Представьте троих учёных, которые десятилетиями возились с идеей, в которую почти никто не верил. Коллеги вежливо улыбались на конференциях, гранты давали неохотно, серьёзные люди крутили пальцем у виска. А потом, в один прекрасный день, оказалось, что вся современная индустрия искусственного интеллекта стоит на их работе. Их прозвали «крёстными отцами» глубокого обучения. Это Джеффри Хинтон, Йошуа Бенжио и Янн Лекун. История о том, как упрямство троих людей перевернуло мир.
Идея, над которой все смеялись
Чтобы понять, в чём подвиг этой троицы, нужно знать одну вещь. Ещё с середины XX века люди мечтали научить машину думать, как мозг. Мозг состоит из нейронов — клеток, которые передают друг другу сигналы. Учёные придумали математическую копию — «нейронную сеть». Это не настоящие клетки, а просто числа и формулы, которые имитируют, как нейроны усиливают или гасят сигнал. Звучит красиво. Но десятилетиями эти искусственные сети почти ничего не умели. Они спотыкались на простейших задачах, и научное сообщество махнуло на них рукой. Считалось, что путь к настоящему ИИ лежит совсем в другую сторону — через жёсткие правила, которые человек прописывает машине вручную. А нейросети объявили тупиковой ветвью. Был даже период, который позже назвали «зимой ИИ»: денег нет, веры нет, темой заниматься почти стыдно.
И вот тут на сцену выходят наши герои. Они не сговаривались заранее, не работали в одной лаборатории. Хинтон — британец, перебравшийся в Канаду. Бенжио — француз, осевший в Монреале. Лекун — тоже француз, но уехавший в США. Разные страны, разные характеры. Объединяло их одно: упрямая вера, что нейросети рано или поздно заработают. Просто пока им не хватает двух вещей — мощных компьютеров и гор данных.
Главный фокус: машина, которая учится сама
Чем глубокое обучение отличается от старого подхода? Раньше человек должен был сам объяснить машине: «кот — это существо с усами, четырьмя лапами и хвостом». Представьте, сколько таких правил надо прописать, чтобы машина узнала кота на любой фотографии — лежащего, в темноте, наполовину спрятанного за креслом. Нереально. Идея нейросетей в другом. Вы не объясняете машине ничего. Вы просто показываете ей тысячи картинок с подписью «кот» и тысячи без кота — и она сама постепенно нащупывает, что общего у всех котов. Как ребёнок, которому не зачитывают определение из словаря, а просто показывают: вот киса, вот собачка. Ребёнок ошибается, его поправляют, и со временем он перестаёт путать. Машина учится так же.
Слово «глубокое» тут не про мудрость. Оно про устройство. Сеть собирают слоями — один над другим, как этажи. Нижний слой замечает простые вещи: светлое пятно, край, линию. Слой повыше складывает из них кусочки посложнее — угол, изгиб, пятно нужной формы. Ещё выше — целое ухо или глаз. А на самом верху сеть уже говорит: «это кот». Чем больше слоёв, тем «глубже» сеть и тем более тонкие вещи она способна уловить. Отсюда и название.
А теперь самое интересное — поворот, которого мало кто ждал. Долго казалось, что чем глубже сеть, тем хуже она учится: сигнал ошибки, который должен подсказывать каждому слою, как исправиться, по дороге вниз попросту растворялся. Это была стена. Именно вклад этой троицы — каждого по-своему — помог стену пробить. Хинтон с коллегами показал, как разбудить многослойную сеть. Лекун придумал особую архитектуру, заточенную под изображения, — она легла в основу почти всего, что сегодня умеет распознавать картинки и лица. А Бенжио глубоко копнул то, как машины работают с языком и последовательностями, проложив дорогу к будущим переводчикам и чат-ботам.
Момент, когда мир ахнул
Десятилетиями всё это оставалось красивой теорией без громких побед. Перелом случился в начале 2010-х. Появились по-настоящему мощные видеокарты — те самые, что рисуют графику в играх. Выяснилось, что они идеально подходят для счёта нейросетей: умеют делать миллионы простых операций разом. И появился интернет, набитый картинками и текстами, — то самое море данных, которого так не хватало. Два недостающих кусочка наконец встали на место.
В 2012 году команда Хинтона выставила нейросеть на крупное соревнование по распознаванию изображений — и разгромила соперников с таким отрывом, что зал не сразу поверил. Это был щелчок, после которого индустрия проснулась. Крупнейшие компании бросились нанимать тех самых «чудаков», над которыми вчера посмеивались. Хинтон оказался в Google, Лекун возглавил исследования ИИ в компании, владеющей Facebook, Бенжио остался в академической науке и стал одной из её главных фигур. То, что тридцать лет считали тупиком, за пару лет стало золотой жилой.
Награда длиною в карьеру
В 2018 году троим присудили премию Тьюринга — её часто называют «Нобелевкой по информатике». Награду дали именно за глубокое обучение и за то, что они не бросили эту идею, когда от неё отвернулись почти все. Красота истории в том, что это не была вспышка одного гения. Это была эстафета: трое людей в разных странах десятилетиями тянули общую нить, спорили, обменивались работами, поддерживали друг друга, когда поддерживать было особо некому. А позже Хинтон получил и Нобелевскую премию — но это уже отдельный разговор, и о нём в другой раз.
Чем эта история полезна лично вам? Тем, что почти любая удобная вещь вокруг — телефон, узнающий ваше лицо, переводчик в кармане, голосовой помощник, подсказки в поиске — выросла из той самой «несерьёзной» идеи. И тем, что упрямство, когда ты веришь в дело вопреки общему хору, иногда оказывается дороже сиюминутной правоты большинства. Эти трое тридцать лет шли против течения. И течение в итоге развернулось.
А вы верите, что иногда стоит держаться идеи, даже если все вокруг считают её безнадёжной?