«Хочется вынести инженера за пределы процесса проектирования» Евгений Бурнаев — о будущем прикладного искусственного интеллекта

Профессор Сколтеха Евгений Бурнаев руководит в институте Центром искусственного интеллекта и считает, что ИИ должен стать сквозной трансформационной технологией для всех областей науки и промышленности. Воплощая эту концепцию, Евгений уже сотрудничал с медиками, нефтяниками, банкирами, киберспортсменами и МЧС и поработал над самолетом, гоночной машиной и музейными экспонатами, а теперь задумался о строительных объектах. Нам он рассказывает о том, как, попав в область ИИ со стороны теории вероятностей, начал прикладную работу в инженерном проектировании и пришел к своему главному на сегодня научному интересу — мультиагентному инженерному искусственному интеллекту. Чем он отличается от обычного ИИ в проектировании и как Евгений смотрит на сгенерированный контент, кибермошенников, голосовых помощников и инновации в спорте с позиции потребителя, вы узнаете из этого интервью.

— Евгений, сейчас вы занимаетесь инженерным искусственным интеллектом. Что это вообще такое? После защиты диссертации вы ведь занимались не этим?

— В кандидатской я занимался теоретическими вопросами, математикой — моделями случайных процессов и решением задачи скорейшего обнаружения разладки. Дальше я переключился на более прикладные задачи, связанные с инженерным проектированием, оптимизацией. Проектированием занимаются большие команды. Применяется программное обеспечение. Это программное обеспечение используется для построения описания концептуального облика, допустим, автомобиля. Потом описываются конкретные узлы в рамках придуманной общей модели автомобиля. Например, 3D-модель какого-то шурупа. Ты можешь в программе этот шуруп поворачивать, рассматривать со всех сторон, искать в базе данных похожие шурупы.

К этому ПО подключается вычислительная модель (солвер), которая считает характеристики вашего шурупа: прочность, массу и т. д. Чтобы проверить, удовлетворяют ли придуманные вами форма и материал детали требованиям. Когда деталь спроектирована, можно провести натурные испытания.

И дальше инженер пытается нащупать такую комбинацию параметров, чтобы, допустим, прочность шурупа удовлетворяла заданной и при этом он был не слишком тяжелый. Есть разные подходы: если параметров два-три, варианты их значений можно «перебирать руками», используя инженерную интуицию. Но если их больше, то это затруднительно: человек не может проследить, как все параметры и их комбинации влияют на характеристики изделия.

Возникает задача: как произвести оптимизацию, то есть нащупать лучшее сочетание параметров, минимальным количеством обращений к солверу. Потому что расчет солвера занимает много времени и может дорого стоить. А натурные эксперименты — тем более. Для этого существуют алгоритмы оптимизации, которые стремятся выбрать эффективную комбинацию параметров.

— Это уже искусственный интеллект или еще нет?

— Нет, это исследование пространства дизайна и оптимизация.

— А в какой момент здесь появляется искусственный интеллект?

— Он решает две проблемы. Во-первых, одно обращение к солверу может занимать часы и даже дни. А значит, вы не можете перебрать много комбинаций параметров. Вторая проблема — объект, например крыло самолета, может не описываться простым набором параметров. Нужно описать сложную 3D-геометрию. Вопрос: как выделить наиболее значимые параметры и описать 3D-модель так, чтобы мы могли автоматически управлять ее формой и достаточно быстро получать результат?

Так вот, появились методы аппроксимации — класс методов ИИ, которые позволяют строить предиктивные модели. Вы подаете на вход описание объекта, например какие-то признаки или даже 3D-форму — ее можно описывать состоящей из треугольников полигональной сеткой (mesh). Модель вам прогнозирует характеристики этого объекта: как он будет себя вести при каких-то условиях эксплуатации, насколько он будет долговечен.

Чтобы такую модель построить, вы делаете сколько-то натурных экспериментов с готовыми объектами и вычислительных экспериментов с виртуальными объектами. Получаете базу данных в формате: вход — описание объекта, выход — характеристика, которая вас интересует. В итоге вы будете использовать для грубого прогноза характеристик предиктивную модель, а не вычислительно тяжелый солвер и тем более не дорогой натурный эксперимент.

— А что со второй проблемой?

— Современные нейросети позволяют описать 3D-модель изделия. Они умеют генерировать сетку (mesh) и отчасти даже описания в виде CAD-моделей. Вы подаете на вход желаемые характеристики, например, в виде текстового описания облика объекта, а нейросеть с лёту генерирует 3D-описание.

— То есть предиктивная модель снимает необходимость делать много вычислительных и натурных экспериментов, а генеративная…

— Она может создавать описания подобного рода объектов. Будучи обученной на данных по какому-то количеству болтиков, она сможет генерировать новые болтики похожего вида. 

Комбинируя эти модели, вы можете более быстро и гибко описывать 3D-форму объектов и пытаться найти такую форму, которая удовлетворяет критериям. При оценке характеристик вы будете сначала использовать грубую предиктивную модель, а потом, нащупав какие-то варианты, уточните ее при помощи «тяжелых» вычислений и экспериментов.

— Это инженерный ИИ?

— Не совсем. Еще в 2007 году мы использовали методы искусственного интеллекта, которые в то время существовали, для оптимизации дизайна определенных элементов самолета на этапе создания концептуального облика изделия. Мы раскладывали самолет на части и некоторые из них описывали вот такими генеративными методами. Например, профиль крыла самолета. Просто сейчас можно всю 3D-форму крыла описать, а тогда — только сечение в 2D. Теперь можно за то же время добиться более эффективной оптимизации.

Но оптимизированные детали нужно еще увязать друг с другом. И в проекте с самолетом эти связи были строго запрограммированы для конкретного самолета. Теперь же появился тот самый инженерный ИИ — мультиагентная система, которая может решить такую задачу без привязки к конкретному самолету.

— И как это работает?

— Традиционно инженер все время находится внутри процесса проектирования, а узко направленные модели ИИ что-то прогнозируют, классифицируют, сегментируют. Инженерный искусственный интеллект — это следующий шаг. Хочется до некоторой степени вынести инженера за пределы процесса, чтобы он скорее поставил задачу, сформулировал критерии верхнего уровня.

А дальше агент на основе языковых моделей вытаскивает из нормативной документации требования и ограничения, достает априорные знания из специализированной базы данных предметной области. Агент лезет в хранилище знаний, видит, какие вычисления нужны для решения задачи, идет в библиотеку других агентов, берет дополнительных агентов оттуда, которые должны эти вычисления произвести, составляет из них вычислительную цепочку, запускает ее и получает результат — некоторую оптимизированную модель изделия. Дальше пользователь ее оценивает.

— Это уже реальность или скорее планы на будущее?

— Мы уже реализовали такую систему для построения модели месторождения углеводородов. На месторождении есть ряд скважин. Про них есть информация из гидродинамических, геологических, сейсмологических исследований, это разрозненные данные различной природы и состава. Нужно на их основе построить единую модель месторождения — трехмерную карту пористости, проницаемости породы и других характеристик месторождения.

У нас есть априорные знания о месторождении в виде так называемого графа знаний, в котором содержится информация: какие данные о месторождении бывают, как они между собой связаны, как по одним данным можно вычислить другие. Этот граф знаний составлен отчасти автоматически, отчасти — по результатам обсуждения с экспертами.

Мультиагентная система работает так. Есть агент-диспетчер, который всем управляет. Ему дается задание построить модель месторождения. Он лезет в хранилище априорных знаний и видит: такие данные есть, и вот такие вычисления можно провести, чтобы оценить пористость и проницаемость пород. Потом надо запустить гидродинамическую модель, которая рассчитает по этой предварительной оценке нефтедобычу, и надо сравнить эту нефтедобычу с фактической. Совпадать они не будут — значит, надо что-то подправить, подкрутить. Все эти шаги выполняются последовательностью агентов. Получается результат.

В таком ключе можно решать многие, если не все инженерные задачи. Это следующий шаг в развитии искусственного интеллекта.

На самом деле, проектирование на этом не заканчивается. Есть задача обратного проектирования, когда у вас уже есть деталь, но нет ее цифровой модели, а вы хотите эту деталь, допустим, печатать на 3D-принтере. Для этого вам надо произвести съемку детали с разных ракурсов. Потом надо построить цифровую модель детали и сгладить шум, который возникает в процессе получения реальных данных и проявляется в искажении 3D-модели детали.

Для решения этой задачи мы используем так называемое компьютерное зрение, это очень большая область. У вас есть сканеры, которые собирают информацию о трехмерном мире, например фотографии с разных ракурсов. И вам надо по этой информации восстановить 3D-форму объекта и точно, детально описать ее математическим способом — той же полигональной сеткой (mesh) или CAD-моделью.

При восстановлении 3D-формы объектов очень важно учитывать так называемые специальные (особые) линии — речь о ребрах, углах и т. д. Когда вы сканируете объект, эти важные места сглаживаются, размываются. Мы построили алгоритмы, которые позволяют по результатам сканирования выделить, где они находятся, и учитывать их положение в пространстве при восстановлении 3D-формы.

— А с какими объектами вы работали, с механическими деталями?

— Да. Еще из интересного… Мы реконструировали геометрию и даже цифровые модели некоторых помещений храма Василия Блаженного. Была книга, инкрустированная драгоценными камнями, — Евангелие. Здесь при восстановлении 3D-формы важна геометрия обложки с драгоценными камнями и подобными деталями.

— Это делалось для какого-то музея?

— Да, для Государственного исторического музея. Нам удалось построить детальную модель Евангелия, которую можно рассматривать на экране компьютера.

— А давайте о погоде! Вы как пользователь замечаете, что прогнозы улучшились?

— Детализация явно повысилась: если раньше речь шла о прогнозе в целом по городу, сейчас можно прогнозировать, грубо говоря, в каком районе будет дождь, а в каком нет.

— Это благодаря развитию ИИ?

— Благодаря совокупности факторов. Стали собирать намного больше данных с куда большей детализацией: установлены метеостанции, радары, которые регистрируют, куда движутся облака и с какой скоростью. Но без ИИ невозможно было бы обработать такие массивы данных.

— Дальше — лучше?

— Рывок будет тогда, когда, во-первых, повсеместно расставят метеостанции. Второе: думаю, что появится возможность рассчитывать гораздо быстрее глобальные погодные модели на всю Землю, и это улучшит качество, детализацию и скорость формирования прогноза погоды.

— Вы как-то делали для банка прогноз, сколько денег принесет клиент, если известно, сколько принесут другие клиенты. Если пофантазировать, какую метрику можно спрогнозировать, например, для пользователя сайта знакомств или обычного горожанина?

— То, что нужно городу, отличается от того, что нужно сайту знакомств. Сайту знакомств нужно, чтобы человек проводил на нем побольше времени. А городу нужно, чтобы гражданин не мусорил, не нарушал законы, болел поменьше, а работал побольше — что-то в этом духе.

— Как в Китае?

— Эта тема популярна у журналистов, но как именно это устроено в Китае — большой вопрос. На самом деле, лично мне не известно, действительно ли возникают все эти ограничения, о которых пишут в газетах, у людей, у которых так называемый социальный рейтинг понизился. Социальный рейтинг — это некий агрегированный показатель: были ли у человека правонарушения, исправно ли он платит налоги и т. д. Совместив все эти показатели, вы можете получить число от нуля до единицы, где единица — идеальный гражданин.

— По-вашему, насколько такие индексы полезны?

— Смотря для чего их использовать. Но здесь важно понимать, что сами по себе данные и так есть и используются. В большинстве случаев речь идет даже не про искусственный интеллект, а про обычную IT-работу над объединением и агрегированием разных баз данных: что человек делал в разрезе экономики, медицины, правопорядка.

— И можно попытаться предсказать при помощи ИИ, что этот человек сделает в будущем?

— Можно. Дальше встает вопрос, что вы хотите с ним делать. Это очень политически и социально острый вопрос, потому что использовать можно как совершенно мерзким образом, так и чтобы сделать жизнь общества в целом более комфортной. Чтобы рассуждать о внедрении таких оценок, нужно обладать всем комплексом знаний о социуме, госуправлении и проч., которыми я не владею.

На самом деле, те же банки наверняка этим давно пользуются, и если у клиента есть, скажем, приводы в полицию, то я думаю, это влияет на выдачу кредитов.

— А если взять менее серьезную область — сайты знакомств?

— Там искусственный интеллект нужен для другого. Первое — он может добыть данные о пользователях, в том числе из внешних источников. Например, найдет их профили в соцсетях, вытащит оттуда их интересы и другие признаки, потому что не все пользователи заполняют анкеты. Второе — получив эти данные, искусственный интеллект построит модель, которая будет прогнозировать, насколько эти люди подходят друг другу и насколько велика вероятность, что они сначала войдут в переписку друг с другом, а дальше — будут долго общаться.

— Вы следите за ИИ в спорте?

— Я знаю, что сейчас считают с помощью моделей ИИ, сколько футболист пробежал, сколько пасов отдал, насколько они были результативны; пытаются спрогнозировать, что та или иная ситуация приведет к положительному результату, и т. д.

— Но ведь это уже после матча?

— Согласен, зато ИИ анализирует эти вещи быстро. Вообще говоря, уже пытаются делать такие прогнозы и в режиме реального времени. Думаю, это возможно. Вопрос в том, как на этом заработать, чтобы окупить затраты. Будет ли за это платить футбольный клуб?

— Наверное, легче для начала такое внедрить в киберспорте, там ведь проще сбор данных?

— Я немного этим занимался, но и в киберспорте возникает вопрос, кому это будет полезно и, соответственно, кто будет платить.

— Даже в киберспортивных странах вроде Южной Кореи?

— Да. Там, конечно, есть стартапы такого рода. Но в большинстве случаев речь об оценке статистики после игры: насколько та или иная команда результативна, насколько тот или иной ход был полезен. Я этим немного занимался. Идея такая: давайте собирать данные с киберспортсмена, оценивать его эффективность и что-то ему рекомендовать исправить, чтобы тренировки стали эффективнее.

— Если у игрока в реальном времени всплывет предупреждение типа: «Вероятность умереть в следующем раунде — 90%», это немного похоже на прогноз ИИ, сколько лет осталось жить гражданину N. Не каждый захочет такое узнать.

— А в игре все равно не хватит времени отреагировать. Если же говорить о ретроспективном анализе, то нужно, чтобы в ценность этих рекомендаций поверили для начала хотя бы тренеры и капитаны киберспортивных команд, которые могут влиять на распределение бюджета команды. При этом, само собой, ИИ-советы ни при каком раскладе не сделают человека с улицы за два дня профессионалом, это все понимают.

— А если зайти со стороны зрителей? Пусть голосовой помощник работает спортивным комментатором.

— Это совсем другая задача. Тогда да, мы описываем видеотрансляцию игры и каким-то образом комментируем. Но пока живой комментатор прикольнее. А в будущем — может быть.

— А сами вы как относитесь к спорту?

— Я по жизни занимался спортом и сейчас стараюсь поддерживать форму. Я стараюсь в любую свободную минуту им заняться, просто потому что очень много сидишь… И надо двигаться, чтобы почувствовать себя человеком. Я предпочитаю динамические аэробные нагрузки.

— За границей вы чаще бываете по работе?

— Кстати, я еще катаюсь на горных лыжах. И есть как раз одна конференция по стохастическим процессам, которая проводится рядом с горнолыжным склоном. Там есть возможность и наукой позаниматься, и покататься. Я всегда стараюсь участвовать. А вообще, да, последнее время в основном путешествую по работе.

— Какой вид спорта у вас ассоциируется с научной работой? Не лыжи?

— Пожалуй, написание отдельно взятой статьи похоже на забег на стайерскую дистанцию.

— Десять-двадцать километров?

— Десять. То есть сравнительно долго, и ты должен при этом довольно быстро бежать. Вот с публикациями в сборниках трудов конференций уровня A* похожая история.

— Расскажите немного о вашем старом проекте с «Формулой-1».

— Действительно, в начале карьеры я участвовал в проекте, в котором нужно было оптимизировать деталь гоночного болида — композитную пластину: сколько слоев какого типа добавить, чтобы пластина была нужной прочности, а масса была как можно меньше. Причем пластину готовили в сжатые сроки, чтобы успеть к заезду.

Было какое-то количество натурных экспериментов с разными пластинами, вычислительных экспериментов с виртуальными пластинами. Вычислительные эксперименты делаются долго, а натурные вдобавок к тому еще и дорогие. И вот мы по базе данных с результатами экспериментов построили предиктивную модель, при помощи которой можно было «нащупать» оптимальную комбинацию параметров, задающих пластину. Потому что инженеру нелегко уследить за тем, как многие параметры влияют друг на друга.

— Какие у вас хобби помимо спорта?

— А у меня практически нет свободного времени. Хватает только на спорт и моих детей. Еще научная фантастика. Недавно перечитывал Филипа Дика — «Мечтают ли андроиды об электроовцах?».

— Мы говорили про инженерный аналог «Кандинского», а как вы относитесь к творчеству нейросетей? Если сгенерированная картина продается за дорого, это похоже на историю с писсуаром Дюшана или на геометрическую абстракцию в живописи?

— Да, это стандартная история, когда раскручивают тем или иным образом стоимость произведения искусства. Делают так, чтобы люди обратили внимание. Так было с «Черным квадратом», пусть он и имеет некоторую интересную концепцию. И то же самое — с генеративным ИИ.

— А потом эффект сходит на нет?

— Дальше этот прецедент остается в истории как первая картина такого рода, вот и все. После этого становится неинтересно. У Малевича ведь тоже были и «Черный круг», и «Черный крест», но выстрелил квадрат. Понятно, что сейчас картину, созданную ИИ, вы уже за дорого не продадите, но одну из первых таких картин продали. А еще одна картина, написанная генеративным ИИ, — это уже не интересно.

— А если вам сначала понравилась новая песня любимой группы, а потом уже вы узнали, что это фанатский пранк и ее сгенерировал ИИ?

— Да мне все равно: песня есть песня. Если она мне поднимает настроение и по каким-то причинам отзывается в душе, так она сделана или по-другому — какая разница? Вот в электронной танцевальной музыке есть интересные композиции, но для порождения такой музыки тоже очень много используют компьютерные технологии — ну и что, разве она от этого становится хуже?

— И с картинами так?

— Да, абсолютно.

— От истории про ИИ с сайта знакомств, который майнит данные пользователей, немного страшно становится. Насколько вы вообще боитесь за персональные данные? Я заметил, что в интервью, например, вы стараетесь избегать вопросов про семью.

— Понятно, что личными данными не стоит разбрасываться, хотя фото вашего паспорта и без того где только не хранится. Надо быть аккуратным, но все потенциально возможные проблемы предвидеть не получится, поэтому какой смысл из-за этого переживать?

— Когда столько данных в открытом доступе, повсюду мерещатся мошенники.

— Я надеюсь, что не поверю мошенникам. Но дотянуться можно до кого угодно, это вопрос вложенных средств. Если мошенники поставят себе цель дотянуться даже до очень важной персоны и у них будет достаточно денег и технических средств, наверное, им с большой долей вероятности это удастся. Это обычное дело: как только появляется какая-то техническая возможность, она начинает использоваться и положительным образом, и отрицательным. С последним обычно удается бороться.

— Такой технооптимизм в целом свойствен людям науки?

— Чужая душа — потемки, но, пожалуй, да. Люди технического склада меньше переживают на этот счет.

— Еще вопрос из рубрики «технопессимизм»: если ИИ помогает диагностировать болезни, это не приведет в итоге к размыванию ответственности врача?

— Медицинские системы с ИИ, которые сейчас есть, позволяют врачу делать что-то быстрее, лучше, точнее: размечать снимки, описывать диагноз. Врач как нес всю ответственность, так и продолжает нести. Просто вместо того чтобы, например, вручную заносить информацию в карту пациента, он может заполнить ее голосом, и это будет быстрее.

— А вы в каких исследованиях с медицинским ИИ сейчас участвуете?

— Сейчас — в немногих. В основном это исследования, связанные с выявлением каких-то аномалий в мозге, которые могут быть связаны с конкретными болезнями. Эпилепсия, депрессия. Врачи говорят: мы исследуем МРТ-снимки, и много времени уходит на выявление тех или иных структур мозга. Если бы мы могли быстро и автоматически выделять их контур, это бы сэкономило время. Пожалуйста: если вы нам предоставите данные, мы можем обучить алгоритм делать что требуется.

— Вы уже упомянули работу с медиками, спортсменами, банкирами, нефтяниками и др. — в какой еще отрасли вы видите потенциал, но не успели поработать?

— Сейчас есть интересные задачи проектирования, связанные не с конкретными объектами, а с целой стройкой — объединением большого числа объектов. Проблемы там будут сложнее, и с ними было бы интересно поработать.

— Строительство?

— Да, строительство или проектирование больших инженерных систем. Причем было бы интересно это делать общим методом, а не под каждую инженерную систему по-своему. Чтобы потом переносить решение в другие отрасли.

— Часто бывает, что методы, которые вы разработали для одной области, потом пригождаются где не ждали?

— Я бы сказал так: мы с самого начала разрабатываем инструмент общего назначения. В итоге получается программное обеспечение, которое позволяет инженерам подключать различные солверы, формировать описание задач и решать их с применением методов искусственного интеллекта — будь то композитные структуры или состав косметического крема.

Например, мы построили модель месторождения. Для этого мы разработали ряд методов на основе мультиагентных систем. Затем эти методы и соответствующая архитектура мультиагентной системы были обобщены на случай задач проектирования и оптимизации инженерных систем. А теперь можем заниматься генеративным проектированием стройплощадки, на которой надо распределить много зданий и других сооружений с разными характеристиками, коммуникациями, с учетом безопасности, функциональности и т. д., используя эти разработанные общие инструменты. Конечно, они еще будут требовать определенной доработки, но тем не менее основа остается без изменений.

— Кажется, в Сколтехе ни один другой центр так широко не коллаборирует с другими, как ваш. Насколько глубоко приходится погружаться в специфику каждой новой области?

— Конкретного рецепта нет, но базовые вещи приходится осваивать всегда. Понятно, что аэродинамику, занимаясь самолетами, я не изучил, но в том, как инженеры описывают компоновку самолета, разумеется, разобрался. В области нефтедобычи тоже пришлось разбираться…

— А где, наоборот, можно обойтись малой кровью?

— В обработке картинок, например. Там, конечно, нужно что-то понимать в изображениях, но если ты решаешь, скажем, задачу super-resolution (улучшение качества изображения методами машинного обучения без искажения его содержания. — прим.ред.), то знания из физики тебе не нужны.

— Зато если речь заходит о произведении искусства, понадобятся консультации?

— Не всегда. Когда мы делали оцифровку храма Василия Блаженного, консультироваться с экспертами не пришлось. Хотя сама задача и данные сложные.

— Представьте: у вас в руках большая сумма денег, и ее нужно анонимно выдать как грант ученым, но не своим. Можно из своей области, но тогда конкурентам.

— Я выберу что-нибудь полезное — медицину, биологию. Есть хорошие задачи, связанные с поиском генетических маркеров разных заболеваний. Накопление данных для решения этих задач — это то, чем можно и нужно заниматься. Секвенировать ДНК людей и соотносить полученные результаты с их историей болезни.

— Вопрос от знакомого психолога с медицинским образованием. Для начала: вы согласны, что эмоциональный контакт в общении людей всегда подразумевает некоторое усилие, даже в ситуации «служебного» общения, например с сотрудником ДПС или официантом?

— Наверное, да. Причем кому-то эти усилия проще осуществлять, кому-то — сложнее. Но ведь это не про искусственный интеллект?

— С развитием ИИ появляются ассистенты, которые отчасти снимают необходимость прилагать то самое усилие, которое кому-то дается сложнее. Пропадает «тренировка». Как это отразится на эмоциональном интеллекте людей будущего?

— Если у человека есть эмоциональный интеллект, то он у него останется. А если нет, то от общения с голосовыми помощниками его не прибавится — тренироваться на ИИ вряд ли получится. Можно, конечно, представить себе экзотическую ситуацию, когда, скажем, парень боится заговорить с девушкой, и вот он потренировался на условной «Алисе», раскрепостился и заговорил с дамой. Но это уже какая-то не слишком, как мне кажется, частая ситуация.

На данный момент технологии искусственного интеллекта не достигли того развития, чтобы сколько-нибудь реалистично имитировать эмоции. Поэтому имеющихся патологий ИИ не исправит, а новых — не прибавит. Думать о негативном или благотворном влиянии пока рано: сейчас ИИ лишь распознает запросы и выполняет в ответ простые действия.

— Получается, если преподаватель, допустим, пишет ответы студентам с привлечением генеративной языковой модели, у него не будет постепенно атрофироваться эта способность к эмоциональному контакту?

— А это совсем другая вещь: если студенты задают однотипные, сравнительно очевидные вопросы, для которых хватает генеративной модели, то это не имеет отношения к эмоциональному вкладу в общение. Ты отвечаешь: «Слушай, если хочешь что-то узнать, смотри параграф Z, раздел Y, а также сайт X». Какие здесь могут быть эмоции?

Я говорю про ускорение рутинной работы. И в эмоциональном плане ни студентам, ни преподавателю от такой автоматизации ни горячо, ни холодно, это не влияет на их эмоциональные способности.

— Вы любите преподавать?

— Да. Практика показывает, что всё как в анекдоте: первый раз объясняешь — не понимают, второй раз объясняешь — опять не понимают, в третий раз объяснил — сам уже понял, а студенты всё еще нет. Анекдот-анекдотом, но действительно, если хочешь какой-то материал как следует прочувствовать, ты должен построить по нему курс лекций. Так что преподавание — очень важная история, и мне она нравится. Найти время на то, чтобы писать новые курсы лекций, очень сложно, но я стараюсь.

— Вы вели пары в основном у магистров?

— У магистров и аспирантов. Но когда я сам окончил бакалавриат в МФТИ, я там вел у бакалавров семинары по теории вероятностей, математической статистике и случайным процессам. Принимал экзамены.

— И какая разница между преподаванием тем и другим?

— Разницы нет. Это те же самые ребята. Только в магистратуре ты можешь читать более специализированные курсы, а на бакалавриате это будут более базовые курсы.

— Говорят, преподаватели больше любят магистров…

— Специализированные курсы читать проще. Ты можешь, скажем, рассказать про свою последнюю статью, и это будет уместно. А бакалавриату должен прочитать устоявшийся, выверенный кусок материала.

— Правда, что сами вы на бакалавриате МФТИ писали выпускную работу без научрука?

— Есть такой факт в моей биографии.

— Как так вышло?

— Это не типичная история. Когда я стал интересоваться обработкой сигналов, так получилось, что специалиста в этой области я не нашел.

— И разрешили?

— Не сразу, но разрешили. Была такая ситуация — пришлось смириться.

— А какой вы научный руководитель: который вникает, направляет и структурирует или больше свободы, но поди поймай?

— Для магистра или аспиранта важна самостоятельность. Считаю, что моя роль в первую очередь — задать направление, поставить студенту задачу. Это то, чего точно не хватает студенту, так как у него нет достаточного кругозора, понимания, что сейчас актуально, а что — не очень. Также важно периодически контролировать качество полученных результатов, корректировать работу. Дальше, если студенту требуется, он сам должен меня найти и задать вопросы по поводу того, что не получается. И я могу дать советы. Сам я, конечно, гоняться за ним не стану. Тем более что и времени мало: надо заниматься наукой и приложениями.

— У вас научная семья?

— Да, папа физик, бабушка химик, мать у меня тоже заканчивала инженерный институт. Физику и математику любил со школы. Учительница прорекламировала МФТИ, и я туда поступил.

— Но вы ведь и в МГУ тоже поступили? То есть могли выбирать?

— Я действительно там получил хорошие баллы при поступлении, можно было пойти, например, на физфак. Была возможность еще сдавать экзамены на мехмат, но я не стал, потому что уже были сданы экзамены в МФТИ, на физфак я тоже проходил и перестал волноваться.

— А какая была следующая развилка?

— Особых развилок не было. Я продолжил после четвертого курса учиться. Вопрос был, чем заниматься уже по-настоящему. Сначала я хотел пойти на экономическую кафедру и даже это сделал, но потом стало ясно, что мне более интересны задачи, связанные с обработкой сигналов, статистическим моделированием, временными рядами, и экономика здесь ни при чем. Дальше, поскольку эти вещи базируются на теории вероятностей, а ее у меня плохо преподавали, я стал ходить на семинары и лекции на мехмате и попал к руководителю кафедры теории вероятностей Альберту Николаевичу Ширяеву.

— Это уже в магистратуре?

— Да, и напросился к нему, чтобы он был моим научным руководителем в аспирантуре.

— То есть отечественная школа машинного обучения — это не про вас?

— Да, у советской школы машинного обучения были интересные результаты — ядерные методы, например. В Институте проблем управления сделали несколько вещей, которые потом легли в основу методов машинного обучения. Вапник — Червоненкис, Бонгард, Журавлёв…

Но лично я в эту школу не входил, потому что я пришел со стороны теории вероятностей. Я взаимодействовал с Ширяевым и его коллегами и учениками, которые так или иначе относятся к школе теории вероятностей Колмогорова. И это ценно, потому что фундаментальные основы теории вероятностей используются в обработке данных.

— Что вообще можно сказать об искусственном интеллекте в России?

— Исторически так сложилось, что с индустриальными применениями ИИ у нас все неплохо: есть свои беспилотники, голосовые помощники и т. д. И это хорошая практика, потому что делать искусственный интеллект в вакууме не имеет смысла. Российские компании хорошо внедряют технологии ИИ, обобщают опыт, но в настоящий момент это мало привязано к фундаментальным исследованиям.

России нужно наращивать количество ученых и преподавателей, работающих на мировом уровне и выпускающих специалистов самого высокого уровня для науки и для индустрии. Нужны ясные KPI, больше вычислительных мощностей, кооперация с дружественными странами и реализация фундаментальных задач, связанных с разработкой мультимодальных генеративных моделей.

— В каком направлении будет развиваться ИИ?

— Одно из основных направлений — мультиагентные системы инженерного искусственного интеллекта, о которых мы с вами подробно говорили вначале. И я как исследователь больше всего сейчас вовлечен именно в эту работу, хотя как руководитель центра ИИ в Сколтехе активно участвую в работе и по другим направлениям. Второй тренд — мультимодальные системы. Третий — многозадачность, одновременное решение разных задач.

_{Опубликовано при поддержке гранта Минобрнауки России в рамках федерального проекта «Популяризация науки и технологий» № 075-15-2024-571 (и всемерной поддержке Физтех-Союза).}