оцифрованных матчей по го среди людей. Позже в 2017 году
DeepMind представил
Google новую программу
AlphaGo Zero, которой не требовалось изучать человеческие турниры. Вместо этого программисты загрузили в алгоритм основные правила игры в го и дали ему команду играть против самого себя, чтобы изучать лучшие стратегии. Через три дня
AlphaGo Zero одержал победу над оригинальной программой
AlphaGo, которая побеждала признанных гроссмейстеров.
AlphaGo Zero может победить в го любого человеческого игрока, поскольку умеет распознавать образы шаблонов из массивного объема данных, в разы превосходящего возможности отдельного человека. Стремительное развитие ИИ пугает многих, в том числе технологического предпринимателя Илона Маска и ныне покойного Стивена Хокинга, которые высказывали серьезную обеспокоенность тем, что ИИ способен заменить людей, а в будущем – и потенциально навредить им[57]. На нашем сегодняшнем уровне технологического развития такие страхи остаются чисто теоретическими, но идея с помощью ИИ раскрыть секреты нашей биологии вполне реальна. Уже сейчас понятно, что технология ИИ не заменяет нас, а усиливает наши возможности.
Мы написали уже тысячи книг о том, как информационные и компьютерные технологии меняют способ хранения и обработки информации. В 1880-х годах главным новшеством для обработки казавшихся тогда гигантскими объемов данных служили перфокарты. В 1920-х годах для хранения информации впервые использовали магнитную ленту. Это позволило создать машины, которые смогли расшифровать нацистские и японские секретные коды и помогли выиграть Вторую мировую войну. Вскоре после этого венгеро-американский гений Джон фон Нейман заложил основы современных вычислительных систем, поспособствовавших созданию базовых ЭВМ, персональных компьютеров, а затем – и появлению интернета. В наши дни большие объемы данных и революция в сфере ИИ позволяют нам все лучше разбираться в растущих горах информации, накапливающихся внутри нас и снаружи.
Не случайно первое слово в big-data analytics, или анализе больших данных, – «большой». За последние два года было сгенерировано больше данных, чем за всю историю человечества, что позволяет нам выполнять все более значимые операции в постоянно ускоряющемся процессе развития[58]. Эта революция в области анализа данных значительно расширяет способность нашего вида решать многие проблемы.
Когда Томас Эдисон изобретал фонограф, лампочку, электрическую сеть, кинетоскоп и многое другое в Менло-Парке, штат Нью-Джерси, он сталкивался с проблемами, которые не получалось решить самостоятельно. Он мог общаться со сравнительно небольшим количеством людей (возможно, несколькими сотнями) и читать ограниченное количество газет или книг. Сегодня же интернет связывает практически всех людей на планете; мы можем не останавливаться на проблемах, которые уже решены другими, и сосредоточиться на задачах, которые нам под силу.
Когда умирали такие выдающиеся люди, как Эдисон, они забирали с собой большую часть своих знаний. Сегодня подавляющее большинство наших знаний и информации хранится в доступных цифровых записях, а разрабатываемые нами инструменты обработки данных и накопления знаний прослужат вечно. Человеческая смерть так и останется индивидуальной и семейной трагедией (да и просто паршивой штукой), но теперь она гораздо меньше влияет на развитие коллективных знаний и всего нашего вида. Уже сегодня большинство из нас, вооружившись смартфонами, стало во многом умнее великих мыслителей прошлого. Мы функционально сливаемся с удивительными и стремительно улучшающимися инструментами и во многом лишь выигрываем от этого.
Достижения в области больших данных и машинного обучения помогают нам анализировать любые виды систем – от градостроительства до беспилотных автомобилей и полетов в космос, – но самым значимым эффектом будет наше понимание биологии вместе со способностью управлять ею. Какой бы сложной ни была победа в шо, научиться распознавать шаблоны в биологии человека – гораздо труднее. Алгоритм AlphaZero от DeepMind – обобщенная версия AlphaGo Zero – не просто чемпион игры в го; он сумел победить ведущих чемпионов-людей и более слабые алгоритмы в шахматах, а также японской стратегической игре сеги. Правила этих игр, загруженные AlphaZero, просты и понятны. Может, когда-то нам станут известны и правила нашей биологии. А пока что мы, люди, даже вооружившись возможностями ИИ, лишь пытаемся их найти.
Пытаясь постичь эти знания и разгадать человеческий геном, передовые ученые используют инструменты для анализа больших данных и глубокое обучение. Программное обеспечение для глубокого обучения используют не только для более точной диагностики по снимкам рака молочной железы и других видов онкологии, но и для синтеза геномной информации пациентов и электронных медицинских карт, позволяющих проводить раннюю диагностику и даже прогнозировать заболевания.
Ускорить этот процесс стремятся компании по всему миру. Например, инновационная канадская компания Deep Genomics объединяет ИИ и геномику, пытаясь выявить закономерности проявления заболеваний, потому что, по словам ее представителей, «в будущем медицина будет всецело полагаться на искусственный интеллект, поскольку для человеческого разума биология слишком сложна»[59]. Недавно Google и китайская компания WuXi NextCODE выпустили очень сложные облачные системы ИИ, разработанные, чтобы помочь разобраться в огромных объемах данных от секвенирования генов. Бостонская компания Biogen активно изучает возможности обнаружения значимых закономерностей в гигантских наборах данных с помощью квантовых вычислений[60].
Точки соприкосновения ИИ с геномикой станут еще более частыми по мере того, как начнут усложняться методы глубокого обучения, наборов данных по секвенированным геномам станет еще больше, а наша способность разбираться в основополагающих принципах наших биологических систем вырастет.
По мере расширения наборов геномных данных ученые научатся использовать инструменты ИИ, чтобы лучше понимать, как сложные генетические закономерности приводят к определенным последствиям. Реальная выгода заключается не только в секвенировании очень большого количества людей, но и в сравнении их генотипов (то есть генетической разметки) с фенотипами (тем, как эти гены проявляют себя в течение жизни). Чем больше секвенированных геномов можно сопоставить с подробным анамнезом, взятым из общей базы данных, тем быстрее мы поймем, чем занимаются наши гены и другие биологические системы.
В 2017 году журнал The Economist написал следующее: «Самый ценный ресурс в нашем мире – это уже не нефть, а данные»[61]. В случае с геномикой речь идет о высококачественных данных, которые сопоставляют биологию людей с наиболее специфичной информацией о других аспектах их жизни[62].
Чтобы объединить гигантские наборы генетических данных с анамнезом пациентов, потребуются более-менее унифицированные электронные медицинские карты, а их будут анализировать алгоритмы ИИ. Сегодняшнее разнообразие систем по организации медицинских карт и анамнестических данных делает совместное использование больших массивов геномных данных излишне сложным.
В идеальном мире полный геном каждого из нас секвенирован, а все личные и медицинские данные – скрупулезно перенесены в стандартизированную электронную медкарту, размещенную в открытой сети и доступную для исследователей. Однако в реальном мире идея о выставлении самой сокровенной информации напоказ в открытой базе данных с возможностью поиска пугает многих из
