Искусственный интеллект от DeepMind нацелился на решение глобальных проблем реального мира

На фото: знаменитый в свое время Демис Хассабис – бывший вундеркинд, обладатель диплома от Кембриджского университета с выдающимися заслугами по двум предметам сразу, пятикратный победитель всемирных интеллектуальных игр, выпускник MIT и Гарварда, известный многим разработчик игр, предприниматель с подросткового возраста, сооснователь знаменитого стартапа DeepMind, разрабатывающего искусственный интеллект – стоит в жёлтой каске, светоотражающем жилете и рабочих ботинках. ИИ от DeepMind обыгрывал шахматных гроссмейстеров и чемпионов го. Однако теперь основатель и директор компании Демис Хассабис нацелился на более крупные проблемы реального мира, способные изменить нашу жизнь. Первая из них: фолдинг белков. Демис поднимает ладонь, заслоняя глаза от солнца, и смотрит через весь Лондон с крыши здания в Кингс-Кросс. В любую сторону света вид оттуда на столицу, залитую весенним солнцем, практически ничего не заслоняет.

Хассабис пересекает вымощенную крышу, и, использовав телефон для определения направления, смотрит на север, чтобы проверить, сможет ли он увидеть отсюда город Финчли, где он вырос. Пригород теряется за деревьями Хампстед-Хит, но ему удаётся рассмотреть склон, ведущий к Хайгейту, где сегодня он живёт с семьёй.

Здесь он изучает место расположения будущей штаб-квартиры DeepMind, стартапа, основанного им в 2010 году с Шейн Легг, исследователем из университетского колледжа в Лондоне, а также с другом детства Мустафой Сулейманом. Сейчас это здание представляет собой стройку, на которой неумолчно гремят молотки, дрели и отбойные молотки. Сегодня на стройке работает 180 подрядчиков, а на пике строительства их количество вырастет до 500. Это место, открытие которого намечено на середину 2020 года, представляет собой, фигурально и буквально, новое начало компании.

«Первый наш офис был на Рассел-сквер, это был небольшой офис на десять человек на верхнем этаже таунхауса рядом с лондонским математическим сообществом, — вспоминает Хассабис, — в котором Тьюринг читал свои знаменитые лекции». Алан Тьюринг, британский пионер компьютеров, является священной фигурой для Хассабиса. «Мы строим на плечах гигантов», — говорит Хассабис, упоминая другие ключевые фигуры в науке,- Леонардо да Винчи, Джона фон Неймана,- также совершивших значительные прорывы.

Расположение новой штаб-квартиры – к северу от вокзала Кингс-Кросс, в месте, которое в последнее время получило название Нолидж-квотер – характерно само по себе. DeepMind была основана, когда большая часть лондонских стартапов подчинялась притяжению Олд-стрит. Но у Хассабиса и его коллег-основателей были другие планы: «решить задачу интеллекта» и разработать ИИ общего назначения (ИИОН), применимый к различным задачам. Пока что эту задачу решают через создание алгоритмов, способных выигрывать в играх – Breakout, шахматах и го. Следующие шаги – применить эту схему к научным изысканиям, чтобы взломать сложные задачи в химии, физики и биологии при помощи информатики.

«Наша компания упирает на исследования, — говорит Хассабис, которому исполнилось 43 года. – Мы хотели расположиться рядом с университетом», — под которым он имеет в виду университетский колледж Лондона (УКЛ), в котором ему дали докторскую степень за работу «Нейронные процессы в основе эпизодических воспоминаний». «Поэтому нам нравится быть тут, мы всё ещё находимся недалеко от УКЛ, британской библиотеки, института Тьюринга, недалеко от имперского колледжа…»

Спустившись на несколько этажей, Хассабис изучает одну из территорий, которая интересует его больше всего – там будет располагаться аудитория для лекций. Он с удовлетворением рассматривает чертежи и компьютерные рендеры того, как будет выглядеть это помещение.

На северо-восточном углу здания его взгляд устремляется в большое свободное пространство, охватывающее три этажа, где расположится библиотека. В этом месте в итоге появится предмет, который, кажется, Хассабису не терпится увидеть сильнее всего: огромная лестница в виде двойной спирали, которую сейчас собирают по частям. «Я хотел напомнить людям о науке и сделать её частью этого здания», — говорит он.

Хассабис и его соратники знают, что DeepMind прославился своими прорывами в машинном обучении и глубоком обучении, в результате которых в прессе широко освещались случаи, когда нейросети, работавшие вместе с алгоритмами, в совершенстве овладели компьютерными играми, обыгрывали шахматных гроссмейстеров, и заставили Ли Седоля, чемпиона мира по го – которая считается наиболее сложной игрой из придуманных человеком – заявить: «С самого начала игры не было не единого момента, когда бы я подумал, что могу выиграть».

В прошлом машины, игравшие в игры с людьми, демонстрировали характеристики, явно присущие алгоритмам – стиль их игры был жёстким и непреклонным. Но в соревновании го алгоритм AlphaGo от DeepMind побил Седоля так, как мог бы сделать человек. Один странный ход – 37-й во второй партии – заставил ахнуть аудиторию, смотревшую игру вживую в Сеуле, и поразил миллионы онлайн-зрителей. Алгоритм играл с такой свободой, которая может показаться человеку признаком творчества.

Хассабис, Сулейман и Легг считают, что первые девять лет существования DeepMind определялись необходимостью доказать значимость исследований в области обучения с подтверждением – идеи систем с агентами, которые не только пытаются моделировать мир и распознавать закономерности (как глубокое обучение), но и активно принимают решения и пытаются достичь поставленных целей. При этом следующие десять лет будут определять достижения в области игр: а именно, данные и машинное обучение будут использоваться для решения сложнейших проблем науки. Согласно Хассабису, следующие шаги компании будут попытками понять, как глубокое обучение поможет масштабировать обучение с подкреплением для решения проблем реального мира.

«Проблема обучения с подкреплением была в том, что его всегда использовали для решения игрушечных задач и маленьких решётчатых миров, — говорит он. – Считалось, что его не получится расширить на неправильные, реальные проблемы – и вот тут вступает в игру комбинация методов».

Для компании DeepMind появление новой штаб-квартиры является символом новой главы в истории компании, как раз когда она бросает все силы и компьютерные мощности на попытку понять, кроме прочего, как работают строительные блоки органической жизни. Этим компания надеется совершить прорывы в медицине и других дисциплинах, что серьёзно повлияет на прогресс в различных областях науки. «Наша миссия должна быть одним из наиболее интересных путешествий во всей науке, — говорит Хассабис. – Мы пытаемся построить храм научных устремлений».

Слева направо: Правин Шринивасан, глава DeepMind в Google; Дрю Первес, креативный директор Worlds; Райа Хэдсел, исследователь. Внутри недостроенной штаб-квартиры DeepMind.

Обучаясь в университетском колледже Лондона, а затем в MIT, Хассабис обнаружил, что междисциплинарное сотрудничество было очень модной темой. Он вспоминает, как проводились рабочие конференции с участием представителей различных дисциплин – к примеру, нейробиологии, психологии, математики и философии. Пару дней шли доклады и дебаты, потом учёные возвращались в свои департаменты, уверенными, что им надо встречаться чаще и находить способы сотрудничать. А следующая встреча проходила год спустя – заявки на гранты, назначения на преподавательские должности, и рутина исследовательской и преподавательской жизни вставала на пути кооперации.

«Междисциплинарное сотрудничество сложно организовать, — говорит Хассабис. – Допустим, возьмём двух ведущих мировых экспертов, по математике и генетике – у них очевидно могут быть общие темы. Но кто будет прилагать усилия к тому, чтобы разобраться в области другого человека, в их жаргоне, в том, какова их реальная проблема?»

Поиск правильных вопросов, причин отсутствия ответов, и главных закавык, из-за которых этих ответов нет – этот процесс может показаться прямолинейным стороннему наблюдателю. Но разные учёные, даже в одной области, не всегда оценивают свою работу одинаково. Исследователям чрезвычайно сложно увеличивать ценность других дисциплин. Ещё сложнее найти общие вопросы, на которые они могут ответить.

Текущая штаб-квартира DeepMind – два этажа здания Google на Кингс-Кросс – в последние пару лет принимала всё больше работников. Только в области исследований ИИ компании есть шесть-семь различных дисциплин, и в рамках расширения круга занятий она нанимает специалистов по математике, физике, нейробиологии, физиологии, биологии и философии.

«Некоторые из наиболее интересных областей науки находятся в промежутках между классическими областями, на стыках разных тем исследований, — говорит Хассаби. – Я при создании DeepMind пытался найти „объединяющих людей“, специалистов мирового класса в разных областях, творческий подход которых помогает искать аналогии и точки соприкосновения различных областей. В общем, когда это случается, тогда возникает волшебство».

Один из таких объединяющих людей – Пашмит Коли. Бывший директор Microsoft Research руководит научной командой в DeepMind. В кругах ИИ идёт много разговоров о возможном окончании «зимы ИИ» – периода без ощутимого прогресса – в середине прошлого десятилетия. То же ощущения движения касается и задачи фолдинга белков, науки предсказания формы того, что биологи считают строительными блоками жизни.

Коли собрал команду структурных биологов, экспертов по машинному обучению и физиков, чтобы атаковать эту проблему, признанную одним из наиболее важных вопросов науки. Белки лежат в основе жизни всех млекопитающих – они составляют большую часть структуры и функционирования тканей и органов на молекулярном уровне. Каждый состоит из аминокислот, составляющих цепочки. Их последовательность определяет форму белка, которая определяет его функцию.

«Белки – наиболее потрясающие из всех когда-либо созданных машин для перемещения атомов на наномасштабах, и часто проворачивают химию на несколько порядков более эффективную чем всё, что сделали мы», — говорит Джон Джампер, исследователь из DeepMind, специализирующийся на фолдинге белков. «А ещё они в какой-то мере необъяснимы, эти самособирающиеся машины».

Белки орудуют атомами на масштабе ангстремов [10-10 м, или 100 пм / прим. перев.], [устаревшей] единицы длины, в десять миллиардов раз меньшей, чем метр. Более глубокое понимание этого механизма дало бы учёным возможность лучше разобраться в структурной биологии. К примеру, белки необходимы практически для всего, что происходит внутри клетки, а неправильный фолдинг белков считается важным фактором возникновения таких заболеваний, как болезнь Паркинсона, болезнь Альцгеймера и диабет.

«Если мы сможем разобраться в природных белках, мы сможем создавать собственные, — говорит Джампер. – Вопрос в том, чтобы очень тщательно изучить этот сложный микроскопический мир».

Привлекательной загадку фолдинга белков для DeepMind сделало широкое распространение данных по геномам. С 2006 года наблюдается резкий рост в получении, хранении, распространении и анализе данных ДНК. Исследователи оценивают, что к 2025 году будут проанализированы два миллиарда геномов, что потребует хранилища объёмом в 40 экзабайт.

«С точки зрения глубокого обучения это интересная задача, ведь потратив огромное количество ресурсов и времени, люди собрали такую удивительную коллекцию белков, в которых мы уже разобрались», — сказал Джампер.

Прогресс идёт, но учёные предупреждают нас об огромном разнообразии внутри этой проблемы. Выдающийся американский молекулярный биолог Сайрус Левинталь отмечал, что для перебора всех возможных конфигураций типичного белка в поисках правильной трёхмерной структуры потребуется время, превышающее возраст Вселенной. «Поисковое пространство огромно, — говорит Рик Эванс, исследователь из DeepMind. – Больше, чем в го».

Тем не менее, веха на пути познания фолдинга белков была достигнута в декабре 2018 года на соревновании CASP [критическая оценка техник предсказания структуры белков], проходившем в Канкуне (Мексика). Это соревнование проводится раз в два года чтобы представить непредвзятый взгляд на прогресс в данной области. Цель соревнующихся команд учёных – предсказывать на основе последовательностей аминокислот структуру белков, чья трёхмерная форма уже стала известной, но ещё не была опубликована. Оценивает предсказания независимая комиссия.

Команда фолдинга белков из DeepMind приняла участие в соревновании, чтобы проверить свой новый алгоритм AlphaFold, разработанный в предшествовавшие два года. В течение нескольких месяцев, предшествовавших соревнованию, организаторы отправляли наборы данных членам команды с Кинг-Кросс, а те возвращали свои предсказания, не зная конечного результата. В целом им нужно было предсказать структуру девяноста белков – в некоторых случаях использовались уже известные белки, чтобы строить предсказания на их основе, иные же приходилось продумывать с нуля. Незадолго до конференции они получили результаты соревнований: в среднем предсказания AlphaFold были точнее, чем у любой другой команды. По некоторым оценкам DeepMind значительно опередила конкурентов; для белков, чья структура моделировалась с нуля – а таких было 43 из 90 – AlphaFold сделала наиболее точные предсказания для 25 белков. Это удивительно много, по сравнению с занявшей второе место командой, которой удалось верно предсказать всего три структуры.

Ленточная диаграмма, схематичное трехмерное изображение структуры белка, свёрнутого в трёхмерную структуру согласно предсказаниям алгоритма AlphaFold для соревнования CASP13

Мохаммед Аль Курайши, исследователь из лаборатории системной фармакологии и департамента системной биологии медицинской школы Гарварда, присутствовал на соревновании и узнал о подходе, используемом в DeepMind, ещё до публикации результатов. «Читая резюме к работе я не думал, что это что-то совсем новое, — говорит он. – Я решил, что у них должно получиться совсем неплохо, но я не ожидал, что они настолько хорошо справятся».

Аль Курайши говорит, что этот подход был похож на подход других лабораторий, но процесс DeepMind отличало то, что они могли его «лучше выполнять». Он указывает на сильные стороны команды DeepMind в инженерной области.

«Думаю, что они могут работать лучше групп, состоящих из учёных, поскольку последние стремятся сохранять свою работу в секрете, — говорит аль Курайши. – И хотя все идеи, включённые DeepMind в их алгоритм, уже существовали, и разные люди пробовали применять их по отдельности, никто не догадался свести их вместе».

Аль Курайши проводит параллели с учёным сообществом в области машинного обучения, из которого в последние годы наблюдается исход в компании типа Google Brain, DeepMind и Facebook; у них более эффективные организационные структуры, крупные вознаграждения и вычислительные ресурсы, которые не всегда можно найти в университетах.

«Сообщества машинного обучения реально столкнулись с этим в последние 4-5 лет, — говорит он. – Вычислительная биология только сейчас начинает осваиваться с этой новой реальностью».

Ему вторит объяснение, данное основателями DeepMind по факту продажи компании Google в январе 2014 года. Объём вычислительной сети Google позволит компании гораздо быстрее продвигать исследования, чем если бы она росла естественным образом, а чек на £400 млн позволил стартапу нанять специалистов мирового класса. Хассабис описывает стратегию розыска людей, которых посчитали подходящими для определённых областей исследований. «У нас есть план развития, из которого следует, какие области исследований, из ИИ или нейробиологии будут важны, — говорит он. – И потом мы отправляемся на поиски и находим лучшего человека в мире, подходящего нам ещё и по культурным параметрам».

«Так что из тех областей, где DeepMind может изменить мир, фолдинг белков кажется отличным началом – это очень хорошо определённая задача, к ней есть полезные данные, её, в принципе, можно рассматривать, как задачу по информатике, — говорит Аль Курайши. – В других областях биологии такой подход, вероятно, не сработает. Там всё гораздо менее упорядочено. Поэтому, не думаю, что успех DeepMind в области фолдинга белков можно будет автоматически перенести на другие области исследований».

Сотрудники DeepMind на крыше офиса Google в Кингс-Кросс

DeepMind активно занимается менеджментом продуктов для исследовательской компании. Каждые шесть месяцев старшие менеджеры изучают приоритеты, реорганизуют некоторые проекты, вдохновляют команды – особенно инженеров – переходить из одной области в другую. Дисциплины смешиваются постоянно и намеренно. Многие из проектов компании идут дольше шести месяцев – обычно от двух до четырёх лет. Но, хотя DeepMind концентрируется на исследованиях, теперь компания является подразделением Alphabet, родительской компании Google, и четвёртой по стоимости в мире. И если лондонские учёные ждут от компании долгосрочных и передовых исследований, директора из Маунтин-Вью в Калифорнии естественно ожидают возврата инвестиций.

«Мы заботимся о том, чтобы наши продукты принесли успех Google и Alphabet, и они получили прибыль от наших исследований – и они получают, сейчас в Google и Alphabet работают уже десятки продуктов, содержащих код и технологии DeepMind – однако важно, чтобы такое положение сохранялось не насильственным, а естественным образом», — говорит Хассабис. DeepMind в Google под руководством Сулеймана состоит из сотни человек, в основном инженеров, переводящих чисто научные исследования компании в приложения, которые можно превратить в продукт. К примеру, WaveNet, генеративная модель перевода текста в речь, имитирующая человеческий голос, уже включена в большинство устройств, содержащих Google, от Android до Google Home, и обладает своей продуктовой командой в Google.

«Многие исследования в индустрии идут по запросам продукта, — говорит Хассабис. – Проблема в том, что исследования могут идти только по нарастающей, шаг за шагом. Непродуктивно вести амбициозные и рискованные исследования – но только так можно совершать прорывы».

Разговаривает Хассабис быстро, часто подчёркивания конец предложения вопросительным «да?», проводя слушателя через последовательность наблюдений. Он часто отвлекается от темы, периодически уходя в философию (любимые философы – Кант и Спиноза), историю, игры, психологию, литературу, шахматы, инженерное дело, множество других научных и компьютерных областей – но не теряет первоначального хода мыслей, часто возвращаясь, чтобы уточнить замечание или обсудить предыдущий комментарий.

Подобно 300-летнему плану развития Масайоши Сана, основателя SoftBank – японского интернационального банка, вложившегося во многие доминирующие технологические компании – у Хассабиса и других основателей есть «план развития DeepMind на несколько десятилетий». Легг, ведущий учёный компании, сохранил распечатку первого бизнес-плана, который они отправляли потенциальным инвестором (Хассабис свою копию потерял). Легг иногда показывает его на общих встречах, чтобы показать, что многие подходы, о которых основатели размышляли в 2010-м году – обучение, глубокое обучение, обучение с подкреплением, симуляции, концепции и перенос обучения, нейробиология, память, воображение – всё ещё являются ключевыми частями исследовательской программы компании.

В начале пути у DeepMind была единственная веб-страничка, содержавшая только логотип компании. Ни адреса, ни телефона, ни позитивной странички «о нас». Для найма персонала основателям приходилось полагаться на личные контакты людей, уже знавших, что это были «серьёзные люди с серьёзными учёными и серьёзным планом», как говорит Хассабис.

«В любом стартапе приходится просить людей доверять вашему управлению, — говорит он. – Но у нас это ещё сложнее, поскольку мы, по сути, говорим, что будем заниматься работой уникальным образом, так, как никто раньше не занимался, и многие традиционные учёные мирового уровня сказали бы, что это невозможно: ’Таким образом организовывать науку нельзя’».

Как именно происходят научные прорывы – известно не больше, чем то, как решать некоторые задачи, над которыми бьются исследователи. В академическом мире лучшие умы собираются в институтах, чтобы проводить исследования, идущие постепенно, без предсказуемых результатов. Прогресс обычно медленный и трудоёмкий. А в частном секторе, где, якобы, отсутствуют ограничения, и есть доступ к высокооплачиваемым консультантам, продуктивность и инновации также падают.

В феврале 2019 года стэнфордский экономист Николас Блум опубликовал работу, доказывающую спад продуктивности в широком спектре областей. «Усилия исследователей значительно выросли, а продуктивность резко упала, — писал Блум. – Хороший пример – закон Мура. Для поддержания знаменитого удваивания плотности компьютерных чипов раз в два года, сегодня требуется в 18 раз больше исследователей, чем в начале 1970-х. В широчайшем спектре различных исследований на разных уровнях агрегации мы видим, что идеи – и особенно заложенный в них экспоненциальный рост –находить становится всё труднее».

Хассабис упоминает миллиарды, вложенные в исследования «Большой фармой»: отталкиваясь от квартальных отчётов о прибылях, индустрия стала более консервативной, поскольку стоимость ошибки возросла. Согласно отчёту 2018 года от фонда инноваций Nesta, в последние 50 лет продуктивность исследований и разработок в биомедицине стабильно падает – несмотря на значительное увеличение инвестиций, новые лекарства становится разрабатывать всё дороже. В отчёте указано, что «экспоненциальный рост стоимости разработки новых лекарств непосредственно влияет на малую прибыль с трат на R&D. По недавним оценкам, эта отдача составляет 3,2% для крупнейших фармацевтических компаний в мире; это гораздо меньше стоимости капитала». Сходным образом исследователи из Deloitte оценили, что возврат с инвестиций в R&D биофармы находится на самой низкой отметке за последние девять лет, упав с 10,1% в 2010 до 1,9% в 2018.

«Большинство директоров компаний биг фармы не учёные, а финансисты или маркетологи, — говорит Хассабис. – Что это говорит об их организациях? Они пытаются выжать как можно больше из уже вложенных денег, урезать траты, улучшать рекламу, но не изобретать что-то новое – это гораздо рискованнее. Такую вещь в электронной таблице не распишешь. Это не в духе работы воображения и мечтаний о будущем – не так нужно действовать, если хочешь долететь до Луны».

Пушмит Коли, глава исследовательской команды

У многих основателей стартапов в их миссии есть частичка неожиданных счастливых случаев – задача, с которой они столкнулись и вознамерились решить, случайная встреча с сооснователем или инвестором, сторонник из академической среды. Но это не случай Хассабиса – он намеренно принял несколько решений, одно за другим – некоторые из них в весьма раннем возрасте – которые в итоге привели его к созданию DeepMind. «Это то, к чему я готовился всю жизнь, — говорит он. – От дизайна игр до увлечения играми, от нейробиологии до программирования, от изучения ИИ в институте до учёбы во множестве лучших институтов мира, от докторской диссертации до организации стартапа в ранней части карьеры. Я пытался использовать каждую кроху опыта. Я намеренно выбрал все эти вехи так, чтобы получить весь этот опыт».

Добавьте к этому должность генерального директора, работу, которой он занимается ежедневно. У него есть и другая роль – исследователя, и чтобы успевать всё, он структурирует время, разбивая на отдельные периоды, чтобы балансировать управление бизнесом и научные интересы. Выполнив роль директора в течение рабочего дня, он возвращается домой к 19:40, ужинает со своей молодой семьёй, а потом отправляется на «второй день», начинающийся где-то в 22:30 и заканчивающийся в 4:00-4:30.

«Обожаю это время, — говорит он. – Я всегда был совой, с детства. В городе и в доме тишина, и мне это очень помогает думать, читать, писать. Именно тогда я узнаю все последние научные новости. Или я могу писать работу, редактировать её, придумывать новый алгоритм, какую-то стратегию, исследовать область науки, к которой можно было бы применить ИИ».

Во время работы он слушает музыку. Стиль музыки – от классической до драм-н-бэйс – зависит от «тех эмоций, которые я стараюсь в себе пробудить. Это зависит от того, хочу ли я сконцентрироваться или возбудить воображение». К музыке есть пара требований: там не должно быть вокала, иначе он отвлекается на слова; и музыка должна быть достаточно знакомой. «Это должно быть что-то знакомое, но не сильно. И это не может быть новая музыка, это сильно отвлекает мозг».

Хассабис говорит, что ему хотелось бы проводить 50% своего времени за непосредственными исследованиями. Для этого в апреле 2018 он нанял Лайлу Ибрагим, ветерана Кремниевой долины, проработавшую 18 лет в Intel перед тем, как занять должность директора по персоналу в Kleiner, Caulfield, Perkins and Byers – одной из наиболее крупных венчурных фирм в Долине – а потом перейти в стартап Coursera. Ибрагим забирает у Хассабиса многие управленческие задачи – он говорит, что из 20 человек, отчитывавшихся ему напрямую, теперь осталось 6. Ибрагим считает, что присоединиться к DeepMind её побудили «моральные соображения», возникшие после разговоров с Хассабисом и Леггом касаемо их инициативы «Этика и общество», которая пытается насаждать стандарты применения технологии.

«Думаю, что работа в Лондоне даёт немного другую перспективу, — говорит она. – Думаю, что если бы штаб-квартира DeepMind расположилась в Кремниевой долине, всё было бы совсем по-другому. Кажется, что в Лондоне гораздо больше человечности. Искусство, культурное разнообразие. А ещё у них есть то, что основатели поддерживали с самого начала, и люди, которые решили работать в DeepMind, привнесли в компанию особый способ делать дела, особый настрой».

Лайла Ибрагим

Один случай раскрывает то, что описывает Ибрагим. Хассабис был шахматным вундеркиндом. С четырёх лет он начал расти в рейтингах, пока в 11 лет не оказался на крупном международном чемпионате, играя против датского гроссмейстера в городской ратуше неподалёку от Лихтенштейна.

После почти 12 часов игра подходила к концу. Такого расклада Хассабис раньше не встречал – у него был ферзь, а у противника – ладья, слон и конь, однако Хассабис всё ещё мог свести дело к ничьей, если бы он смог постоянно объявлять противнику шах. Шли часы, другие игры уже закончились, помещение опустело. Внезапно Хассабис понял, что его король попал в ловушку, что означало неминуемый мат. Хассабис сдался.

«Я очень устал, — говорит он. – Мы сидели там уже 12 часов или типа того, и я думаю, что я, видимо, ошибся, и он поймал меня в ловушку».

Его противник – Хассабис вспоминает, что мужчине было лет 30-40 – встал. Его друзья окружили его, он смеялся и показывал на доску. И тут Хассабис понял, что зря сдался – игру можно было свести к ничьей.

«Мне нужно было просто пожертвовать ферзём, — говорит он. – Это был его последний шанс. Часами он пытался заманить меня. И это был его последний дешёвый трюк. И он сработал. По сути, мои 12 часов изнурительной работы ни к чему не привели».

Хассабис вспоминает, что в тот момент ему пришло озарение. Он задался вопросом о полезности такого времяпрепровождения, когда гениальные люди соревнуются друг с другом, чтобы выиграть в игре с нулевой суммой. Затем он продолжил играть, на высочайшем уровне, стал капитаном команды в университете, и всё ещё рассказывает о своей любви к сложным играм, однако опыт научил его перенаправлять свою энергию в задачи, не относящиеся к играм. «Я не мог бы стать профессиональным игроком в шахматы, поскольку это казалось мне непродуктивным», — сказал он.

Несмотря на то, что компания переезжает в новую штаб-квартиру, Хассабис всё ещё считает DeepMind стартапом, пусть и соревнующимся на мировой арене. «Китай мобилизировался, как и США. Этими вещами занимаются серьёзные компании», — говорит он. И действительно, США и Китай пытаются стандартизировать эту область, и обратить это себе на пользу, как с коммерческой, так и с геополитической точки зрения. Он несколько раз упоминает о том, что, несмотря на прогресс, им ещё предстоит долгий путь к более крупной цели – решение задачи интеллекта и создание ИИОН. «Мне хочется, чтобы у нас сохранялась эта жажда, скорость работы, энергия, которой обладают лучшие стартапы», — говорит он.

Инновации редки, их сложно создать. Построить процессы и культуру в компании, которые позволят ей «оставить след во Вселенной», как говорил Стив Джобс команде, создававшей компьютер Macintosh – причём сделать это в нескольких областях с несколькими продуктами – удаётся мало каким организациям. С ростом DeepMind от основателей потребуется направлять её по нужному пути, следя за основополагающими принципами бизнеса, сконцентрированного на технологии, которая, скорее всего, станет наиболее преобразовательной из всех в ближайшие годы, по пути, полному не только опасностей, но и возможностей.

«На пути будет много трудных дней, и я думаю, что в итоге, желания заработать денег или чего-то такого не хватит, чтобы пройти через самые сложные времена, — говорит Хассабис. – Если у вас есть настоящая страсть и вера в важность того, что вы делаете, то я смогу вас провести через эти дни».

Автор:
Источник: https://habr.com/