Экспонента. Как быстрое развитие технологий меняет бизнес, политику и общество
Шрифт:
Таково истинное наследие закона Мура. Аппаратное обеспечение цифровых технологий постоянно наращивает мощности, и с тем же постоянством снижается его цена. Поскольку чипы развиваются с экспоненциальной скоростью, возрастая на 50 % и более в год в течение многих лет, они за пустяковые деньги предоставляют доступ к невообразимой вычислительной мощности. Эта гипердефляция создает все более широкие возможности – новые продукты, которые, в свою очередь, могут распространяться в нашей экономике все быстрее. Весь этот процесс представляет собой постоянное ускорение.
К началу XXI века некоторые специалисты начали обращать внимание на замедление действия закона Мура. Удивляться этому не стоит. Технологии не могут бесконечно развиваться экспоненциально. Сегодняшние автомобили ездят ненамного быстрее, чем в конце Второй мировой войны. Современные пассажирские самолеты летают со скоростью примерно 500 миль в час –
Есть веские основания полагать, что наш нынешний подход к проектированию микросхем близок к границам возможного. Ученые придумывают все более сложные процессы, чтобы соответствовать предсказаниям Мура. Поскольку транзисторы становятся все меньше, для их создания требуется все более точное оборудование: сегодняшние фабрики по производству полупроводников используют невероятно сложную лазерную технологию, а самые современные лазеры стоят по сто миллионов долларов и более. При этом любое, даже крошечное, изменение атмосферных условий на фабриках представляет смертельную угрозу для микроскопических транзисторов: испортить кремниевые пластины может одна пылинка. По этой причине сегодня помещения, в которых производятся чипы, – самые неподвижные в мире: они покоятся на огромном количестве амортизаторов. Они также и самые чистые. Воздух в этих помещениях, площадь которых иногда достигает почти двадцать тысяч квадратных метров, часто фильтруется около шестисот раз в час. (Для сравнения: в больничной операционной воздух необходимо очищать всего лишь пятнадцать раз в час.)
Именно это мы и имеем в виду, когда говорим, что закон Мура – это социальный факт, а не жесткое правило: полупроводниковая промышленность была чрезвычайно заинтересована в том, чтобы ему соответствовать. По оценкам некоторых экономистов, объем исследований, направленных на поддержание закона Мура, с 1971 по 2018 год увеличился в восемнадцать раз. Стоимость строительства полупроводниковых фабрик росла примерно на 13 % в год – самые современные стоят пятнадцать миллиардов долларов и более [34] .
34
David Rotman, “We’re Not Prepared for the End of Moore’s Law,” MIT Technology Review, February 24, 2020. https://www.technologyreview.com/2020/02/24/905789/were-not-prepared-for-the-end-of-moores-law/.
Несмотря на все усилия, в конце 2010-х годов рост числа транзисторов на единицу площади начал замедляться. Подобно притиснутым друг к другу и изнывающим от пота пассажирам в жаркий день, эти микроскопические схемы стали раздражать друг друга. Каждый миниатюрный транзистор выделяет тепло, которое может воздействовать на соседние схемы и ухудшать их надежность, и с этой проблемой инженерам все сложнее бороться. Более того, современные транзисторы настолько малы – всего несколько атомов в ширину, – что вскоре на них могут начать действовать причудливые законы квантовой физики. При таких масштабах частицы настолько малы, что ведут себя как волны, то есть способны проходить через физические барьеры и проникать туда, где им не место. Закон Мура перестает выполняться из-за квантовых эффектов, влияющих на электроны.
Однако это не означает, что рост компьютерной мощности замедлится. Компьютерная революция не демонстрирует никаких признаков замедления. Рэй Курцвейл, один из ведущих мировых аналитиков технологий, выдвигает теорию технологического развития, которая пытается объяснить почему. Он считает, что технологии имеют тенденцию развиваться ускоренными темпами – в соответствии с тем, что он называет законом ускоряющейся отдачи. В основе модели Курцвейла лежит положительная обратная связь. Хорошие компьютерные чипы позволяют нам обрабатывать больше данных, что помогает нам узнать, как делать компьютерные чипы лучше. После чего мы можем использовать эти новые чипы, чтобы создавать еще лучшие чипы, и так далее. По Курцвейлу, этот процесс постоянно ускоряется: отдача от каждого нового поколения технологий наслаивается на отдачу предыдущего, и они даже подпитывают друг друга [35] .
35
Ray Kurzweil, “The Law of Accelerating Returns,” Kurzweil.net, 2001. https://www.kurzweilai.net/the-law-of-accelerating-returns.
Однако важнейшая часть теории Курцвейла не относится к какой-либо определенной технологии вроде автомобиля или микрочипа. Он сосредоточивается на взаимодействии различных технологий. Главная идея Курцвейла состоит в том, что экспоненциальное развитие технологий – это не продвижение отдельных изобретений или даже отдельных секторов
Вспомните S-образные кривые в данных Хораса Дедью. Когда технология только создается, ее развитие и распространение идет по пологому градиенту. Это говорит о медленном, но значимом прогрессе. Однако в какой-то момент развитие технологии набирает темп. Происходит быстрый рост, пока на определенном этапе прогресс не сходит на нет. Наш прежде почти вертикальный график становится горизонтальным.
Однако, по мнению Курцвейла, в любой момент времени S-образной кривой следует множество технологий. Когда одна S-кривая достигает своего наивысшего градиента, стартует другая кривая. Как только наша первая кривая начинает приближаться к горизонтали, более молодая технология подходит к взрывной фазе своего ускорения и принимает эстафету быстрого роста. Что самое важное, эти разные технологии подпитывают друг друга: инновации в одном секторе вдохновляют развитие в другом. Когда одна технология достигает предела своего потенциала, новая технологическая парадигма уже ждет своего часа и подхватывает инициативу. В результате – даже если развитие отдельных технологий последовательно замедляется – темп технологического прогресса в обществе все равно ускоряется [36] .
36
Kurzweil also predicts a “singularity” where the capacities of computers exceed those of the human brain. This argument is not relevant to my argument, so I don’t consider it here.
Эта теория имеет глубокие последствия для будущего компьютеризации. Хотя парадигма, которую описывает закон Мура, имеет свои пределы, в целом мы не подходим к пределам развития вычислительной мощности. Мы всегда найдем какой-нибудь новый подход, который поможет удовлетворить растущие потребности пользователей. Просто в будущем увеличение вычислительной мощности необязательно будет основываться на втискивании еще большего числа транзисторов на чип.
Пока что теория Курцвейла представляется верной. В первые годы нового тысячелетия, примерно когда мы приблизились к тому, что многие инженеры сочли физическими пределами закона Мура, мы достигли переломного момента. Появилось достаточно данных и достаточно вычислительных мощностей, которые позволили разработать новую техническую парадигму – искусственный интеллект (ИИ). Это послужило катализатором совершенно нового взгляда на вычислительную мощность – вышедшего за пределы нашего прежнего подхода к проектированию микросхем.
Люди с самых давних времен размышляли о возможности создания искусственного интеллекта. По словам Стюарта Рассела, одного из ведущих мировых ученых в области искусственного интеллекта, компьютер можно считать разумным, если он способен предпринимать действия, позволяющие достичь поставленных целей [37] . Что особенно важно, программное обеспечение для ИИ должно быть в состоянии принимать некоторые решения, а не просто слепо следовать каждому шагу программного кода.
37
Azeem Azhar, “Beneficial Artificial Intelligence: My Conversation with Stuart Russell,” Exponential View, August 22, 2019. https://www.exponentialview.co/p/-beneficial-artificial-intelligence.
После того как в 1955 году ученый Джон Маккарти ввел термин «искусственный интеллект», исследователи приступили к созданию именно таких «интеллектуальных» машин. В следующие шестьдесят лет исследования в области ИИ продвигались медленно. Было много фальстартов – казавшиеся существенными прорывы вели к завышенным ожиданиям, что, в свою очередь, приводило к неудачам и унынию. Проблема состояла в недостатке данных и нехватке вычислительной мощности. В течение десятилетий многие ученые верили, что любой крупный прорыв в области ИИ, вероятно, произойдет благодаря так называемому машинному обучению. Этот метод предполагает сбор огромного количества информации о проблеме и использование алгоритмов для выявления повторяющихся моделей. Например, можно научить ИИ различать кошку и собаку, показав десять миллионов фотографий кошек и собак и недвусмысленно объяснив машине, кто – кошки, а кто – собаки. В итоге «модель» научится отличать фотографии кошек от фотографий собак. Но до сравнительно недавнего времени нам не хватало данных и вычислительных мощностей, чтобы реализовать потенциал машинного обучения. Из-за большого объема громоздких числовых задач такой подход требует большого количества информации и дорогостоящих вычислений. А таких объемов информации и таких вычислительных мощностей просто не было.