Ученые много спорят о том, что сегодня представляет собой искусственный интеллект. Скептики утверждают, что мы научились лишь автоматизировать некоторые социальные роли: фактически отдавать машине на аутсорсинг созданные человеком алгоритмы. Каждый из них, в свою очередь, может научиться решать конкретную задачу лучше, чем человек. Но в отличие от разума машина пока не может ставить себе задачи самостоятельно и принимает решения по заданным извне алгоритмам.

Новенький iPhone X распознает ваше лицо благодаря обученной нейросети, а Siri постигает азы хорошего чувства юмора. Google и Yandex, Nissan, Volvo, Toyota и BMW инвестируют миллиарды долларов в беспилотные автомобили.

Антропоморфные роботы  boston dynamics успешно выполняют акробатические трюки. и все же эти «машины» следуют заложенному в них набору программ и зависят от человека. Когда состоится революционный скачок к технологической сингулярности (и состоится ли) – вопрос для футурологов и фантастов. А пока искусственный интеллект – это в том числе сильный бренд, который хорошо продается.

Медианные оценки этого рынка, сделанные лучшими исследовательскими компаниями мира и крупными институциональными инвесторами, говорят о потенциальной выручке в размере $5-15 млрд к 2020 году. Самые смелые из них прочат сегменту AI экспоненциальный рост вплоть до триллионов долларов на горизонте десяти лет.

Три волны хайпа искусственного интеллекта

История искусственного интеллекта как науки началась почти 70 лет назад — с теста Тьюринга, главной идеей которого был поиск ответа на вопрос, может ли машина мыслить. В 1956 году состоялся знаменитый Дартмутский семинар, посвященный теме искусственного интеллекта. Собственно, именно на этом семинаре новая наука фактически утвердилась в своих правах и получила свое название.

После Дартмутского семинара стало казаться, что все возможно, и тогда началась первая волна «хайпа» искусственного интеллекта, говорит Сергей Николенко, директор по науке компании Neuromation. «Но очень скоро оказалось, что это не так. Одним из первых крупных проектов в сфере искусственного интеллекта в конце 50-х был большой государственный проект в США, связанный с машинным переводом. Речь идет о периоде холодной войны, поэтому неудивительно, что переводили с русского на английский. Конечно, у них ничего не получилось: в 1960-е невозможно было сделать машинный перевод. И когда провалился этот эксперимент, а вместе с ним несколько других, наступила первая зима искусственного интеллекта — The First AI Winter. Она продлилась до начала 1980-х — в это время началась вторая волна хайпа, связанная с нейросетями. Она тоже столкнулась с определенными препятствиями и закончилась в конце 1980х — начале 1990-х», говорит эксперт.

По мнению Сергея Николенко, проблемы в области искусственного интеллекта в конце XX века отчасти были чисто технологическими: «это нетривиальное наблюдение, но если взять нейросеть из середины 1980-х и просто механически сделать ее больше, ничего не меняя и не добавляя, она будет работать. То есть основные идеи в то время уже были, но не было подходящих по мощности компьютеров и, что более важно, не было данных (и негде было их хранить)».

О нейросетях надолго забыли и вернулись к ним только уже в середине «нулевых», когда появились и данные, и мощные компьютеры, и возможность использовать видеокарты. Этот процесс активно развивается до сих пор и, как считает Сергей Николенко, сейчас мы наблюдаем третью волну хайпа искусственного интеллекта.

От ритейла к биомедицине

Сегодня разработки в сфере искусственного интеллекта в основном связаны как раз с нейросетями и машинным обучением. В этой сфере находятся и интересы компании Neuromation, которая занимается научными исследованиями и созданием прикладных решений для различных сфер бизнеса.

Первым проектом компании стала разработка системы распознавания товаров для супермаркетов с использованием компьютерного зрения.

«Сейчас проверкой расположения товара на полках занимается огромный штат мерчендайзеров, которые физически ходят из магазина в магазин. Мне кажется, что люди не должны заниматься такой работой, это можно автоматизировать. И мы сейчас стараемся это автоматизировать», говорит Сергей Николенко.

В партнерстве с компанией OSA HP Neuromation уже тестирует решение на российском рынке ритейла.

Технологии машинного обучения могут значительно оптимизировать процессы во многих отраслях, считает Сергей Николенко. «Есть огромное количество индустрий, где machine learning до сих пор не используется. Например, мы сейчас начинаем активно сотрудничать с представителями из биомедицинского сегмента. Кажется, что в этой отрасли уже применяются соответствующие решения, но если копнуть глубже, часто оказывается, что используются модели десятилетней давности. Сейчас мы готовимся начать проект вместе с компанией Insilico Medicine, которая занимается борьбой со старением и разработкой лекарств с помощью машинного обучения. Без лаборатории невозможно выпустить лекарство, но сейчас процесс выглядит так: биологи сидят и перебирают по тысяче вариантов соединений в надежде на то, что что-то сработает. Машинное обучение может само генерировать различные варианты. Их, конечно, надо будет проверять в лаборатории, но это существенно сократит список вариантов», говорит Николенко.

Еще одно решение Neuromation разработала для животноводческого сектора, а конкретно — для свиноводства. В этом сегменте главная задача заключается в подборе правильной системы откорма для каждого животного — на корм приходится 75% затрат. Однако ориентироваться на вес свиней фермеры не могут: животные испытывают стресс при взвешивании, худеют, и полученные данные оказываются непригодными. Neuromation предложила систему неинвазивного «взвешивания» с помощью компьютерного зрения. В вольерах устанавливаются камеры, по которым можно определить размер свиней и, как следствие, их вес.

Токенсейл

В процессе работы над системами с использованием компьютерного зрения Neuromation столкнулась с проблемой нехватки вычислительных мощностей. Аренда мощностей у облачных сервисов Amazon или Google была неподъемной для стартапа, а из-за бума майнинга в магазинах был острый дефицит видеокарт. Так появилась идея брать вычислительные мощности в аренду у майнеров, которая в итоге выросла в создание нейроплатформы.

«Основная идея заключается в том, чтобы взять оборудование у майнеров. Оно у них, конечно, не простаивает, но приносит мало денег; и чем дальше — тем меньше, просто из-за самой математической структуры того, что они делают. Платформа основана на разрыве между доходами майнеров и тем, что можно было бы сделать с их машинами», — говорит Сергей Николенко.

«Мы сейчас очень активно работаем с майнерами, адаптируем их оборудование для нужд машинного обучения. С точки зрения предложения это все уже готово на годы вперед, майнеры стоят в очереди. Сейчас мы работаем над привлечением покупателей на платформу», рассказывает Сергей Николенко.

Neuromation решила использовать блокчейн, чтобы создать платформу, которой будет удобно и выгодно пользоваться майнерам и  специалистам в области машинного обучения. Модульная архитектура платформы позволит встраивать любые плагины или сервисы. Сейчас проект находится на стадии MVP (minimum viable product — минимально жизнеспособный продукт) и PoC (proof of concept — доказательство концепции).

Для развития платформы компания провела токенсейл и собрала $50 млн, заняв в январе 2018 года второе место по объему привлеченных средств. Основную сумму компания получила на этапе предварительных продаж.

Участники токенсейла получили нейротокены (NTK), которые служат средством обмена на платформе. Вознаграждение за свои услуги майнеры также будут получать в нейротокенах. К платформе подключается ряд криптовалютных бирж, на которых можно будет конвертировать полученные или приобретенные NTK. Доход майнеров будет зависеть от того, какими вычислительными ресурсами они располагают. Чем лучше «железо» — тем выше потенциальное вознаграждение. Скорость выполнения работ на нейроплатформе также зависит от ресурсов. При этом у платформы нет технических ограничений по количеству одновременно подключенных к ней майнеров. Предполагается, что цена для заказчика будет формироваться по итогам аукциона внутри сети Neuromation.

Текущая версия платформы основана на блокчейне Ethereum, а в перспективе компания рассчитывает перейти на собственный блокчейн. В качестве одного из вариантов Neuromation рассматривает HashGraph, чтобы избежать возможных проблем с перегрузкой сети. Также компания работает над обеспечением высокой степени защищенности данных и безопасности пользователей платформы.

В планах разработчиков — создание комьюнити и маркетплейса, где будут представлены как готовые модели, так и те, которые можно будет обучить на данных заказчика. Для развития площадки Neuromation рассчитывает использовать свою экспертизу в области искусственного интеллекта. Специалисты компании помогут с подбором подходящего решения и кастомизацией оборудования.

Как зарабатывать на науке

Успешное привлечение средств на токенсейле позволило Neuromation активно развивать и другие направления, в том числе заниматься большими научными проектами. Выбор токенсейла для получения фондирования в компании объясняют тем, что предложения многих венчурных фондов сегодня выглядят не слишком привлекательно.

Венчурные фонды уже не такие венчурные, как были раньше; они сильно институционализировались

Сейчас предложения многих фондов звучат довольно странно: дайте нам 20% equity, а мы дадим вам комнату и повесим табличку. Так работают даже известные фонды из Кремниевой Долины. Но везде, в том числе и в России, есть адекватные бизнес-ангелы, которые все понимают и готовы на ранних этапах давать деньги», говорит Сергей Николенко.

При развитии проектов Neuromation обычно придерживается партнерской бизнес-модели, подбирает надежного партнера, специализирующегося на конкретной сфере. Одной из общих проблем взаимодействия стартапов и бизнеса Сергей Николенко считает трудность точной оценки эффективности решения, которую всегда хочет услышать бизнес. Тем не менее выгоды от использовании технологий искусственного интеллекта становятся все более очевидными.

У Neuromation есть офисы в Таллине, Киеве, Сан-Франциско, Тель-Авиве и Краснодаре; недавно компания открыла лабораторию в Санкт-Петербурге и активно набирает команду. «Neuromation — молодая компания, ей только год. Сейчас у нас этап построения собственной команды, которая способна поднимать проекты в большом количестве. Я руковожу лабораторией в Санкт-Петербурге, ищу сильных специалистов в области deep learning», — заключает Сергей Николенко.