Экономисты называют это явление комплементарностью.

Но на самом деле это просто красивое слово для обозначения технологического прогресса, находящегося на службе у человека. Развенчивая миф Терминатора, мы понимаем, что тут противоборствуют две силы: первая сила — замещение машинами, которое вредит человеку, вторая сила — комплементарность — оказывает положительный эффект.

Поговорим о втором мифе, который я обозначил как интеллектуальный миф. Вождение автомобиля, постановка диагноза и распознавание птиц — что общего между всеми этими задачами? Объединяет их то, что до недавнего времени их нельзя было автоматизировать, как полагали ведущие экономисты. И тем не менее сегодня все эти задачи могут быть автоматизированы. Все ведущие производители автомобилей сегодня разрабатывают беспилотные авто. Медики уже располагают множеством диагностических аппаратов. Что же касается птиц, существует приложение, позволяющее определять их на расстоянии.

Не будем утверждать, что экономистам просто не повезло. Они оказались неправы, но причина, по которой они ошибались, имеет большое значение. Они стали жертвами интеллектуального мифа, считая, что машины должны имитировать людей в том, как мы мыслим и рассуждаем, если хотим, чтобы машины стали умнее нас. Когда экономисты попытались разобраться, какие задачи машинам будут не под силу, они думали, что единственный способ автоматизировать задачу — организовать встречу специалистов с программистами, попросить специалистов описать алгоритм выполнения задачи, а затем попытаться формализовать этот алгоритм в виде инструкций, которым машина будет следовать. Одно время такой подход был популярен и в области искусственного интеллекта. Знаю я об этом потому, что Ричард Сюскинд — мой отец и соавтор книги, — будучи студентом Оксфорда, в 1980-х написал докторскую диссертацию на тему искусственного интеллекта и права, а был он тогда в авангарде науки. Вместе с профессором Филлипом Кэппером и издательством правовой литературы Butterworths они выпустили в продажу первую в мире систему искусственного интеллекта в области права. Так выглядела заставка программы на компьютере. Отец говорит, что она считалась очень крутой по тем временам.

Не очень-то верится. Опубликовали они эту программу на двух гибких дисках. В то время гибкие диски на самом деле были очень гибкими. Тогда они подошли к вопросу, как те самые экономисты: встретились с юристом, попросили его описать алгоритм решения правовой проблемы и затем попытались написать программу для решения поставленной задачи. В экономике, если человек может описать задачу таким вот образом, задача считается рутинной и её можно автоматизировать. Но если человек не может описать процесс, задача считается творческой, то есть нерутинной, и часто неразрешимой. Сегодня классификация задач на рутинные и творческие встречается повсеместно. Вспомните, как часто вы слышите о том, что машины могут выполнять только предсказуемые и повторяющиеся задачи, те, что следуют правилам, и которые легко определить. Всё это лишь синонимы рутинных задач. Давайте вернёмся к трём примерам, которые я привёл ранее. Все три являются классическими примерами творческих задач. Задайте вопрос врачам, как, например, они ставят диагнозы. Скорее всего, они приведут несколько общих правил, но в целом точного ответа не дадут. Скажут, например, что постановка диагноза требует творческого подхода, правильного суждения и интуиции. Но такие вещи бывает очень трудно описать, поэтому считалось, что автоматизировать их также будет нелегко. Если человек не может объяснить какой-то процесс, как он составит инструкции для машины?

Тридцать лет назад такое мнение считалось правильным, сегодня это утверждение можно подвергнуть сомнению, а завтра оно окажется совершенно неправильным. Колоссальная вычислительная мощность, огромные хранилища данных и усовершенствованные алгоритмы являются показателем того, что граница между рутинными и творческими задачами начинает стираться.

Давайте вернёмся к примеру c постановкой диагноза. Несколько месяцев назад исследователи Стэнфордского университета объявили, что они разработали систему распознавания раковых клеток на веснушках человека и что эта система ставит диагноз так же точно, как ведущие дерматологи. Как им это удалось? Машина не запрограммирована копировать ход суждения или интуицию врачей. Более того, машина вообще ничего не смыслит в медицине. На самом деле она следует алгоритму распознавания, выискивая среди 129 450 наборов данных случаи, схожие с исследуемой патологией кожи. Делается это методом, на который не способен ни один человек. Машина анализирует такое количество наборов данных, которое ни один врач не сможет просмотреть за всю свою жизнь. В данном случае машина ставит диагноз без учёта того, как к этому вопросу подошёл бы врач-специалист.