Когда большинство людей думают о заре искусственного интеллекта, они представляют себе MIT, Стэнфорд или лаборатории DARPA в 1960-х: небольшие команды визионеров, мечтающих о мыслящих машинах. История обычно заканчивается разочарованием и печально известной «зимой ИИ».
Но есть и другая, почти забытая история. В Советском Союзе машинное обучение было не просто теорией или модной идеей. Оно стало промышленным оружием — и принесло реальные деньги, буквально «выкопав золото».
«История в деталях» — телеграм канал для тех, кто любит видеть прошлое без прикрас, через неожиданные факты и забытые мелочи. Погружайтесь в историю так, как будто вы там были. Подписывайтесь!
Приказ премьер-министра: найти золото
В середине 1960-х руководство СССР столкнулось с задачей: как найти редкие месторождения южноафриканского типа на советской территории. Эти «золотые блинчики» представляли собой тонкие пласты руды, залегающие на глубине 2–3 км — почти невозможно было наткнуться на них при случайном бурении.
Приказ поступил с самого верха: премьер-министр Алексей Косыгин поручил Академии наук СССР взяться за эту задачу. Это было не академическое упражнение — его обозначили как миссию национальной важности.
Данные, в которые никто не верил
Набор данных выглядел так, что сегодня у любого дата-сайентиста навернулись бы слёзы — от смеха или отчаяния:
- 7 положительных примеров (известные месторождения витватерсрандского типа)
- 11 отрицательных примеров (похожие геологические участки, но пустые)
- около 150 признаков, описывающих каждый участок
С математической точки зрения при таком малом количестве примеров задача выглядела невыполнимой.
На сцену выходит Юрий Журавлёв
Академик Юрий Иванович Журавлёв, молодой математик, принял вызов. Совместно с геологами А. Н. Дмитриевым и Ф. П. Кренделевым он создал так называемый метод вычисления оценок (АВО) — алгебраический подход к классификации по крошечным датасетам.
Алгоритм выдал смелые прогнозы: два ещё не открытых месторождения. Были направлены экспедиции. И — против всех ожиданий — золото оказалось именно там, где указал алгоритм.
Команда была удостоена Государственной премии СССР — высшей национальной награды.
Шаманство или наука?
Не все поверили в успех. Ведущий кибернетик того времени, академик Виктор Глушков, отмахнулся от подхода Журавлёва, назвав его «шаманством». Для него — и для многих статистиков — было немыслимо, чтобы надёжные результаты можно было получить из столь скудных данных.
Этот скепсис был не только советским. В США пионеры машинного обучения Владимир Вапник и Алексей Червоненкис (впоследствии эмигрировавшие из СССР) также сталкивались с трудностями. Их прорывная работа по статистической теории обучения неоднократно отклонялась журналами по статистике. Редакторы не считали её «настоящей статистикой».
И на Востоке, и на Западе машинному обучению приходилось бороться за признание. То, что сегодня мы называем фундаментом отрасли, тогда нередко высмеивалось или игнорировалось.
Прибыльный ИИ с первого дня
Вот что делает советский случай особенно примечательным: несмотря на скептицизм, применение оказалось сразу прибыльным. В отличие от многих американских проектов 1960-х годов, которые тратили гранты без ощутимых результатов, эта советская инициатива нашла золото, принесла твёрдую валюту и заслужила государственные награды.
Она также доказала мысль, которая актуальна и сегодня: большие данные не всегда нужны. С умными методами даже маленькие данные способны двигать горы — или, как в данном случае, раскрывать их недра.
Переосмысление истории ИИ
История искусственного интеллекта — это не только сказание о Кремниевой долине. В СССР машинное обучение рождалось не в теории, а на практике, не в конференц-залах, а в шахтах и на заводах.
Его критиковали статистики, отвергали академики, не принимали журналы — но оно работало. И в одной из великих ироний истории первая система ИИ, которая окупила себя, находилась не в Калифорнии, а под сибирской степью.
Возможно, пришло время переписать учебники истории.