http://www.catb.org/esr/writings/homesteading/cathedral-bazaar/.


[Закрыть] Если приложить эту формулу к инновациям, получится: «При достаточном количестве глаз мы найдем больше сильных комбинаций».

Специалисты NASA стали свидетелями этого эффекта, когда пытались улучшить качество прогнозов о солнечных вспышках (взрывных выбросах энергии в атмосфере нашей звезды). В данном случае важно, чтобы прогноз был и точным, и своевременным, поскольку всплески солнечной активности способны повысить уровень радиации до опасного для незащищенной техники и людей в космосе. Несмотря на 35 лет исследований и массу собранных данных, НАСА признавала, что у нее по-прежнему «нет метода для прогнозирования точного места, интенсивности или продолжительности вспышки».[137]137
  “NASA Announces Winners of Space Life Sciences Open Innovation Competition”, NASA – Johnson Space Center – Johnson News, http://www.nasa.gov/centers/johnson/news/releases/2010/J10–017.html (по состоянию на 29 июня 2013 г.).


[Закрыть]

В конце концов агентство опубликовало собранные данные и описание проблемы прогнозирования на сайте краудсорсинговой компании InnoCentive, которая привлекает всех желающих к решению сложных научных задач. Принцип работы InnoCentive крайне демократичный; для того чтобы принять участие в изучении той или иной проблемы, скачать с сайта какие-либо данные или, наоборот, выгрузить на него свое решение, вам совершенно не обязательно иметь научную степень или быть сотрудником какой-либо лаборатории. Каждый может заниматься задачами в любой области; к примеру, физикам ничто не мешает погрузиться в проблемы биологии.

Оказалось, что человек, достаточно проницательный и достаточно знающий для того, чтобы улучшить прогнозы солнечной активности, вовсе не принадлежал к астрофизическому сообществу. Его звали Брюс Крейгин, он был радиоинженером на пенсии и жил в небольшом городке в Нью-Гемпшире. «Хотя я почти не занимался физикой Солнца как таковой, – рассказал Крейгин, – я много размышлял о теории магнитного перезамыкания».[138]138
  Steven Domeck, “NASA Challenge Pavilion Results”, 2011, http://www.nasa.gov/pdf/651444main_Innocentive %20nASA %20challenge %20results %20coecI_D 1_0915 %20to %200955.pdf.


[Закрыть] Эта теория в данном случае явно оказалась уместной, поскольку решение Крейгина позволило прогнозировать вспышки за восемь часов с точностью 85 %, и за 24 часа – с точностью 75 %. Рекомбинация теории и данных, найденная этим ученым-любителем, была вознаграждена премией космического агентства в размере 30 000 долларов.

В последние годы многие организации приняли на вооружение стратегию NASA: использовать технологии, чтобы поделиться с людьми своими проблемами и привлечь «достаточное количество глаз» к их решению. Этот подход называется по-разному, например «открытыми инновациями» или «краудсорсингом», и может оказаться очень эффективным. Исследователи инноваций Ларс Бо Йеппенсен и Карим Лакхани изучили 166 научных проблем, опубликованных на InnoCentive, – все они поставили в тупик организации, которые пытались их решить. Исследователи обнаружили, что пользователи InnoCentive смогли решить 49 задачи, то есть добиться почти 30-процентного успеха. Также выяснилось, что люди, опыт которых лежал довольно далеко от области, в которой возникла проблема, гораздо чаще предлагали успешные решения. Иными словами, оказался полезным своего рода «маргинальный» опыт – то есть образование, знание и опыт в областях, связь которых с областью решаемой задачи была неочевидна. Йеппенсен и Лакхани приводят ряд живых примеров этого:

В одном случае несколько решений одной и той же научной задачи, связанной с идентификацией системы доставки пищевых полимеров, были предложены астрофизиком, владельцем небольшого агробизнеса, специалистом в области трансдермальной доставки лекарственных средств и ученым-технологом… Все четыре варианта позволяли успешно решить задачу, при этом использовались самые разные научные механизмы…

В другом случае сотрудники опытно-конструкторской лаборатории даже после консультаций с собственными и привлеченными специалистами не могли оценить токсикологическую важность определенной патологии, наблюдавшейся в ходе текущего исследования… В конце концов проблема была решена доктором наук в области кристаллографии белков, причем именно с помощью методов, принятых в этой специальности. Нужно отметить, что до этого она обычно не занималась вопросами токсикологии или решением проблем такого рода на регулярной основе.[139]139
  Lars Bo Jeppesen and Karim Lahkani, “Marginality and Problem Solving Effectiveness in Broadcast Search”, Organization Science20 (2013), http://dash.harvard.edu/bitstream/handle/1/3351241/Jeppesen_marginality.pdf?sequence=2.


[Закрыть]

Подобно InnoCentive, онлайн-стартап Kaggle также мобилизует «толпу» (crowd) – группу людей с совершенно разным опытом со всего мира, – чтобы работать над сложными проблемами, с которыми сталкиваются различные организации. Kaggle специализируется не на решении научных задач, а на проблемах, требующих обработки огромных массивов данных. Цель здесь состоит в том, чтобы улучшить качество прогнозов относительно базового уровня, уже достигнутого организацией. И здесь результаты замечательны в двух отношениях. Во-первых, этой цели обычно удается достичь. В одном случае страховая компания Allstate выложила набор данных по характеристикам автомобилей и попросила «толпу» Kaggle спрогнозировать, против каких из этих автомобилей будет подано больше исков о возмещении личной ответственности.[140]140
  “Predicting Liability for Injury from Car Accidents”, Kaggle, 2013, http://www.kaggle.com/solutions/casestudies/allstate.


[Закрыть] Исследование продолжалось примерно три месяца и привлекло более 100 участников. Прогноз-победитель оказался на 270 процентов лучше, чем базовый прогноз страховой компании.

Во-вторых, большинство конкурсов в рамках Kaggle выигрывают люди, маргинальные с точки зрения области обсуждения, – к примеру, лучшие прогнозы по заполняемости больниц делают участники, не имеющие опыта в области здравоохранения. То есть с этими людьми вряд ли кто-то стал бы советоваться в рамках традиционного поиска решений. В большинстве случаев эти безусловно способные и успешные исследователи данных приобрели свой опыт новыми, определенно цифровыми способами.

С февраля по сентябрь 2012 года в рамках Kaggle при поддержке Hewlett Foundation было проведено два конкурса на тему компьютерной оценки студенческих эссе.[141]141
  Прогресс в этой области очень важен, поскольку эссе (сочинение) позволяет гораздо более точно оценить степень усвоения материала, чем стандартный тест, где надо выбрать один из готовых вариантов ответа. С другой стороны, оценка сочинений более затратна, поскольку для этого пока что необходим человек. Автоматизация оценки могла бы и улучшить качество образования, и снизить затраты.


[Закрыть]

В процессе подготовки конкурса Kaggle и Hewlett привлекли множество экспертов в области образования, и накануне запуска многие из чувствовали себя весьма неуверенно.

Дело в том, что конкурсы должны были состоять из двух раундов. В первом раунде между собой соревновались одиннадцать известных и уважаемых компаний в области образовательного тестирования, а во втором – участники «толпы» Kaggle, профессиональные data scientists – «ученые в области данных» (индивидуально или в составе команд). Эксперты беспокоились как раз о том, что, по результатам второго раунда команда Kaggle окажется совершенно неконкурентоспособной. Каждая из 11 уважаемых компаний работала над системами автоматической оценки уже много времени и выделяла на решение этой задачи значительные ресурсы. Сотни человеко-лет накопленного опыта казались весомым преимуществом профессионалов перед кучкой любителей.

Но беспокоиться было не о чем. Многие из новичков, привлеченных к участию в соревновании, показали значительно более высокие результаты, чем профессионалы в области тестирования. Сюрпризы продолжились, когда в Kaggle решили посмотреть, кто же показал самые высокие результаты. Выяснилось, что первые три места и в первом, и во втором раунде первого конкурса заняли участники, не имевшие в прошлом значительного опыта ни в оценке эссе, ни в обработке естественного языка. А во втором конкурсе ни один человек из тройки победителей не имел никакого формального образования в сфере искусственного интеллекта, если не считать бесплатного онлайн-курса в этой области, который предлагает стэнфордский факультет искусственного интеллекта и который доступен для всех желающих в мире. Желающих оказалось много, и они явно многому научились. Трое победителей оказались из США, Словении и Сингапура.

Quirky, еще один интернет-стартап, приглашает к участию в обеих фазах вейцмановской рекомбинации – сначала генерирование новых идей, а затем их отбор. То есть этот проект использует потенциал «достаточного количества глаз» не только для создания инноваций, но и для их подготовки к выводу на рынок. Quirky принимает от участников идеи новых потребительских продуктов и проводит голосование по поводу этих идей. Участники могут вести исследования, предлагать улучшения, придумывать варианты названий и брендинга для продуктов, а также высказывать предложения по улучшению продаж. Quirky самостоятельно принимает окончательное решение относительно того, какие продукты выводить на рынок, и в дальнейшем управляет процессами проектирования, производства и дистрибуции. Стартап забирает себе 70 % всех доходов, полученных в результате работы на сайте, и распределяет остающиеся 30 % между теми участниками, кто принимал участие в разработке продукта; инноватор, предложивший изначальную идею, получает 42 % из этих тридцати, участники, помогавшие определить цену на продукт, делят между собой еще 10 %, те, кто работал над неймингом, – еще 5 %, и так далее. К осени 2012 года Quirky привлек свыше 90 миллионов долларов в виде венчурного финансирования и заключил соглашения о продаже своей продукции с несколькими крупными ритейлерами, в том числе Target и Bed Bath & Beyond. Один из самых успешных продуктов компании, гибкий электрический удлинитель Pivot Power, был продан в количестве 373 тысяч штук меньше чем за два года и принес группе своих разработчиков более 400 000 долларов.

Affinnova, еще одна молодая компания, поддерживающая рекомбинационные инновации, помогает своим клиентам в проведении второй из двух фаз Вейцмана – перебора всех возможных комбинаций строительных «кирпичиков» с тем, чтобы найти самые ценные. Это делается путем совмещения краудсорсинга с алгоритмами, уже удостоенными Нобелевской премии. Когда пивоваренная компания Carlsberg решила изменить форму бутылки и этикетку для бельгийского пива Grimbergen, одного из самых старых сортов, который до сих пор варится в одноименном аббатстве, она понимала, что действовать надо с максимальной осторожностью. Компания хотела обновить один из своих брендов, но при этом не повредить своей отличной репутации и не перечеркнуть 900 лет истории. Кроме того, в Carlsberg понимали, что редизайн предполагает наличие нескольких вариантов для каждого элемента бренда – формы бутылки, рельефного изображения на стекле, цвета и расположения этикетки, дизайна крышки и так далее, – а затем подбор оптимальной комбинации из этих вариантов. Но понятно, что, когда количество возможных комбинаций измеряется тысячами, найти «оптимальную» не так-то просто.

Стандартный подход к проблемам такого рода выглядит так. Дизайнерская команда создает несколько комбинаций, которые считает достаточно хорошими, а затем с помощью фокус-групп или других мелкомасштабных методов выбирает лучшую из них. Affinnova предлагает совершенно иной подход. Она использует математическое моделирование выбора – метод достаточно продвинутый для того, чтобы его интеллектуальный крестный отец, экономист Даниэль Макфадден, смог получить за его создание Нобелевскую премию. Моделирование выбора позволяет быстро выявлять предпочтения потребителей: нравится ли им больше коричневая бутылка с рельефным узором и небольшой этикеткой, или зеленая бутылка без рельефа и с этикеткой большего размера? Исследователи несколько раз предлагают испытуемым ограниченный набор вариантов и просят выбрать наиболее интересный. Affinnova предоставляет доступ к этим вариантам через Сеть, а после того как своими оценками поделятся несколько сот человек, компания может определить математически оптимальный набор вариантов (или, как минимум, приблизиться к нему). В случае с брендом Grimbergen новый дизайн бутылки, появившийся в результате этого процесса, явно основанного на рекомбинации, имел рейтинг одобрения в 3,5 раза выше, чем первоначальный.[142]142
  “Carlsberg Brewery harnesses Design Innovation Using Affinnova”, Affinnova, http://www.affinnova.com/success-story/carlsberg-breweries/ (по состоянию на 6 августа 2013 г.).


[Закрыть]

Приняв точку зрения новых теоретиков роста и сопоставив ее с тем, что мы видим в деятельности Waze, Inno-Centive, Kaggle, Quirky, Affinnova и множества других компаний, мы с большим оптимизмом оцениваем сегодняшний день и будущее инноваций. И нужно добавить, что достижения рекомбинационного метода не ограничиваются высокотехнологичным сектором – то есть они не только о том, чтобы сделать компьютеры и сети лучше и быстрее. Эти достижения помогают нам лучше водить наши машины (а скоро, может быть, и вовсе избавят нас от необходимости это делать), позволяют нам точнее прогнозировать вспышки на Солнце и решать задачи в области науки о питании и в токсикологии. Наконец, рекомбинация обеспечивает нас отличными удлинителями и бутылками. Эти и бесчисленное множество других инноваций будут лишь накапливаться со временем и помогать друг другу в развитии. В отличие от некоторых наших коллег, мы уверены в том, что инновационный процесс и рост производительности продолжатся и в будущем, причем в хорошем темпе. У нас имеется достаточное количество «кирпичиков», и они будут постоянно рекомбинироваться все более и более эффективным образом.

Глава 6. Искусственный и человеческий интеллект во второй эре машин

И вот я думаю об этих удивительных электронных машинах… которые усиливают и умножают нашу ментальную способность вычислять и комбинировать в такой степени, что это сулит нам невероятные прорывы.

Пьер Тейяр де Шарден

Предыдущие пять глав рассказывали об уникальных свойствах второй эры машин: устойчивом экспоненциальном улучшении большинства аспектов вычислительного процесса, гигантских объемах оцифрованной информации и инновациях, основанных на рекомбинации. Эти три силы стимулируют прорывы, которые превращают научную фантастику в повседневную реальность и превосходят все наши прогнозы и теории. Что еще более важно, конца этому процессу не видно.

Достижения, которые мы видели в последние несколько лет и которые описали выше – автомобили, которые управляют себой сами, полезные роботы-гуманоиды, системы распознавания и синтеза речи, 3D-принтеры, компьютеры, умеющие побеждать в игре Jeopardy! – это не самые примечательные достижения компьютерной эры. Можно сказать, что это – всего лишь разогрев. Продвигаясь все дальше во вторую эру машин, мы увидим все больше и больше таких чудес, и они будут поражать нас все сильнее.

Почему мы так в этом уверены? Дело в том, что силы, действующие во второй эре машин – экспоненциальные, цифровые и основанные на рекомбинации, – дали человечеству возможность изобрести, может быть, две самые важные вещи в новейшей истории. Это, во-первых, появление вполне работающего и пригодного к использованию искусственного интеллекта (artificial intelligence, AI), а во-вторых, объединение большинства жителей планеты с помощью глобальной цифровой сети.

Каждое из этих достижений способно фундаментальным образом изменить наши перспективы роста. Вместе они становятся важнейшим событием со времен промышленной революции, которая навсегда изменила принципы физического труда.

Думающие машины. Есть в наличии

Машины, способные решать когнитивные задачи, намного более важны, чем машины, которые занимаются физическим трудом. И теперь, благодаря современному искусственному интеллекту, они у нас есть. Наши компьютеры смогли преодолеть прежние узкие пределы возможного и стали демонстрировать обширные способности в распознавании закономерностей, комплексной коммуникации и в других областях, которые в прежние времена были исключительным уделом человека.

Кроме того, недавно появилось немало примеров значительного прогресса в обработке естественного языка, машинном обучении (то есть способности компьютера автоматически совершенствовать своим методы и улучшать результаты по мере поступления дополнительных данных), компьютерном зрении и SLAM (процессе одновременной локализации и картографирования).

Мы будем сталкиваться с искусственным интеллектом (далее – AI) все чаще и чаще, и в ходе этого процесса издержки будут постоянно снижаться, а результаты – становиться все лучше, как и качество нашей жизни в целом. Совсем скоро бесчисленные элементы AI будут работать от нашего имени, причем зачастую в фоновом режиме. Они будут помогать нам в решении множества задач, от самых тривиальных до самых важных, способных изменить всю нашу жизнь. К простым примерам использования AI можно отнести распознавание лиц наших друзей на фотографиях и рекомендации тех или иных товаров. Более сложные системы управляют автомобилями на дорогах и роботами на складах, а также помогают сопоставить рабочие места и кандидатов на эти вакансии. Однако все эти замечательные достижения меркнут в сравнении с мощным потенциалом AI, который со временем сможет полностью нашу жизнь.

Возьмем пример из недавнего прошлого. Инноваторы из израильской компании OrCam объединили небольшой, но мощный компьютер с цифровыми сенсорами и снабдили этот гибрид великолепными алгоритмами; в результате получилось устройство, которое может имитировать некоторые зрительные функции для тех, кто частично или полностью лишен зрения (численность таких людей превышает 20 миллионов в одних только США). Пользователь системы OrCam, представленной на рынке в 2013 году, надевает на свои очки комбинацию крошечной цифровой камеры и динамика, который передает звуковые волны через кости черепа.[143]143
  John Markoff, “Israeli Start-Up Gives Visually Impaired a Way to Read”, New York Times, 3 июня 2013 г., http://www.nytimes.com/2013/06/04/science/israeli-start-upgives-visually-impaired-a-way-to-read.html.


[Закрыть] Когда человек подносит палец к какому-либо тексту – рекламному объявлению, упаковке еды или газетной статье компьютер мгновенно анализирует изображение, переданное камерой, а затем зачитывает пользователю текст через динамик.

Распознавание текста «в естественных условиях» – то есть со множеством шрифтов разного размера, с самыми разными поверхностями, на которых он может быть написан, и при разном освещении – исторически считалось одной из областей, в которых человек превосходит самые развитые компьютеры и программы. OrCam и подобные инновации показывают, что сегодня это уже не совсем так и что технологии сделали целый ряд серьезных шагов вперед. Это изобретение поможет миллионам людей жить более полноценной жизнью. Устройство OrCam стоит около 2500 долларов – это примерно стоимость хорошего слухового аппарата, – и очевидно, что со временем цена упадет.

Также цифровые технологии помогают в восстановлении слуха благодаря кохлеарным имплантатам. Возможно, они смогут также вернуть зрение людям, у которых оно полностью отсутствует; не так давно Управление по санитарному надзору за качеством пищевых продуктов и медикаментов (FDA) одобрило имплантат первого поколения для сетчатки глаза.[144]144
  “Press Announcements – FDA Approves First Retinal Implant for Adults with Rare Genetic Eye Disease”, WebContent, 14 февраля 2013 г., http://www.fda.gov/newsevents/newsroom/PressAnnouncements/ucm339824.htm.


[Закрыть] Возможности AI приближают решение проблем парализованных людей, поскольку в наши дни инвалидные кресла уже можно контролировать силой мысли.[145]145
  “Wheelchair Makes the Most of Brain Control”, MIT Technology Review, 13 сентября 2010 г., http://www.technologyreview.com/news/420756/wheelchair-makesthe-most-of-brain-control/.


[Закрыть] Говоря объективно, эти новинки уже похожи на чудо – но это лишь начало.

AI позволит не только повысить уровень жизни, но и спасти ее. К примеру, после победы в Jeopardy! суперкомпьютер Watson, образно говоря, поступил в медицинское училище. Иными словами, IBM применяет те же технологии, которые позволили Watson правильно отвечать на сложные вопросы, чтобы помочь врачам в более точной диагностике пациентов. Вместо изучения множества томов, содержащих самые разные общие знания, суперкомпьютер теперь сконцентрировался на самых качественных медицинских публикациях в мире: он сопоставляет усвоенную информацию с симптомами пациентов, другими диагнозами и результатами анализов, после чего формулирует текущий диагноз и составляет план лечения. Огромные объемы информации, с которыми имеет дело современная медицина, делают способности суперкомпьютера особенно ценными. По расчетам IBM, врачу сегодня потребовалось бы читать не менее 160 часов в неделю, чтобы успеть познакомиться со всей новой и релевантной профессиональной литературой.[146]146
  “IBM Watson helps Fight Cancer with Evidence-based Diagnosis and Treatment Suggestions”, Memorial Sloan-Kettering Cancer Center, январь 2013 г., http://www-03.ibm.com/innovation/us/watson/pdf/mSk_case_Study_Imc14794.pdf.


[Закрыть] IBM и ее партнеры, включая Мемориальный онкологический центр Слоан-Кеттеринг и Кливлендскую клинику, совместно работают над созданием «доктора Ватсона». Организации, участвующие в проекте, осторожно уточняют, что технологии AI призваны дополнить опыт и суждения врача-человека, а не заменить их. Тем не менее не исключено, что в один прекрасный день «доктор Ватсон» сможет стать лучшим диагностом в мире.

Мы уже сегодня видим, как AI помогает ставить диагнозы в некоторых областях медицины. Команда под руководством патологоанатома Эндрю Бека разработала систему C-Path (computational pathologist, «вычисляющий патолог»), которая умеет автоматически диагностировать рак груди и прогнозировать развитие болезни, изучая изображения тканей, то есть делает то же, что врач-патолог.[147]147
  David L. Rimm, “C-Path: A Watson-like Visit to the Pathology lab”, Science Translational Medicine 3, no. 108 (2011): 108fs8–108fs8.


[Закрыть] Начиная с 1920-х годов врачей учат распознавать определенный, один и тот же, небольшой набор признаков, характерных для раковых клеток.[148]148
  Andrew H. Beck et al., “Systematic Analysis of Breast Cancer Morphology Uncovers Stromal Features Associated with Survival”, Science Translational Medicine3, no. 108 (2011): 108ra113–108ra113, doi:10.1126/scitranslmed.3002564.


[Закрыть] Команда C-Path, напротив, заставила свою программу взглянуть на изображения по-новому – без каких-либо заложенных предубеждений относительно того, какие именно черты ассоциируются с раком и каков должен быть прогноз в отношении конкретного пациента. Программа не только продемонстрировала уровень точности, по меньшей мере не уступающий уровню опытного врача, но и смогла выявить три особенности раковых тканей груди, которые оказались отличными предикторами уровня излечимости. Патологов такому не учат.

По мере своего дальнейшего развития искусственный интеллект может создать нам определенные проблемы, которые мы обсудим в заключении к этой книге. Однако в фундаментальном смысле разработка мыслящих машин – это позитивное движение вперед.