AlphaGo: возможности и ограничения искусственного интеллекта | Большие Идеи

・ Управление инновациями
Статья, опубликованная в журнале «Гарвард Бизнес Ревью Россия»

AlphaGo: возможности и ограничения
искусственного интеллекта

Хотя человек не так точен, как машина, у нас есть преимущество: мы способны осознать собственную слабость и внести коррективы.

Автор: Дай Жунь Чан

AlphaGo: возможности и ограничения искусственного интеллекта

читайте также

Реклама для мобильников: помогать, а не навязывать

Гупта Сунил

Лучший совет в моей жизни

Добровольский Николай

Работа над ошибками: почему не нужно верить жалобам на проблемы с коммуникациями

Арт Маркман

Избавьтесь от скромности

Джек Нашер

Убедительная победа созданной Google программы AlphaGo над гроссмейстером Ли Седолем (4:1) на первый взгляд означает, что искусственный интеллект преодолел очередную веху в состязании против человека. Того гляди, машины вытеснят людей, даже менеджеров. Однако победа AlphaGo при всей ее убедительности показала также серьезный изъян искусственного интеллекта: машины все еще не блещут интуицией.

Google приобрел компанию DeepMind, создателя AlphaGo, в 2014 году за 500 миллионов долларов в рамках формировавшегося конгломерата похожих стартапов и предприятий в сфере разработки искусственного интеллекта. Алгоритм обучения позволяет AlphaGo строить и «стратегическую сеть», и «ценностную сеть», запоминать не только миллионы прежних матчей, сыгранных между людьми, но и те, которые система играла против других версий той же AlphaGo. Обозначения двух сетей, которые должны при этом соединиться, звучат по-менеджерски: программа нацелена на повышение эффективности, а не просто наращивание вычислительных способностей. «Стратегия» помогает сузить выбор ходов, которые с наибольшей вероятностью приведут к выигрышу, а «ценность» позволяет взвесить шансы и определить в данной позиции победителя, не доигрывая партию до конца. При четко прописанных правилах игры такое сокращение области поиска выглядит весьма полезным.

Но менеджер действует в конкурентной среде, где правила не так четко определены и, главное, различные исходы не могут быть по значимости приравнены друг к другу. Иными словами, в бизнесе вопрос не сводится к выигрышу или проигрышу: скорее важно, сколько получишь, если удастся выиграть, или насколько масштабен будет ущерб в случае поражения. Этот изъян искусственного интеллекта обнаружился в третьей партии, когда AlphaGo не стала наращивать свое преимущество, сделав вместо этого несколько «пустых ходов». В го каждая партия оценивается по отдельности, и программу интересовала только возможность выиграть конкретную игру, но в бизнесе чем больше успех в данной конкретной «партии», тем выше гарантии наименьших потерь на случай проигрыша в следующей. Если удалось одолеть противника один раз, возможно, его стоит добить окончательно.

Читайте материал по теме: Как руководители внедряли и применяли инновации в 1969 году

Еще одно преимущество AlphaGo, обернувшееся слабостью, — тайм-менеджмент. Специальный алгоритм следит за тем, чтобы программа равномерно тратила время на ход. Смысл в том, чтобы AlphaGo не превысила лимит и не оказалась бы под конец игры в цейтноте. Гроссмейстер Ли, напротив, потратил лишние минуты в самые ответственные моменты игры. И это произошло в тот единственный раз, когда программа проиграла, а проиграла именно потому, что допустила роковую ошибку, подчиняясь необходимости «эффективно» расходовать свое время. Задним числом ясно, что более продолжительный анализ мог бы подсказать ход получше. Так же обстоит дело и с бизнес-решениями: иногда они принимаются мгновенно, однако если компания сталкивается с непривычной ситуацией, последствия которой будут весьма значительны, нужно подумать, адаптироваться к обстоятельствам и реагировать на них. Искусственному интеллекту понадобится еще какое-то время, прежде чем он научится подобной оценке.

И наконец, присмотримся к алгоритму обучения. Хотя «машина» усвоила тысячелетний опыт человеческих игр, ее проигрыш был обусловлен ошибкой, допущенной, когда гроссмейстеру удалось захватить AlphaGo врасплох: он сделал неожиданный ход. Мало того, что программа неверно отреагировала, она далеко не сразу — лишь спустя много ходов — заметила этот просчет. Обучение в компаниях и по отраслям тоже имеет свои ограничения, особенно в современной экономике, где самые отдаленные явления сплетаются в один клубок и влияют друг на друга. Новые ситуации требуют новых решений, которых не отыщешь в «старых добрых» сценариях. Руководители начинают искать их в других местах — например, за пределами своего сектора экономики, в компаниях, которые сталкивались с аналогичными проблемами в принципиально иных отраслях. И хотя человек не так точен, как машина, у нас есть преимущество: мы способны осознать собственную слабость и внести коррективы, как это сделал гроссмейстер Ли, но AlphaGo заметила свою ошибку слишком поздно и уже не могла свернуть с избранного ею пути.

Читайте материал по теме: Как запустить двигатель инноваций за 90 дней

Об искусственном интеллекте часто говорят как о высшем воплощении человеческой мысли. Однако Ли, сказав, что проиграл только он сам, «а не человечество», подал пример смирения, осознания своего несовершенства и способности быстро оправляться от удара — все это искусственному интеллекту еще только предстоит развивать, прежде чем он и вправду сможет потеснить менеджеров.