Код креативности. Как искусственный интеллект учится писать, рисовать и думать

Когда сотрудники DeepMind и Google начали рассматривать теоремы, учтенные в «Мицаре», они выяснили, что в 56 % случаев доказательства были сформулированы без участия человека. Их целью было увеличить эту долю. Нужно было создать новый алгоритм машинного обучения, доказывающий теоремы, который учился бы на этих доказательствах, успешно сгенерированных компьютером. Они надеялись, что алгоритм сможет извлечь из данных, уже имеющихся в математической библиотеке «Мицар», действенные стратегии продвижения по дереву доказательств. В статье, которую с гордостью вручил мне Виньялс, группа DeepMind и Google сумела, используя свой алгоритм для создания доказательств, увеличить содержание компьютерных доказательств в библиотеке с 56 до 59 %. Хотя это достижение может показаться не особенно выдающимся, следует признать, что это нетривиальное качественное изменение, полученное благодаря применению новых технологий. Речь идет не просто о еще одной теореме или еще одной выигранной партии. Речь идет о трехпроцентном увеличении доли доказательств, доступных для компьютера.

Я отчасти мог понять, почему это достижение так радует Виньялса. Его проект похож на обучение алгоритма джазовой импровизации, только выбирается не оптимальная следующая нота, а оптимальный следующий логический шаг. Алгоритм существенно расширил возможности компьютера. Он освоил новую территорию. Компьютер создал новые теоремы – как если бы он сочинил новую музыку.

Однако, должен признать, я уходил из DeepMind несколько разочарованным. Казалось бы, такое ускорение прогресса математики должно было привести меня в полный восторг, но я увидел лишь бездумную машинную штамповку математической жвачки, а не услышал волнующую меня музыку сфер. Никто не пытался оценить значение вновь открытых утверждений, никого не интересовало, содержатся ли в них какие-либо откровения. Они были новыми, и только. Казалось, что в них недостает двух третей того, что составляет акт творчества.