Искусственный интеллект – надежды и опасения - Джон Брокман

извлекала пользу и выгоду из актуарного; в значительной степени она была механо-актуарной. Изучив 136 исследований по предсказаниям во всех областях, от вынесения приговоров до психиатрии, психологи показали, что в 128 работах прогнозы с использованием актуарных таблиц, уравнений множественной регрессии или алгоритмических циклов как минимум совпадали, а в основном превосходили по точности предсказания на основе субъективного подхода.

Далее в статье приводились семнадцать ошибочных обоснований, выдвигаемых «клиницистами». Среди них имелись сугубо эгоистические, продиктованные страхом потерять работу из-за пришествия умных машин. В других случаях приверженцам клиницизма не хватало образования для проверки статистических выводов. Некая группа заявляла, что не верит в формализм математики; еще одна рассуждала об актуарной «дегуманизации»; третья утверждала, что цель научного поиска заключается в понимании, а не в предсказании. Каковы бы ни были мотивы, говорилось в статье, совершенно аморально отрицать приоритет объективного перед субъективным, алгоритмического перед экспертным (личностным)[178].

Алгористическая точка зрения постепенно набирала силу. Энн Милгрэм занимала пост генерального прокурора штата Нью-Джерси с 2007 по 2010 год. Вступив в должность, она захотела узнать, кого арестовывают, осуждают и сажают в штате в тюрьмы – и за какие преступления. Как она сама призналась на лекции проекта TED Talk, ни данных, ни аналитики практически не было. Применяя статистическое прогнозирование, по словам Милгрэм, правоохранительные органы Кэмдена за время ее пребывания на посту прокурора сумели снизить количество убийств на 41 процент и спасти тридцать семь жизней, а общий уровень преступности снизился на 26 процентов. Присоединившись к фонду Арнольда[179] в качестве вице-президента по уголовному правосудию, она собрала команду ученых и статистиков для разработки инструментов оценки рисков; по сути, миссия команды заключалась в выявлении способов помещения «опасных людей» и освобождения тех, кто не представлял угрозы для общества. «Причина в том, как именно мы принимаем решения, – говорит Милгрэм. – Судьи руководствуются благими намерениями, когда выносят приговоры с поправкой на риск для общества, но беда в том, что они действуют субъективно. Они как бейсбольные скауты двадцатилетней давности, которые полагались на чутье и опыт при оценке потенциальных рисков и перспектив. Люди субъективны, а мы хорошо знаем, что бывает при субъективных решениях, – вероятность ошибки велика». Команда Милгрэм выявила более девятисот факторов риска, из которых девять оказались наиболее предсказуемыми. Самыми актуальными для исследователей были следующие вопросы: совершит ли человек новое преступление? прибегнет ли он к насилию? вернется ли он обратно на скамью подсудимых? Нам нужна, говорит Милгрэм, «объективная мера риска», которая должна отражаться в судейских решениях. Мы знаем, что алгоритмические статистические процессы эффективны. По ее словам, «вот почему «Гугл» стал «Гуглом» и почему в спортивных играх далеко не всё определяется размером кошелька владельца команды»[180].

Алгористы победили. Мы привыкли к мысли, что протоколы и данные могут и должны направлять нас в повседневных действиях, от напоминаний о том, куда мы, вероятно, хотим пойти дальше, до вероятного совершения преступления. К настоящему времени, если верить исследованиям, юридические, этические, формальные и экономические перспективы алгоритмизации выглядят квазибесконечными. Я хотел бы сосредоточиться на конкретной «песни сирен» для алгоритмов – на предполагаемой объективности.

Научная объективность имеет долгую историю. Это может показаться удивительным. Разве утверждение психологов из университета штата Миннесота, приведенное выше, справедливо? Разве объективность не сопровождала науку изначально? Стоит сделать небольшое отступление и поразмышлять над эпистемными[181] достоинствами, присущими труду ученого. Количественная оценка кажется полезной, как и прогнозирование, объяснение, унификация, точность, аккуратность, определенность и педагогическая полезность. В лучшем из всех возможных миров эти эпистемные добродетели будут вести нас в одном и том же направлении. Но они не обязательно совпадают в целях – не больше, чем наши этические добродетели. Поощрение людей в соответствии с их потребностями вполне может конфликтовать с поощрением по способностям. Равенство, справедливость, меритократия – то есть этика в широком смысле – все так или иначе чревато конфликтом соперничающих благ. Слишком часто мы забываем, что такой конфликт присутствует и в науке. Если разработать прибор максимальной чувствительности, его показания будут постоянно различаться, что сделает невозможным повторные замеры.

«Научная объективность» вошла в практику и в номенклатуру науки во второй трети XIX столетия. Это очевидно из научных атласов, которые обеспечивали ученых основными сведениями по выбранной специальности: были (и есть) атласы рук, атласы черепов, атласы облаков, кристаллов, цветов, изображений в пузырьковых камерах, ядерных эмульсий и заболеваний глаз. В XVIII столетии все понимали, что никто не станет изображать в атласе конкретный экземпляр опаленного солнцем гусеничного клевера, растущий возле дома. Люди стремились – если речь о гениальных натурфилософах наподобие Гете, Альбина или Чезельдена[182] – наблюдать природу воочию и идеализировать увиденное, визуально его абстрагировать. Вот скелет; изучи его через camera lucida[183], аккуратно зарисуй. А затем исправь «недостатки». Преимущества такого «занавешивания» практического опыта несомненны: благодаря этому появлялись универсальные руководства, игнорировавшие причуды индивидуальной изменчивости.

По мере расширения числа научных дисциплин и увеличения числа ученых стала все заметнее проявляться обратная сторона идеализации. Одно дело, когда Гете описывал некое «пра-растение» или «пра-насекомое». И совсем другое – когда великое множество ученых принялись фиксировать и описывать свои находки различными, порой противоречивыми способами. С 1830-х годов постепенно начало формироваться новое отношение: утверждалось, что очередной образ зафиксирован с минимальным вмешательством человека, что все протоколы и правила соблюдены. Это подразумевало, что древесный лист обводили карандашом или окунали в чернила и клали на бумагу для получения оттиска. Кроме того, ученые внезапно стали гордиться тем, что разглядывали природные объекты в микроскоп при всех обнаруживаемых недостатках. Чем не радикальная для своего времени идея: снежинки без идеальной гексагональной симметрии, искажения цвета по краям линзы микроскопа, разрывы тканей на сгибах экспериментальных образцов?..

Научная объективность стала означать, что наши представления о мире складываются через принудительное уменьшение вмешательства, пусть даже приходилось фиксировать желтизну края изображения под микроскопом, хотя сам ученый знал, что это цветовое искажение привносит линза, что оно не является характеристикой предмета исследования. Преимущество объективности казалось очевидным: оно гасило стремление увидеть свою теорию признанной или подтвердить общепринятое мнение. Но все имеет свою цену. Наука лишилась точной, легко усваиваемой, яркой, полной глубины и резкости, художественной, если угодно, картины расчлененного тела. Зато приобрела расплывчатую черно-белую фотографию с малой резкостью, и ни один студент (ни даже многие практикующие врачи) не пожелал бы ею воспользоваться для изучения анатомии. Тем не менее на всем протяжении XIX столетия сдержанная – и сдерживающая себя – объективность неуклонно утверждалась в правах.

С 1930-х годов строгая научная объективность начала сталкиваться с проблемами. Например, при каталогизации звездных спектров никакой алгоритм не в состоянии