Тема номера - Интервью
Индустрии будущего
Журнал РБК и его приглашенный главный редактор выбрали бизнесы, которые уже существуют и обещают стать огромными
Дмитрий Гришин: «Давайте сосредоточимся на том, как наша человеческая жизнь поменяется»
Технологии помогают человеку работать, отдыхать, общаться, получать новые знания, развлекаться, перемещаться в пространстве. Cовременный горожанин не представляет себе жизни без них. Но какой станет эта жизнь, когда технологии полностью вытеснят человека из целых сфер и отраслей, оставив ему роль пассивного наблюдателя и получателя услуг? Председатель совета директоров Mail.Ru Group и основатель компании Grishin Robotics Дмитрий Гришин, конечно, не на стороне тех, кто в расцвете «бесчеловечных» технологий видит признаки грядущего апокалипсиса
— Когда мы готовились делать этот номер и смотрели на разные новые и передовые разработки, то выделили целую группу, которую для себя назвали «бесчеловечными» технологиями. В смысле есть ощущение, что большая часть новых технологий призвана исключить или нивелировать человеческий фактор в разных сферах.
— Есть две формы отношения людей к будущему, в котором роботы все больше будут заменять людей. Первая — относиться к роботам, автоматизации, искусственному интеллекту как к появлению паровозов в XIX веке. Да, они пугали коров, да, некоторые фермеры обанкротились, но системно благодаря им появилось много хорошего: товары из разных стран, путешествия и так далее. Вторая — давайте сосредоточимся не на том, что мы тут все умрем и паровозы всех собьют, а на том, как наша человеческая жизнь поменяется. Условно говоря, это — попытка системного анализа того, что будет происходить.
— Есть и у нас попытки делать, например, беспилотные автомобили. Они ведь точно наше будущее. Или все-таки это пока вопрос?
— Беспилотные автомобили — это очевидное будущее. В Штатах уже перестали спорить, будут они или нет, стали переходить к прагматике — а что конкретно?
Внутри этого направления существуют два подхода. Первый (его придерживается, например, Google): давайте будем долго-долго делать беспилотные автомобили, и когда-нибудь у нас получится полностью универсальный автомобиль, который будет ездить везде. Шансы на развитие этого направления есть, но появляется все больше скепсиса.
— Не будет таких полностью универсальных автомобилей?
— Есть второй подход, который мне лично ближе: давайте не будем делать сразу полностью беспилотные машины, потому что это очень сложно. Давайте поэтапно улучшать, автоматизировать, собирать много больших данных, учиться на этом. В рамках этого подхода существует схема поэтапной автоматизации и внедрения беспилотных автомобилей. ADAS-0 (advanced driver assistance systems; передовые системы помощи водителю. — РБК) — это то, что мы имеем сейчас. ADAS-1 — автомобиль начинает немножко подруливать. Дальше ADAS-2, 3… И четвертый уровень — это когда машина сама рулит, но если запуталась, то останавливается и говорит: «Помоги мне». То есть суть второго подхода — давайте итерировать, улучшать постепенно. И самый яркий представитель этой ветки — Tesla. В ней также Mercedes, BMW и прочие.
— То есть беспилотные автомобили или частично беспилотные могут стать массовыми уже скоро?
— Первая фаза развития любой технологии — это когда она просто заработала. Вторая — когда она уже имеет коммерческий смысл для масштабирования. Когда у вас, например, беспилотные автомобили стоят больше $3 млн, это значит, что они не готовы для массмаркета. Это как история с iPhone: большинство компонентов, нужных для него, были готовы еще в 1990-х годах — экранчики такого размера, батарейки… В принципе, он как бы был, просто стоимость этого устройства составляла запредельную для массового рынка стоимость. Скорее всего, в случае и с беспилотными автомобилями, и с теми же дронами сейчас уже есть успешные кейсы, и ясно, что это работает — осталось довести технологию до такого состояния, чтобы это имело экономический смысл.
Что более интересно и важно — появление новых технологий приводит к структурным изменения. Если подумать, что такое беспилотные автомобили? Это не только перемещение из точки А в точку Б. Скорее всего, это поменяет огромную часть общества. На дорогах появится много машин, в которых люди проводят время. Эти машины могут, например, стать движущимися кинотеатрами, а у людей появится много дополнительного времени, которое сейчас они тратят на управление автомобилем.
Второе — скорее всего, кардинально изменится подход к строительству городов и инвестициям в недвижимость. Раньше, например, хорошим объектом считалась башня с огромным парковочным местом вокруг нее или внутри в центре города, вот как наш офис Mail.Ru Group например. Через 20–30 лет эта недвижимость может перестать быть ценной, потому что парковка станет не нужна и вообще структуру зданий нужно будет сделать другой. Возможно, объекты недвижимости, инвестиционное владение ими и то, как движется капитал в области real estate, начнут резко меняться.
— А это в свою очередь может изменить и многие другие области нашей жизни.
— Я искренне верю, что самая прорывная идея в области self driving cars — это опять же системное влияние на конъюнктуру: как они поменяют города и трудовой рынок в целом. Раньше была шестидневная рабочая неделя, даже семидневная. Потом начался процесс автоматизации, и неделя сократилась до пяти дней. Дальше, скорее всего, государства будут переходить к четырехдневной рабочей неделе. У нас будет три выходных, а это значит, что инвестиции во все виды развлечений станут более важными и мы будем меньше работать. По этому поводу тоже идет горячая дискуссия: к чему это приведет и как все поменяет.
— А работать будут роботы? Много разговоров о новой индустриализации, связанной с распространением роботов и 3D-принтеров.
— Смотрите: уже сейчас есть тенденция возвращения производств в развитые страны. Почему они раньше все отдавали в Китай? Очень дорого было производить, рабочая сила была дорогая. Но если все больше и больше делают роботы, то страны с дешевой рабочей силой уже не так нужны. Выгоднее обратно вернуть свой завод, где тебе нужно всего несколько инженеров-робототехников для его обслуживания. Возможно, всюду появится множество локальных фабрик, которые будут работать на местах. Человеческий труд на заводах будет не настолько важен для тех, у кого есть развитые робототехнические технологии.
— Здесь мы снова погружаемся в страшилку для нас: развитые страны оторвутся от остальных еще сильнее?
— Как раз для России это хорошая страшилка. Если мы говорим о производстве, на котором нужны, условно, 20 тыс. человек, экономически не очень оправданно запускать его на территории России. Но если вы хотите запустить завод, где нужны несколько программистов, которые будут за ним следить, и у которого КПД как у огромной фабрики, — тут Россия в выгодном положении. У нас в стране огромное количество свободной земли, а также одни из самых талантливых в мире программистов, что создает хорошую основу для того, чтобы будущие роботизированные фабрики строились в России.
— Да, но у нас нет сейчас роботов и робототехнических технологий.
— Но они нужны. Не знаю, получится у России или нет, но в концепции, когда появляются полностью автоматизированные заводы, у нас шансов больше. Имеет смысл потратить $100 млн и построить такой завод. Да, все равно нужно будет пользоваться какими-то западными технологиями… Но это по крайней мере имеет смысл.
— Еще одна история, которая очень активно обсуждается: роботы и компьютеры заменят не только фабричных работников, но и программистов. Например, машины сами начнут писать код, сами будут обучаться — в общем, все связанное с машинным обучением.
— Есть огромная дискуссия по поводу machine learning и искусственного интеллекта. Безусловно, это будет одним из самых больших прорывов за всю историю IT. Правда, иногда понятие «машинное обучение» не совсем верно интерпретируется. Machine learning позволяет анализировать большие объемы данных. Настолько большие, что человеческому мозгу это уже недоступно. Например, вы показываете машине миллион картинок и говорите, что на всех этих картинках — собака. А дальше машина начинает понимать, есть ли на следующих фотографиях собака.
— И к чему применить такую технологию? Большие данные, распознавание лиц?
— Она будет применяться для огромного количества задач, требующих анализа данных. Например, так можно искать клиентов. Сейчас как это происходит? Есть маркетолог, который говорит, что ваш клиент — это мальчик или девочка такого-то возраста. А можно вместо этого просто напустить machine learning-алгоритм на базу всех ваших клиентов за всю историю и дальше сказать: находите мне похожих. При этом машина даже не может сформулировать конкретный «образ клиента», потому что это многомерная функция от тысячи переменных. Но зато она может сказать: «Этот человек на вашего клиента похож с вероятностью 80%». И это будет огромный прорыв.
— Когда все задачи машине все время ставит человек, наверное, она не может считаться искусственным интеллектом.
— Если говорить про алгоритмы, которые сами создают новые алгоритмы, вопросов намного больше. Пока это скорее из области научной фантастики. Возьмем тот же выигрыш в шахматы: нам может показаться, что это искусственный интеллект, что машина знает, как ходить. А на самом деле у нее миллион партий записано в памяти, и машина анализирует данные и делает предсказание, какой из этих ходов будет удачнее. Это не интеллект, это умение обрабатывать огромные данные и на них учиться. Немножко разные вещи. Например, сам этот алгоритм в шашки или в поддавки играть не научится.
— А интеллект в какой момент возникает?
— Долгая дискуссия, это больше вопрос терминологии. В принципе можно говорить, что даже «Алекса», с которой я могу сейчас разговаривать, — уже интеллект (Alexa, голосовой помощник для дома от компании Amazon, услышав во время интервью свое имя, «просыпается» и говорит: «Простите, я не поняла вопрос». — РБК). Или можно сказать, что навигационная система у вас в машине для человека 1970-х годов — это интеллект, почему нет?
— Где роботы быстрее всего заменят людей и где не смогут заменить?
— Сейчас главная тенденция робототехники — попытка заменить повторяемые и автоматизированные действия. То есть робот может следовать какому-то алгоритму, который можно сформулировать и применить. При этом алгоритму необязательно быть элементарным («открывай дверь, когда человек подходит»). Он может быть сформулирован так: возьми фотографии всех дверей, которые существуют в мире, и на основании этого предположи, как будет выглядеть новая дверь. Это более сложный алгоритм, но все-таки алгоритм.
Но качество здесь крайне зависит от того, какое количество данных у тебя есть. Алгоритмы машинного обучения, их качество прямо пропорциональны размеру той выборки, на которой ты ее обучаешь. Если у меня есть только две ваши фотографии, я не смогу сделать распознавание вас. Мне нужны миллионы или тысячи фотографий, которые прямо подписаны: «Это главный редактор журнала РБК». Это называется размеченные данные. А если у меня будет просто тысяча фотографий разных людей, это поможет отличать одного человека от другого, но не поможет в задаче определить главного редактора журнала.
— Здесь мы снова приходим к беспокоящей всех страшилке — о тотальной слежке за всеми, о сборе персональных данных. Я разговаривал с людьми из этой сферы, они говорят: все данные про всех уже собраны, хранить их теперь можно годами и очень дешево. Вопрос не в том, чтобы собрать еще данные, а в том, что делать и как заработать на этих.
— Я бы добавил, что не все данные собрали: каждый год генерится данных больше, чем за предыдущие десять лет. Это называется data shock. Данных прибывает намного больше. Десять лет назад не было смартфонов, а сейчас каждый фотографирует своих детей почти каждый день. В моем детстве у меня были фотографии, допустим, икс штук. Количество фотографий моих детей уже просто зашкаливает. То есть, с одной стороны, неправильно говорить, что все данные собрали, но правильно говорить, что данных уже очень много и становится все больше и больше. И это проблемы компаний Mail.Ru Group, Google, Facebook (соцсеть признана в РФ экстремистской и запрещена) и так далее: процент того, что мы умеем анализировать, растет медленнее, чем количество данных. И как раз здесь вся надежда на машинное обучение, потому что, когда данных стало так много и они стали такими сложными, старые подходы к анализу перестали справляться. С machine learning, скорее всего, будет проще. Каждая новая фотография — это не просто набор битов, это дополнительное уточнение для очень сложных моделей. И система будет все время дообучаться.