Текст книги "Искусственный интеллект"

За неделю до этого посредством тестового заезда определили очередность. Первым был Boss, автомобиль Университета Карнеги – Меллона, который сочли наиболее перспективным. За ним через определенные промежутки времени должны были следовать остальные машины-роботы участников и за ними автомобили, управляемые людьми. Команда Boss на линии старта была готова – но не сам Boss. Не работала GPS. Нарастала суета. Пока стартовали другие участники, члены команды Университета Карнеги толпились у машины. Наконец источник неполадки был найден: радиопомехи от большого телеэкрана, находившегося рядом со стартом. Экран создавал помехи сигналам GPS. Кто-то выключил его.

Boss стартовал десятым, 20 минутами позже автомобиля, разработанного стэнфордской командой. Это не было скоростной гонкой: путь в 88 км Boss намеревался проделать на скорости 22 км/ч. «Boss держался отлично, – говорил Крис Урмсон, директор команды. – Все шло ровно. Он двигался быстро. Он хорошо взаимодействовал с потоком. Делал то, что требовалось».

Boss приехал первым, команда Стэнфорда заняла второе место спустя 20 минут. «Малыш Бен» финишировал не на призовом месте, команды Корнелла и МТИ финишировали, не уложившись в шестичасовой регламент гонки. Стало очевидно, что в разработке робототехнических транспортных средств лидируют Питтсбург и Пало-Альто.

Подход пенсильванской команды разительно отличался от тактики команды Стэнфорда или Университета Карнеги – Меллона. Он основывался на знаниях. Команда пыталась создать машину, которая бы смогла решать, что делать на дороге, опираясь на запрограммированный «опыт». И такой подход был одним из двух основных в разработке ИИ. Гоночная команда Университета им. Бена Франклина опиралась на подход общего ИИ. Он не сработал.

«Малыш Бен» старался «увидеть» препятствия глазами человека. За распознавание объектов отвечал LIDAR, лазерный радар, установленный на крыше. Затем «мозг» идентифицировал объект, основываясь на критериях: форма, цвет и размер. Следом, используя метод древа принятия решений, предстояло выбрать, что делать: замедлиться, если это живое существо вроде человека или собаки, или, если это живое существо – птица, то можно продолжить движение, поскольку она, скорее всего, улетит. «Малышу Бену» нужно было хранить огромное количество информации об объектах реального мира. Например, о дорожном конусе. В стоячем положении их легко различать по треугольной форме и квадратной основе. Обычно они не больше метра высотой. Мы можем написать примерное правило:

identify object:

IF object.color = orange AND object.shape = triangular_with_square_base

THEN object = traffic_cone;

IF object.identifier = traffic_cone

THEN intitiate_avoid_sequence

Но что если дорожный конус лежит на боку? Я живу на Манхэттене и вижу, как их постоянно задевают. Я видела, как улицы перекрывают конусами и как люди выходят из машины, переставляют конус и едут дальше. Значит, правило нужно немного поправить. Попробуем вот это:

identify object:

ЕСЛИ object.color = orange И object.shape is like triangular_with_square_base.rotated_in_3D

ТОГДА object = traffic_cone;

ЕСЛИ object.identifier = traffic_cone

ТОГДА intitiate_avoid_sequence

А вот здесь мы сталкиваемся с разницей между человеческим мышлением и алгоритмами. Наш мозг может представить, как в пространстве вращается конус. Вы можете представить в своей голове конус, когда я о нем говорю. И, если я попрошу вас представить «перевернутый конус», вы наверняка справитесь и даже сможете представить, как он вращается. Разработчики тоже владеют пространственным мышлением и успешно справляются с этой задачей. Есть один занятный математический тест: детям показывают нарисованную трехмерную фигуру, затем демонстрируют картинки других фигур и просят выбрать, на какой из них изображена та же фигура, только в другом ракурсе.

У компьютера нет воображения. Поэтому, чтобы просто «повернуть объект», ему требуется произвести рендеринг трехмерной модели или – в крайнем случае – построить векторную карту. И программисту приходится писать код с учетом трехмерного пространства. Но – не в пример человеческому мозгу – компьютер неплохо справляется с угадыванием. Объект либо находится в списке известных ему, либо нет.

Когда я сидела за рулем «Малыша Бена», он делал две вещи: ездил кругами и не справился с объездом препятствия. Когда прошел шок, я начала размышлять, почему он не смог объехать препятствие. Это был столб. «Малышу Бену» нужно было правило вроде «if obstacle.exists_in_path and obstacle.type=stationary, obstacle.avoid». Однако, видимо, правило не сработало, поскольку не все объекты остались статичными. Человек может появиться, постоять немного и двинуться дальше. Тогда правило выглядело бы так: «if obstacle.exists_in_path and obstacle.type = stationary, AND obstacle.is_not_person, avoid». Но и это бы тоже не сработало: теперь нужно пояснить, чем человек отличается от колонны, и, значит, мы вернулись к проблеме классификации объектов. Если колонну можно распознать как таковую, тогда нужно написать правило отдельно для людей, отдельно для колонн. Однако мы не знаем, действительно ли там колонна, пока не увидим ее или хотя бы не распознаем объект, – поэтому я чуть не умерла в машине, которая чуть не столкнулась с огромным столбом.

Разум – вот ключевая проблема. А поскольку не существует способа запрограммировать теорию мышления, машина никогда сможет реагировать на препятствия так же, как человек. Компьютер «знает» только то, что ему «сказали». Без разума, когнитивной возможности прогнозировать будущее, невозможно за долю секунды решить, что светофор представляет собой препятствие, и принять соответствующие меры.

В рамках разработки ИИ проблема разума была центральной с самого момента основания дисциплины. В конечном итоге Минский назвал ее сложнейшей задачей. Возможно, именно поэтому в Стэнфорде и Карнеги даже не пытаются пользоваться этим подходом. Они избрали радикально противоположный путь решения проблемы объезда препятствий. Подход слабого ИИ исключительно механистичен и опирается на набор неоправданно эффективных данных. И этот подход сработал лучше, чем ожидалось. Мне нравится думать об этом как о задаче робота Карела.

В 1981 г. профессор Стэнфорда Ричард Паттис представил учебный язык программирования под названием Karel the Robot[103]103
  “Karel the Robot.”


[Закрыть]. Карел – в честь Карела Чапека, изобретателя слова «робот». Карел не был настоящий роботом, а представлял собой стрелку в разлинованном на клетки квадрате, все это было нарисовано на листе бумаги. Студенты представляли, что стрелка и есть робот, – так они изучали основы программирования. В квадрате был один или несколько выходов. Карел мог двигаться по клеточкам подобно пешке в шахматах. Задача состояла в том, чтобы помочь Карелу выбраться из коробки. Это вводное упражнение, выполняемое при помощи бумаги и ручки, годами было первым заданием на курсах программирования в МТИ, Гарварде, Стэнфорде и других технологических центрах. Профессор рисовал квадратик. В нем было несколько препятствий. Наша задача состояла в том, чтобы написать команды для Карела и вытащить его из заточения, миновав все препятствия. Не то чтобы это было весело, но не так скучно, как математика и другие дисциплины, на которые я ходила на первом курсе. Вот как выглядит типовое упражнение (рис. 8.1). А вот и инструкция к этой загадке: «Каждое утро Карел просыпается в своей кровати, когда газета оказывается на крыльце его дома. Запрограммируйте Карела так, чтобы он забрал газету и вернулся в постель. Газету кидают каждое утро на одно и то же место, а окружающий мир, в том числе кровать, расположены так, как показано на рисунке». Стрелка – это Карел; предполагается, что он находится в постели, отправной точке задачи. Чтобы добраться до газеты, ему нужно повернуть на 90° на север, пройти две клеточки в этом направлении, затем две клеточки на запад и так далее, до тех пор, пока он не достигнет цели.

Решение кроется в том, что нам заранее известны препятствия и мы помогаем Карелу обойти их. Программист видит сетку, которая одновременно является картой мира Карела. Эта сетка хранится в памяти Карела, он как бы ее «представляет». Именно таким подходом воспользовалась команда Университета Карнеги – Меллона, чтобы построить свою беспилотную машину. При помощи лазерного радара, камер и сенсоров генерировалась трехмерная карта окружающего пространства. В ней не было «объектов», подлежащих «распознаванию», скорее, в ней были зоны, где можно и нельзя передвигаться, которые система идентифицировала при помощи машинного обучения. Объекты вроде машин представали в виде трехмерных шаров. Последние были препятствиями, подобно тем, что мы видели в задаче с роботом Карелом.

Это превосходное решение, поскольку оно позволяет резко сократить количество переменных, которые Boss или Junior необходимо учитывать. «Малышу Бену» приходилось идентифицировать все объекты в поле зрения – дороги, пешеходов, здания и дорожные конусы – и затем прогнозировать, где объект окажется в ближайшем будущем. Таким образом, каждое предположение требовало решения сложных уравнений. Boss и Junior не нужно было этого делать, в них уже была загружена трехмерная карта местности и дорога, по которой следует проехать, а при помощи машинного обучения они определяли, по каким конкретно частям карты можно ехать, а по каким – нет. Подход, примененный при разработке Boss и Junior, – это слабый ИИ, опирающийся на технологии качественного картирования.

Машина самостоятельно двигалась согласно созданной ею же карте местности. По сути, у нее была своя сетка, как у Карела. Системе оставалось лишь объезжать препятствия. Если в изначальной карте не было дорожного конуса, он учитывался постфактум. Если же он был, то распознавался как статичный объект и вычислялся заранее – это избавляло процессор от идентификации объекта во время движения.

У команды Университета Карнеги было преимущество, поскольку к тому моменту она уже годами работала над управляемыми компьютером транспортными средствами. В 1989 г. они запустили ALVINN – первый беспилотный фургон[104]104
  Pomerleau, “ALVINN, an Autonomous Land Vehicle in a Neural Network”; Hawkins, “Meet ALVINN, the Self-Driving Car from 1989.”


[Закрыть]. Это был поистине удачный период. Оказалось, что основатель Google Ларри Пейдж заинтересован в цифровом картировании. Он установил кучу камер на грузовике и проехал по Маунтин-Вью в Калифорнии, снимая окружающий ландшафт и параллельно пересчитывая изображения в базу данных карты. Впоследствии Google реализовал проект под названием Google Street View. Идеи Пейджа отлично сочетались с технологиями, не так давно разработанными уже упомянутым Себастианом Траном, профессором Университета Карнеги – Меллона, задействованным в команде DARPA Challenge. Вместе со студентами он разработал программу, соединяющую фотографии в карты, затем перешел в Стэнфорд. Google купил эту технологию и на ее основе создал Google Street View.

В это время развивалось и графическое аппаратное обеспечение. Видео и трехмерная графика занимают огромное количество памяти. Согласно закону Мура, количество транзисторов, размещаемых на кристалле интегральной схемы, удваивается каждый второй год, умножая таким образом производительность процессоров и понижая стоимость компьютерной памяти. В 2005 г. компьютерная память значительно подешевела и стала настолько доступной, что можно было создать трехмерную карту целого города и хранить ее буквально на борту машины. Дешевая память в корне поменяла ситуацию.

Тран вместе с некоторыми другими успешными разработчиками беспилотных автомобилей поняли, что реплицировать процессы человеческого восприятия и принятия решений чертовски сложно и невозможно на данном этапе. И потому они решили оставить этот путь. Когда говорят о такого рода инновациях, обычно вспоминают братьев Райт. До них люди думали, что для того, чтобы заставить машину летать, нужно повторять движения птиц. Братья Райт осознали, что для полета не нужно махать крыльями – достаточно парить.

Разработчики беспилотных транспортных средств поняли, что можно сделать машину без разума – уметь передвигаться по сетке-карте будет достаточно. В итоге у них получилась невероятно сложная машина с удаленным управлением, которой не нужно быть разумной или знать правила дорожного движения. Вместо этого используются статистические оценки и неоправданная эффективность данных. Это – уловка, невероятно сложная, классная, она работает в разных ситуациях, но все же это уловка. Она напомнила мне о видеоиграх. Вместо того чтобы создавать машину, способную передвигаться в мире подобно человеку, разработчики придумали превратить мир в видеоигру, в которой машина сможет передвигаться.

Статистический подход превращает все в данные и проводит оценку вероятности. Объекты реального мира трансформируются в геометрические формы, с определенной скоростью движущиеся в определенном направлении по сетке. Компьютер оценивает вероятность того, что объект продолжит движение по траектории, и прогнозирует момент пересечения с собственной траекторией. Машина останавливается или замедляется в случае, если траектории пересекаются. Превосходное решение, в результате которого получаются приблизительно корректные результаты, но на основе ошибочных предпосылок.

Очевидна разница с тем, как работает мозг. Вот цитата из журнала Atlantic за 2017 г.: «Сегодня наш мозг ежесекундно получает до 11 млн единиц информации; и, поскольку мы можем обработать лишь 40 % этого объема, остальное находится в вотчине бессознательного, которое при помощи предубеждений, стереотипов и шаблонов фильтрует шум»[105]105
  Mundy, “Why Is Silicon Valley So Awful to Women?”


[Закрыть].

Как вы относитесь к тому, что автономность машин зависит от наших собственных представлений о сущности ИИ? Много людей, подобно Минскому и другим, хотят верить в то, что компьютер способен мыслить. «Этой мечте об ИИ уже больше 60 лет, – сказал Деннис Мортенсен, основатель и исполнительный директор CEO, в апреле 2016 г. журналисту из Slate. – Каждый раз мы думали, что в итоге получится некая сущность, подобная человеку, с которой можно было бы беседовать, как сейчас [беседуем] мы с вами. Однако это пока остается лишь фантазией. Сомневаюсь, что она станет явью на моем веку или на веку моих детей»[106]106
  Oremus, “Terrifyingly Convenient.”


[Закрыть].

Мортенсен сказал, что пока возможен лишь «узкоспециализированный ИИ, способный выполнять – на достойном уровне – лишь одну задачу».

Это, конечно, здорово, но вождение – далеко не одна задача, но процесс параллельного выполнения нескольких задач. Подход к разработке беспилотных машин на основе машинного обучения хорошо справляется с типовыми задачами в рамках одной символьной системы. Не очень забавно управлять двухтонной машиной-убийцей на улицах города, кишащего исключительно малопредсказуемыми толпами людей.

После Grand Challenge 2007 г. DARPA ушли от концепции беспилотных автомобилей, поскольку их стратегия финансирования больше не включает автономные транспортные средства. «Жизнь непредсказуема по определению. Для программиста будет непосильной задачей учесть каждую проблему или неожиданную ситуацию, которая может возникнуть, поскольку системы машинного обучения достаточно чувствительны к нарушениям шаблонов из-за того, что в реальном мире сталкиваются с нерегулярностью и непредсказуемостью, – прокомментировала в 2017 г. программный менеджер программы «Машины непрерывного обучения» DARPA Хава Сигельман. – Сегодня, если вы хотите развить способности систем машинного обучения и научить их выполнять новые задачи, то придется выключить их и вновь провести обучение на релевантных для конкретной ситуации данных. Пока этот подход попросту не поддается масштабированию»[107]107
  DARPA Public Affairs, “Toward Machines That Improve with Experience.”


[Закрыть].

Тем не менее мечта продолжает жить – в коммерческой сфере. Сегодня решения относительно правил для беспилотных транспортных средств в США лежат на плечах штатов. Невада, Калифорния и Пенсильвания пока лидируют, остальные штаты только начали задумываться о позволении некоторого уровня автономности вождения.

Тот факт, что последнее слово остается за штатом, представляет серьезную проблему. Все потому, что разработка программного обеспечения под 50 разных стандартов – предприятие практически невозможное. Программисты предпочитают один раз написать программу, а затем многократно ее использовать. Учитывая 50 штатов плюс Вашингтон и другие территории США, где свои правила дорожного движения и стандарты для автономных устройств, программистам придется перепрограммировать движение для каждого из них. В конце концов мы вскоре столкнемся с такой же странной и бестолковой ситуацией, как со школьными учебниками. Права каждого штата важны для американской демократии, но с точки зрения программирования они – монстры, с которыми придется бороться. Программисты даже не любят набирать текст на клавиатуре; сложно представить в них настолько мощную тягу к подробностям, что они добровольно пойдут навстречу правилам дорожного движения 50 штатов и затем будут обсуждать особенности разработки с каждым покупателем автономной машины в каждом штате.

Когда мы говорим о беспилотных автомобилях, вновь всплывают проблемы коммуникации. Чтобы наладить обсуждение, Национальное управление по безопасности движения автотранспорта (NHTSA) разработало комплексное определение феномена. Долгое время программисты и менеджеры использовали словосочетание «автономные машины», не конкретизируя, что именно они имеют в виду. Повторюсь: словосочетание, понятное в обычной жизни, бессмысленно в политике. Чтобы достигнуть консенсуса в спорах Дикого Запада о сущности автономных машин, NHTSA опубликовало список категорий таких устройств. Федеральная политика беспилотных транспортных средств от 2016 г. гласит следующее:

Для каждого из уровней автоматизации существовали собственные определения, в связи с этим требовалась стандартизация, позволяющая внести ясность и системность. В данной Политике используются определения уровней автоматизации, принятые Международным сообществом автомобильных инженеров (SAE) и основанные на принципе «кто, что и когда делает».

В целом:

● SAE Level 0, водитель-человек делает все самостоятельно;

● SAE Level 1, автоматизированная система транспортного средства может периодически помогать водителю выполнять некоторые маневры;

● SAE Level 2, автоматизированная система транспортного средства может полностью проводить некоторые маневры под контролем человека, следящего за внешней обстановкой и обеспечивающего остальные задачи управления транспортным средством;

● SAE Level 3, автоматизированная система способна проводить некоторые маневры и в некоторых случаях следить за внешней обстановкой, однако человек должен быть готов в любой момент взять управление на себя при запросе системы;

● SAE Level 4, в некоторых случаях и при определенных условиях автоматизированная система способна выполнять водительские задачи и следить за внешней обстановкой, у человека нет необходимости брать на себя управление;

● SAE Level 5, автоматизированная система может выполнять все водительские задачи при любых условиях так, как если бы их выполнял человек[108]108
  National Highway Traffic Safety Administration and US Department of Transportation, “Federal Automated Vehicles Policy.”


[Закрыть].

Эти стандарты переделывали как минимум один раз, может, два, пока я писала книгу – что вновь напоминает нам о постоянно меняющихся школьных стандартах. На уровнях 3 и 4 системам необходимо считывать окружающую среду посредством сложных и дорогих сенсоров: в основном LIDAR, GPS, IMU и камер. Данные, получаемые от них, затем переводятся в двоичный код, обрабатываемый тем же аппаратным оснащением, которое использовалось для «слоя», как в случае с сэндвичем с индейкой из главы 2, и которым разработчики Пенсильванского университета напичкали кузов «Малыша Бена». Для выполнения водительских функций каждый уровень требует все более высокой вычислительной мощности, отвечающей количеству поступающих данных. Пока еще никому не удалось создать подобные аппаратное и программное решения, которые гарантировали бы безопасную езду в любой местности и при любой погоде. «На данный момент на рынке нет транспортных средств выше 2-го уровня автономности», – писал Юнко Йошида в статье об ультрасовременных компьютерных чипах для транспортных средств в октябре 2017 г.[109]109
  См.: Yoshida, “Nvidia Outpaces Intel in Robo-Car Race.” Yoshida may be referring to a different standards document, in which Level 2 is equivalent to the Level 3 quoted here. Again: language and standards matter a great deal in engineering.


[Закрыть] Уровень 5 не существует для обычных условий вождения и, вероятно, никогда не будет существовать.

За последние годы развились технологии помощи водителю, они и составляют большую часть разработок беспилотных транспортных средств. Так, на уровнях 0–2 можно найти ряд весьма полезных инноваций. Людям действительно нравится, что машины могут парковаться параллельно, хотя бесконечная отработка геометрических вычислений – ужасное применение новейших технологий.

Большинство исследований из области разработки беспилотных машин, равно как некоторые тренировочные данные, можно найти на платформе arXiv и других исследовательских репозиториях. Есть пакет тренировочных данных на GitHub, и открытый код – тот, что используют в рамках соревнования по проектированию беспилотных автомобилей, – можно найти на Udacity[110]110
  Liu et al., “CAAD: Computer Architecture for Autonomous Driving”; Thrun, “Making Cars Drive Themselves”; Thrun, “Winning the DARPA Grand Challenge.”


[Закрыть] (последнее детище Трана). Я взглянула на массив графических данных, в нем было меньше информации, чем я полагала. Основной изъян заключается в том, что там нет встроенной погрешности и алгоритмы не способны предсказать, что именно не включено. Как в случае с данными «Титаника», невозможно предсказать закономерность прыжков с тонущего корабля после того, как уплыли все спасательные шлюпки.

В реальной жизни странные вещи случаются постоянно. Крис Урмсон, бывший руководитель Waymo, выпускник Университета Карнеги – Меллона и один из победителей Grand Challenge, выложил на YouTube видео с самыми странными событиями, которые удалось заснять его машинам-прототипам, годами разъезжавшим в окрестностях Маунтин-Вью и собиравшим данные. Он не мог скрыть смех, показывая кадры с детьми, прыгающими как лягушки на шоссе, или женщиной в электрическом кресле-каталке, гоняющейся за уткой посреди дороги. Все это не так часто, но все же случается. У людей есть разум, они могут адаптироваться к странностям. У компьютеров его нет, они – не могут.

Каждый в состоянии вспомнить разные странные вещи, увиденные из окна автомобиля. Лично мое самое странное воспоминание связано с животным. Мы с подругой Сарой ехали по ветреным горным дорогам Вермонта, чтобы посмотреть водопад. Мы повернули за уступ, и вдруг откуда ни возьмись посреди дороги – огромный лось. Я ударила по тормозам, сердце бешено билось в груди. Позже я задумалась, как бы с этим справился беспилотный автомобиль. На YouTube я нашла несколько любительских видео людей, игравших с системами помощи водителю. И все они были сделаны мужчинами, хваставшимися своими крутыми тачками. Все они веселились. «Система погружает тебя в ощущение безопасности», – поделился ощущениями в одном из видео автор журналист Wired по итогам поездки по пустому шоссе Невады. Он хвастался тем, что практически не было необходимости помогать системе Tesla Autopilot. Несмотря на то что по правилам водитель должен был держать обе руки на руле, он держал руль одной рукой или вообще убирал руки. Он также показал несколько пасхалок, оставленных программистами в теле кода. Он кликнул шесть раз по кнопке на рулевом колесе, дисплей переменился и стал показывать радужную дорогу из игры «Марио Карт». Вторая пасхалка заключалась в том, что дисплей издал звуки в духе «больше колокольчиков», отсылающем к скетчу телеканала Saturday Night Live[111]111
  Скетч можно найти на YouTube, набрав в поиске More Cowbell – SNL. – Прим. ред.


[Закрыть].

Я посмотрела несколько промороликов Waymo. В одном из них голос за кадром утверждал, что технологии компании способны «видеть» вокруг на 360° и на два футбольных поля вперед. Форма автомобиля оптимизирована для лучшего обзора сенсоров. Одной из ключевых технологий проекта (которая все еще не идеальна) является способность компьютера противостоять вибрациям и перепадам температуры. «Мы долгое время устанавливали разные устройства на машину и поняли, что в реальной жизни на настоящий автомобиль не так много и навесишь, – поделился разработчик Waymo в видео 2014 г. – Когда дело доходит до работы реального транспортного средства, сенсоры и софт выполняют всю работу. Нет необходимости в установке рулевого колеса или тормозной педали, мы всерьез задумывались над тем, нужен ли индикатор, сигнализирующий о готовности машины. Разработка прототипа требует больших усилий. Мы многое узнаем о безопасности».

Поговорим о безопасности. Ключевой аргумент в пользу беспилотных машин заключается в том, что они сделают дороги «безопаснее». На странице LinkedIn Джона Крафчика, исполнительного директора Waymo, можно найти следующую запись: «В дорожных авариях ежегодно погибает 1,2 млн человек. Причиной тому в 95 % случаев служит человеческая ошибка. Сегодня на планете насчитывается примерно 1 млрд машин. 95 % времени они стоят, требуя вложений денег и занимая пространство наших городов. Нам нужно придумать что-то получше. Беспилотные автомобили способны сохранить тысячи жизней, предложить людям более качественную степень мобильности и освободить нас от того, что напрягает нас во время вождения».

Кажется, Крафчик осуждает водителей. Мол, надоедливые людишки совершают свои человечески ошибки. Это техношовинизм. Разумеется, люди ответственны за водительские ошибки, ведь это они за рулем! (Хотя я однажды видела, как выглядела собака в кепке янки за рулем миниатюрного мерседеса на пешеходной дорожке Бродвея в Нижнем Манхэттене. Я настороженно присмотрелась: позади шел хозяин с пультом управления. А вот это уже привело меня к прекрасно проведенному дню, когда я просматривала видео с животными за рулем радиоуправляемых устройств.)

Мы давно владеем машинами, настолько, чтобы понимать, что люди обязательно будут совершать ошибки за рулем. Потому что они люди. А люди совершают ошибки. И никто не идеальный водитель, даже те, кто пишет программное обеспечение для автономных автомобилей. Когда представляешь себе, что за рулем люди проезжают триллионы километров ежегодно и в большинстве случаев умудряются не совершать ошибки, это впечатляет.

Образ человека, совершающего ошибки, всплывает снова и снова. Смерть людей печальна, я не хочу минимизировать последствия смерти. Однако, когда такую статистику повторяют снова и снова, начинают закрадываться подозрения. Обычно это значит, что у всех данных один источник, следовательно, речь идет о заинтересованной группе лиц, пытающихся повлиять на общественное мнение. Цифра вероятности совершения ошибки (95 %), упомянутая Крафчиком, фигурировала в февральском отчете 2015 г., написанном Сантохом Сингхом, старшим математиком-статистом компании Bowhead Systems Management, Inc[112]112
  См.: Singh, “Critical Reasons for Crashes Investigated in the National Motor Vehicle Crash Causation Survey.” Если вам интересна тема, обратите внимание на работы Best, Damned Lies and Statistics. Статистика – это один из способов интерпретации социальных проблем, и нередко она помогает выявить проблемы. Так, например, Mothers Against Drunk Driving при помощи статистики способствовали трансформации норм относительно вождения в нетрезвом виде. Сегодня большинство согласно с тем, что не стоит садиться нетрезвыми за руль. Однако утверждение, что люди, в отличие от машин, не должны водить, – это совсем другая истории.


[Закрыть]. Сингх работал по контракту с отделом математического анализа Национального центра статистики и анализа – подразделением Национального управления по безопасности движения автотранспорта. В отчете представлено 5470 случаев аварий, а также причины и предпосылки для каждой из них: водитель, машина или обстановка (то есть дорога или погода).

Bowhead Systems Management – это фирма, подконтрольная Ukpeaġvik Iñupiat Corporation, компании, сотрудничающей на контрактной основе с ВМС США в рамках операций UAS (беспилотных автономных систем) в Мэриленде и Неваде. Другими словами, Bowhead, компания, производящая беспилотные системы военного назначения, создала официальную государственную статистику, обосновывающую разработку беспилотных автономных систем (машин) для гражданских нужд.

Согласно данным Национального центра исследований здравоохранения (NCHS), в США в 2014 г. из-за механических транспортных средств погибло 35 398 человек – это самые актуальные доступные данные. Получается 11 смертей на 100 000 человек. В среднем стандартизированный по возрасту индекс смерти, учитывающий старение населения, составляет 764,6 на 100 000.

Много людей гибнет в результате ДТП; это одна из важнейших проблем здравоохранения. На языке статистики смерть от ран называется травматической смертностью. Травмы в результате неумышленных ДТП были самой распространенной причиной травматической смертности в период с 2002 по 2010 г., следующая по распространению причина – непредумышленное отравление. В 2015 г. Национальное управление по безопасности движения автотранспорта Департамента транспорта США обнаружило рост смертности по итогам ДТП на 7,7 % в 2015 г. Таким образом, согласно имеющимся у нас данным, в 2014 г. умерло 32 675 человек, в 2015 г. – 35 200.

Можно сколько угодно рассуждать о причинах, но потеря внимания и переписка за рулем способствуют росту смертности. Одним из очевидных решений были бы инвестиции в систему общественного транспорта. Например, в области Калифорнийского залива финансирование общественного транспорта ужасающе низкое. Когда я в последний раз пыталась воспользоваться метро в час пик в Сан-Франциско, я пропустила три поезда, пока в итоге не втиснулась в забитый битком вагон. Дорожная ситуация в разы хуже. И я не удивлена тому, что местные программисты разрабатывают беспилотные машины – чтобы заниматься чем-то, кроме ворчания в пробках. Однако финансирование общественного транспорта – комплексная проблема, требующая масштабных совместных усилий в течение нескольких лет. Она также подразумевает задействование государственной бюрократической машины. И этот как раз тот тип проекта, который люди из мира технологий не спешат начинать, поскольку он действительно может занять много времени, он сложный и в нем не будет простых решений.

Тем временем беспилотная машина остается мечтой. В 2011 г. Себастиан Тран запустил Google X, самое амбициозное подразделение компании. В 2012 г. он основал Udacity, которая также потерпела крах. «Я стремился дать людям нечто фундаментальное – научить их чему-то существенному. Однако реальность расходились с этой идеей, – сказал Тран журналисту Fast Company. – Наш проект был паршивым»[113]113
  Chafkin, “Udacity’s Sebastian Thrun, Godfather of Free Online Education, Changes Course.”


[Закрыть].

Тран всегда был честен относительно того, что у него не получалось, – но, кажется, никто не обращал на это внимания. Почему? Жадность – простейший ответ. Роджер Макнами, инвестор в технологии, как-то сказал New Yorker: «Некоторые из нас – наивные, насколько это возможно, – действительно хотели сделать мир лучше. У нас не получилось. Что-то действительно стало чуть лучше, что-то, наоборот, хуже. Тем временем пришли к власти либертарианцы, которым все равно, что правильно, а что – нет. Они здесь, чтобы заработать»[114]114
  Marantz, “How ‘Silicon Valley’ Nails Silicon Valley.”


[Закрыть].

Наконец, в 2017 г. любопытство увидеть, насколько реальность соответствует тому, о чем я читала, пересилило, и я решилась снова попробовать покататься на беспилотном автомобиле. Сначала я попробовала Uber в Питтсбурге, недалеко от места, где живу. Сотрудник рекламного отдела сказал, что нет свободных авто. Я спросила, могу ли я просто приехать в Питтсбург и поймать беспилотное такси. Ответ меня разочаровал. Но я поняла, почему это было невозможно: машины не поступили в массовое использование. Они пока не готовы к прайм-тайму.