Націлення штучного інтелекту на розв’язання найскладніших викликів суспільства

Директор із науки інноваційного підрозділу Alphabet Девід Андре (David Andre) розповів, як вони застосовують штучний інтелект для вирішення проблем, пов’язаних із запуском на Місяць, і чому він вважає генеративний ШІ ключовим новим інструментом у своїх зусиллях.

З юних років Девід Андре був глибоко зачарований як людським, так і штучним інтелектом, і ця пристрасть розгорілася під час спостереження за кар’єрою його матері Шеріл, яка будувала кар’єру комп’ютерної програмістки-новаторки. Протягом трьох десятиліть Девід застосовував свої глибокі знання в галузі ШІ та підприємницький дух у різних сферах, зокрема в управлінні активами та технологіях для носимих пристроїв. Проте саме його нинішня роль наукового директора у підрозділі X компанії Alphabet, так званої «місячної» фабрики, дозволяє йому реалізувати мрію дитинства: очолити візійну наукову лабораторію, яка працює над вирішенням найзагадковіших проблем людства.

Заснована Google у 2010 році, а тепер підпорядкована Alphabet, компанія X слугує центром інновацій, реалізуючи амбітні проєкти, спрямовані на розв’язання складних проблем за допомогою радикальних технологічних рішень. Він породив такі новаторські дочірні компанії Alphabet, як Waymo, провайдера попутних поїздок на безпілотних автомобілях, і Wing, піонера в галузі автономних дронів для доставки. Наразі більше половини починань X спрямовані на боротьбу зі зміною клімату.

Вирішення таких грізних проблем вимагає не лише амбітних рішень і технічної кмітливості, а й стійкості до високого — і очікуваного — рівня невдач. У інтерв’ю strategy+business Девід Андре розповів, як він підтримує мотивацію своєї команди, а також — які нові шляхи для прориву в X відкриває генеративний ШІ (GenAI).

Як Ви створюєте культуру інновацій у X?

Інновації — це непроста річ. Ми докладаємо багато зусиль, щоб підтримувати культуру в Х на належному рівні. Ключ до інновацій — це швидка ітерація, а потім прийняття ідеї, що більшість із того, що ви спробуєте, не спрацює. Маючи це на увазі, ви завжди спочатку беретеся за найскладнішу частину проблеми, бо якщо ви не можете її вирішити, то навіщо витрачати час на решту?

Крім того, ми зосереджуємося на досягненні 10-кратного покращення, а не 10%. Ми не хочемо ітерацій на шляху до чудового рішення. Ми хочемо одразу вхопитися за те, що стане революцією для світу. Наша робота полягає у створенні інших можливостей для Alphabet, таких самих за розміром, як Google, і єдиний спосіб зробити це — вирішувати дійсно великі проблеми.

Ми робимо це за допомогою портфельного підходу, коли ми починаємо з неймовірно малого, часто лише з однією людиною, або навіть із частиною її робочого часу на проєкті. У нас є десятки таких проєктів, які відбуваються в той чи інший чамс. Це означає, що з усіх цих десятків проєктів ми очікуємо, що деякі з них зупиняться і зазнають невдачі, щоб інші могли досягти успіху.

Як Ви підтримуєте мотивацію співробітників, коли їхні проєкти найчастіше зазнають невдачі?

Все, над чим ми працюємо, намагається вирішити велику проблему для людства. Коли ми сповнені ентузіазму, легше підтримувати високий моральний дух команди. А невдачі допомагають нам вчитися. Є проект, над яким ми працюємо, під назвою Taara, і він дуже цікавий, тому що з’явився на основі іншого провального проєкту, який називався Loon. Loon був зосереджений на наданні інтернету людям, які живуть у сільській місцевості, де немає вишок мобільного зв’язку. Він передбачав розгортання метеорологічних аеростатів, які були плаваючими вежами стільникового зв’язку. Для цього команда розробила лазерний зв’язок типу «точка-точка», який би передавав гігабіти інформації по повітрю між аеростатами, що знаходилися на відстані до 20 кілометрів один від одного.

Taara взяла цю лазерну технологію і втілила її в терміналах, які можна встановити в будь-якій точці світу — наприклад, на вежах або будівлях — і, по суті, спрямовувати промінь високошвидкісного інтернету туди, куди вони хочуть. Вони використовують цю технологію в 13 країнах світу, і їхня мета — підключити 3 мільярди людей, які сьогодні взагалі не мають доступу до інтернету.

Ви вже три десятиліття працюєте в галузі комп’ютерної інженерії та науки про дані. Що Вас найбільше вражає, коли Ви думаєте про те, як ця галузь розвивалася протягом цього часу?

Вона, як Ви кажете, дуже змінилася. Були зими... Були літа... Але є дві основні речі, які залишаються істинними. По-перше, фундаментальні засади мають значення. Розуміння лінійної регресії, давньої техніки, все ще неймовірно важливе, як і те, що може піти не так. Найбільша проблема, яку я бачу в стартапах чи проєктах, що неправильно застосовують машинне навчання чи штучний інтелект, — це надмірне підлаштування під свої дані. Це давня проблема, яка все ще дається взнаки.

Друга проблема полягає в тому, що ідея проведення неконтрольованого та напівконтрольованого навчання була магічною для цієї галузі, оскільки це означає, що всі дані, які є в інтернеті — онлайн-документи, фотографії — стають навчальними даними для алгоритмів. Тож тепер вам не потрібно мати ці дуже дорогі навчальні приклади під наглядом.

І останнє — це поява моделі-трансформера, яка лежить в основі сучасних великих мовних моделей (LLM). Це означає, що ви можете перейти від природної мови до будь-чого: від природної мови до коду, від однієї мови до іншої, від природної мови до зображень. І все це працює на одній базовій технології, яка змінила правила гри, адже тепер прогрес в одній галузі — скажімо, в обробці зору — раптово впливає на обробку мови і на все інше, оскільки всі вони використовують одну й ту саму модель.

Багато провідних дослідників ШІ кажуть, що передові можливості, досягнуті великими мовними моделями, на яких базується генеративний ШІ, застали їх зненацька. Чи здивували вони Вас?

Скажу, що я був здивований одного разу, коли деякі з моїх колег працювали над статтею про використання LLM для розв’язання математичних задач, яка називалася «Minerva paper». Я побачив результати, які вони змогли отримати, і типи проблем, які система змогла вирішити, і я був просто вражений. Бо я думав, що LLM здебільшого просто передбачають наступне слово чи лексему, але виявляється, що трансформерна архітектура дозволяє виконувати всі види міркувань вищого рівня та всі види алгоритмів, по суті, всередині обчислень, які відбуваються, коли дані проходять через одну з цих нейронних мереж. Таким чином можна вирішувати неймовірно складні задачі. Це дозволяє робити такі речі, як метафоричні міркування. Це справді потужна техніка. І хоча, так, спочатку я був здивований, але коли я зрозумів цю обчислювальну потужність, це почало набувати сенсу.

Як цей прогрес вплинув на Ваш підхід до вирішення проблем?

Цікаво, що він здебільшого не змінився. Найскладніша частина майже кожної проблеми — це не штучний інтелект чи машинне навчання. Насправді важлива вся сполучна тканина навколо неї, яка прив’язує алгоритм до реального світу. Якщо ви розв’язуєте проблему на машині, а вона не збігається з тим, що ви насправді намагаєтесь зробити, це зовсім не допомагає. Тож те, чого ми навчилися в 1990-х роках, намагаючись застосувати машинне навчання, все ще застосовується, оскільки ми будували сполучну тканину для узгодження алгоритму з реальним світом.

Чи використовуєте Ви генеративний ШІ в компанії X зараз?

Ми використовуємо такі види технік у багатьох наших додатках. Іноді це звичайні мовні додатки, але іноді ми застосовуємо їх у точних науках, і бачимо дивовижні переваги в таких сферах, як обчислювальна біологія, логічне мислення та геопросторові міркування. Особисто я використовую його, коли програмую щось досить просте, зазвичай мовою, яку я не дуже добре знаю, але хочу зробити це швидко. Я звертаюся до нього, щоб стартувати. Я трохи використовую його для написання текстів, але я схильний вважати, що він ще не зовсім там, де мені потрібно.

Останнє, для чого я його використовую, — це так званий інверсний дизайн. Це інший підхід до генеративного ШІ, ніж той, з яким більшість людей граються сьогодні. Це коли ви просите комп’ютер вирішити проблему за вас. Отже, ви ставите перед ним проблему, яку хочете розв’язати. Ви даєте йому всі деталі та обмеження, а потім дозволяєте великим обчислювальним системам вирішити її за вас. Багато машин працюють над проблемою у фоновому режимі, випробовуючи різні рішення, поки ви не знайдете те, яке вам сподобається. Це той спосіб, який я використовую майже щодня.

Як компанії можуть позиціонувати себе, щоб продовжувати користуватися перевагами інновацій у ШІ-сфері, коли вони розвиваються так стрімко?

Найважливіше — почати зараз, тому що ви завжди будете шкодувати, що не почали вчора. А якщо ви ще не почали, то зараз — найкращий час. Друга річ — почніть грати з інструментами. Працюйте з великими мовними моделями, такими як Bard; спробуйте вирішити свої проблеми за допомогою них і подивіться, що з цього вийде. Дізнайтеся, де вони зазнають невдачі. Як тільки ви побачите, де вони не працюють, це дасть вам орієнтир, на чому слід зосередитися і що вивчити.

Звичайно, наймати більше людей із математичними навичками та навичками штучного інтелекту також корисно. Але сьогодні з цими інструментами може гратися кожен. Це велика частина того, що відбувається в цьому русі — демократизація доступу до штучного інтелекту, щоб кожен міг долучитися до нього.

За матеріалами strategy+business