Саркис Григорян:

Добрый вечер, сегодня четверг и как всегда мы в эфире программы «Искусство интеллекта». Сегодня у нас в гостях Дмитрий Коробченко, Deep Learning R&D инженер и руководитель направления в NVIDIA, а также эксперт в области нейронных сетей и машинного обучения, лектор, выступающий на многих мероприятиях, человек, который занимается тем, что делится знаниями о том, что такое нейронные сети, искусственный интеллект, и как это все работает. Дмитрий, спасибо, что нашли время и пришли к нам в гости. 

Дмитрий Коробченко:

Да, добрый вечер, Саркис, спасибо, что пригласили. 

Саркис Григорян:

Первый вопрос, наверное, никак мы не уйдём от места вашей работы, прекрасная компания, один из лидеров рынка, компания, которая производит новые технологии, которая производит чипы, программное обеспечение. И самое интересное, что компания, прошедшая путь от производителя карт для игрушек, видеокарт, а теперь одна из мощнейших компаний, которая занимается искусственным интеллектом. Расскажи, чем конкретно занимаешься ты, чем занимается NVIDIA в России. 

Дмитрий Коробченко:

Начнём с того, что NVIDIA в России чем-то специализированным не занимается. Вся NVIDIA как компания, она такая прозрачная. Тут нет каких-то географических границ, то есть команды могут быть виртуально распределены географически как угодно. Например, я могу работать над какими-то проектом с людьми из Цюриха, из Штатов и так далее. Исторически русский офис, он занимался больше тестированием каких-то игр и так называемым дефтейкингом, если можно так сказать. То есть дейтейки - это люди, которые помогают оптимизировать игры под наше железо. И конкретно с них всё это началось. Также тестировали какие-то другие софтверные вещи, то есть больше такая, тестовая лаборатория была. Потом она начала обрастать какими-то более исследовательскими группами сначала в области графики. И с момента 2016г., когда уже бум deep learning, искусственного интеллекта был практически на пике, в московский офис тоже начали набирать deep learning инженеров. Так я туда и попал, я до этого работал в Samsung тоже deep learning инженером, но попал в NVIDIA практически одним из первых именно в рисечерскую такую стезю в московский офис. И непосредственно что я там делаю. Это, можно сказать, R&D. Что такое R&D Recearch и Developmrnt. В каком-то смысле это falls tech разработка, начинается с каких-то исследований, может быть, надо разработать математическую модель, попробовать что-нибудь поиграть, поэкспериментировать. Как только алгоритм какой-то есть, можно его дальше либо статью по нему сделать и на этом остановиться, но больше этим занимается NVIDIA Research, отдельное подразделение. А мы больше смотрим, как это теперь можно на практике куда-то приложить, применить, выпустить какой-то продукт. Либо в маркетинговом таком смысле, смотрите, мы сделали такую классную штуку, и мы этим продвигаем технологию Deep Learning. Как, например, демка недавно была Гоген, когда можно было нарисовать что-нибудь, допустим, здесь у меня небо, здесь у меня земля, и сгенерировать картинка. Тут не очень прямое отображение, как эта технология соответствует, применяется где-то, это больше как демонстрация. Есть такие проекты, именно просто продемонстрировать что-то. То есть демо, это финальный продукт, смотрите, как мы можем, смотрите, какая классная технология. А можно какой-то продукт делать уже под конкретную задачу. Например, в NVIDIA очень много чего связанно с графикой, и если какие-то продукты на основе нейронных сетей или чего-то помогают в графике, в играх или даже, например, в создании фильмов или чего-то ещё где-то, то мы это пытаемся внедрять. Итак, возвращаясь к вопросу, что я делаю. Весь этот фулл стоп. То есть берётся какой-то один конкретный проект, область может быть разная, там, где можно применить современные нейронные сети, глубокое обучение, искусственный интеллект. Берётся проект, и от идеи мы начинаем это всё раскручивать, может быть, берём какую-то статью академическую за основу, пытаемся её реализовать, проэкспериментировать, посмотреть. И дальше доводим до реализации, уже имплементируем, может быть, с каким-то кастомером работаем. Иногда это B2B, то есть какая-нибудь компания, которая либо делает софт для обработки чего-нибудь, видео, картинок с теми же Adobe у нас есть взаимодействие и так далее. Либо какие-то компании, которые делают фильмы или делают игры, тоже как-то с ними взаимодействуем? по каким-то определённым проектам и технологиям. Вот примерно так бы я назвал то, что я делаю. Конкретно по проектам спектр достаточно большой, то есть практически все, где сейчас применяются нейронные сети, мы потенциально наша небольшая группа может делать. 

Саркис Григорян:

Это даже не говоря о чипах, это просто отдельная история. 

Дмитрий Коробченко:

Да, чипы это наш базис. По поводу чипов тоже могу сказать, что как ты правильно заметил, NVIDIA начинала с графических ускорителей для игр. А потом заметили, ещё до нейронных сетей был такой промежуточный этап, когда исследователи заметили, что на том же самом железе, в принципе, можно считать различные высоко нагруженные какие-то высокопроизводительные задачи. Например, какие-нибудь физически сложные симуляции, какие-нибудь другие сложные расчёты. Где нужно применять такой массовый параллелизм. И увидели, что на том железе, которое изначально создавалось для графики, можно считать вот эти сложные задачи. Так появилась KUDO где-то в 2008-м году. То есть, по сути, некоторый фреймворк низкоуровневый для реализации каких-то сложных математических задач, но не на процессоре, а на GPU. Это стало таким базисом, поверх которого уже люди потом увидели, OK, нейронные сети, это тоже такой массовый параллелизм, например, свёртки, умножения матриц, мы тоже можем это всё быстро считать. Давайте тоже поверх вот этого всего еще будем сверхточные нейронные сети, какие-то другие рекуррентные нейронные сети и т.д. вычислять. И вот оттуда это и взялось. Если отвечать на вопрос, откуда вообще NVIDIA, как она связала себя с искусственным интеллектом, это как раз, можно сказать, повезло нам в том, что нейронные сети, они оказались одним из таких претендентов, одним из экземпляров в классе задач, которые хорошо считаются на таких массовых параллельных процессорах. 

Саркис Григорян:

Скажи, пожалуйста, NVIDIA сейчас является безоговорочным лидером в производстве чипов для этих вещей. Насколько вообще этот рынок конкурентный, есть ли какие-то компании, которые пытаются где-то у вас отжать часть рынка, кто-то новый появляется. Я слышал, год назад был анонс, Graphcore, английская компания, в которую куча народа вкладывала денег, и BMW, крупные концерны которые тоже должны были делать чипы для обсчёта нейронных сетей, но пока не слышно. То есть NVIDIA, она одна на рынке, или как сам рынок выглядит? 

Дмитрий Коробченко:

Разумеется конкуренты есть, и тут тоже надо смотреть, откуда ноги растут, грубо говоря. Изначально, когда ещё до нейронных сетей, была просто графика. Условно был CPU и GPU. В графике очевидно, какие конкуренты, та же компания AMD, она тоже делает графические ускорители, видеокарты и так далее. И по сути, на подобного рода ускорителях тоже есть технология для быстрого умножения матриц или ещё чего-нибудь, называется OpenCL, это, по сути, технологии, которые не привязаны конкретно к железу. То есть если наше KUDO привязано к NVIDIA GPU, то OPenCL может на любой видеокарте читаться. Но так исторически сложилось, что все равно, опять же, пока не затрагиваем нейронные сети, сейчас пока про эту прослойку говорим. Исторически всё равно почему-то так сложилось, что на рынке именно KUDO победило в плане приложений. То есть учёные, исследователи использовали больше именно KUDO, нежели OpenCL, это, возможно, помогло росту именно рынка самих видеокарт в рисерчерской среде. То есть как с этим соотносятся рынок геймеров я не очень могу прокомментировать, почему, грубо говоря, и в геймерском сегменте NVIDIA преобладает, и в исследовательском сегменте. То есть либо это такое совпадение, либо, например, у человека стояла дома видеокарта NVIDIA, он решил на ней какое-то ещё исследование дополнительное сделать и поэтому начал в сторону KUDO копать. Если брать нейронные сети, ты тоже оказывается, что весь этот baseline, который был уже построен на графике подходит для нейронных сетей, то есть все компании, которые имели GPU, автоматически становятся AI компаниями, условно. И новые компании какие-то, точнее не новые компании, а другие компании, которые не были замечены в разработке массовых параллельных процессоров, тоже пытаются какое-то железо делать. Почему, потому что всё-таки делать нейропроцессор в каком-то смысле проще, чем делать графический процессор. Что это значит. Графический процессор, на самом деле, он заточен на какие-то сложные пайплайны, которые применяются в графике в то время, как для нейронных сетей нужны более простые операции. Грубо говоря, нужно, если совсем абстрагироваться, нужно уметь умножать большие матрицы быстро. 

Саркис Григорян:

Базово. 

Дмитрий Коробченко:

Да, всё плюс-минус к этому сводится, основное ускорение. Поэтому такие компании, которые, в принципе, делают какие-то чипы, тот же Huawei, Samsung, сейчас Google начал тоже, TPU у них, тоже начали хардером заниматься. Компании, у которых либо был доступ, либо они могли быстро развернуть какое-то хардверное подразделение, они тоже начали этим заниматься, потому что это, в принципе, не сверхсложно именно начать этим заниматься. Но всё равно какие-то есть уже особенности и наработки, которые, например, так как NVIDIA начала этим чуть раньше всем заниматься просто потому, что KUDO появилось раньше, еще до всех этих нейронных сетей, есть какой-то небольшой гэп, зазор, технологический зазор. Но возвращаясь к вопросу о конкурентах. Я, на самом деле, больше осведомлён о компаниях именно крупных, типа Huawei, Google и т.д., которые делают какие-то нейро чипы. Те же компании, которые делают мобильные телефоны, например, Samsung, Apple, тоже они делают, по сути, в своих процессорах, которые в телефончики вставляют, какие-то тоже нейропроцессоры. То есть рынок, на самом деле, наводнён сейчас такими какими-то решениями. Можно так сказать, NVIDIA, куда она топит, она больше в облачные вычисления сейчас топит, если не считать применение нейронных сетей в играх, то есть это отдельная тема. Сейчас в современных видеокартах, например, в игровых вставляются специальные процессоры, которые заточены на нейронные сети, там тензорные яндра и так далее. Но если от этого абстрагироваться, то именно для ресерчерских каких-то вещей это облачные вычисления, GP у которых облачные всякие вещи вставляются, Amazon и так далее. Вот так со всех сторон. 

Саркис Григорян:

То есть получается, чипы производят много, но просто рисечеры и люди, которые занимаются ими, непосредственно что-то делают, изучают, им удобнее делать и привычные на чипах NVIDIA. А, условно, чипы Samsung, Huawei или того же Apple им просто взять негде, и те компании не позиционируют свои решения какие-то для пользователей, для разработчиков. А это такой инхаус, то есть они делают для того, чтобы в своих устройствах решать какие-то задачи, я правильно понимаю. 

Дмитрий Коробченко:

Да, и можно, маленькая добавочка. По сути, успех того, что именно разработчики, они приклеились к этой платформе, тоже в каком-то смысле заслуга NVIDIA, потому что NVIDIA, это уже сейчас давно не хардвер компания, а платформ компания, которая делает всю платформу, от хардвер и весь этот софтверный стек, начиная от KUDO, заканчивая каким-то библиотеками для быстрых просчётов нейронных сетей. Библиотека KUDO NN. И например, если взять какие-то фреймворки современные для нейронных сетей высокоуровневые, типа TensorFlow от Google, Pytorch и т.д. для разработчиков, для исследователей, все эти фреймворки, исторически так сложилось, они под собой для быстрого под просчета используют NVIDIA софтверную прослойку. То есть нет такого, что есть фреймворк высокоуровневый и железо, и между ними пустота, ты можешь любое железо взять. Фреймворк, он уже заточен на некоторую софтверную прослойку, которая в свою очередь заточена на NVIDIA железо. Весь платформенный стек, он исторически так развивался, софтвер плюс хардвер, исторически так развился, что на все уровни oн просочился и поэтому везде, куда не ткнись, ты в него упираешься.

Саркис Григорян:

NVIDIA позаботилось о том, чтобы, благодаря тому, что на всех уровнях они сделали такой удобный стек для разработчиков, они такую экосистему вырастили вокруг себя, которая на каждом уровне разработчика или инженера, может на каждом уровне на своём работать, будет это удобно. Здорово. Скажи, пожалуйста, ты говоришь о том, что внутри у вас команды, команды могут быть сразу международные, то есть ты можешь быть завязан в разных проектах, это здорово. Соответственно у вас постоянно какое-то есть деление опытом, постоянно какие-то обсуждения в рамках международных. Скажи, что ты видишь или что тебе кажется интересным, что в самое ближайшее время. Может быть, это сейчас в лабораториях или только разовьется, либо что-то такое новое, что за последнее время появилось, на твой взгляд что-то интересное, может быть, расскажешь. 

Дмитрий Коробченко:

Да, конечно, могу сразу с деформацией в область графики и того, чем NVIDIA больше всего славится. Например, если с истоков каких-то начать, откуда пошли вот эти нейронные сети, Deep Learning и т.д., в плане их бум, на чем он основан, это началось, можно так сказать, с обработки естественного языка, с компьютерного зрения, классификация картинок и так далее. Именно эти два понятия, обработка естественного языка и компьютерное зрение вошли в сознании людей, как какой-то искусственный интеллект. Можно вот эти задачи объединить как некоторое распознавание. И долгое время считалось, что искусственный интеллект, нейронные сети, это про распознавание. И только потом люди поняли, что оказывается, для обратной задачи, синтез, то есть не когда мы по картиночке понимаем, что там изображено, а когда наоборот, нам нужно из какой-то идеи родить какую-то картиночку или ещё что-то, что-то синтезировать. Это достаточно новое течение, там уже, может быть, не совсем новое, но относительно новое течение, и там много сейчас чего развивается именно в синтезе. Если пойти дальше и смотреть весь спектр потенциальных задач, где может быть применен искусственный интеллект и нейронные сети, оказывается, что там много чего есть. Есть синтез, я уже сказал, есть ещё такая большая задача или класс задач, это аппроксимация каких-то симуляций. Есть, например, какая-то долгая симуляция воды, ещё чего-то, газа какого-то, физическая. И она, допустим, работает 1 минута на кадр. И мы можем в оффлайн её поставить для какого-то фильма, например, нам нужно посчитать океан как взаимодействует с кораблём, ещё что-то. Мы поставили это на 10 лет, оно считается. А что если мы хотим это в режиме реального времени сделать, и как-то хочется это дело ускорить. И оказывается, что нейронные сети, когда нейронная сеть, это такой универсальный аппроксиматор, то есть эта штука может любую функцию апроксимировать, практически любую штуку. И вот оказывается, что какие-то сложные вещи, как, например, какие-то сложные дифференциальные уравнения для просчета жидкости, можно апроксимировать с помощью нейронной сети. Таким образом какие-то симуляции можно делать теперь с помощью нейронных сетей. Даже если совсем в крайности уходить, недавно была работа, учёные взяли, просимулировали то, как развивается наша вселенная с помощью нейронной сети и увидели, что действительно, предсказания нейронной сети совпадают с тем, что мы реально наблюдаем. Это в разных таких научных исследованиях может быть потенциально использовано. Ещё пример один такой приведу, первое - синтез, второе - симуляции и третье про графику тоже интересная такая вещь. Это, по сути, нейронные сети, которые хорошо работают с графическими данными. Что такое графические данные? Например, взять какую-то игру, там есть какие-то модельки, это такие полигональные сеточки, то есть меж сетка полигональная. И нейронные сети раньше не умели с такого типа данными работать. Они хорошо работали с картинками, с какими-то векторами, с текстами, но непонятно было, как графы засунуть в нейронную сеть. Это тоже относительно недавно появились работы по тому, как графы обрабатывать с помощью нейронных сетей. То есть, например, стало возможным, например, классифицировать не картинки уже, а прямо какую-то трёхмерную модель чего-нибудь. Например, у вас есть какая-нибудь база данных из каких-нибудь трёхмерных моделей, и вам нужно быстро по этой базе данных что-то найти. То есть как сейчас в интернете вы по картинкам ищите, вы вбиваете какой-то запрос, и вам отображаются картинки. Потому что нейронная сеть, грубо говоря, прошлась по всем картинкам, их проиндексировала. А что, если у вас база данных каких-то моделей трёхмерных, как их проиндексировать. Вот как раз благодаря, например, таким графовым нейронным сетям, один из примеров. Можно, на самом деле, список продолжать бесконечно, но много чего активно появляется сейчас. Вообще мне кажется, пока что всё ещё на каком-то экспоненциальном подъёме развитие этой темы в плане именно в ширину, в плане количества задач и спектра задач, которые с помощью нейронных сетей можно решать. Поэтому очень много примеров. 

Саркис Григорян:

Я с тобой согласен, что мы живём в такой, очень интересный момент, когда эту технологию мы увидим. Она уже показала, что много, где всё это работает. Но я, например, пока вижу некий такой гэп между тем, как люди, компании из бизнеса, когда им хочется, они понимают, что у них есть какие-то данные, что накапливаются данные в результате всех этих процессов. Им хочется с этим что-то сделать, потому что сейчас это такая модная, горячая тема, все говорят. Владимир Владимирович об этом говорит, что теперь у кого ИИ, тот и победит. Но при этом есть гэп такой между тем, что, на самом деле, люди понимают в этом и тем, что можно сделать. Вот такого какого-то на данный момент я не вижу мостика между инженерами и компаниями. Сталкивая с различными людьми, общаюсь, я вижу вот это. Второе, мне кажется, ещё немного мешает вот этот хайп, нет такого ощущения? Потому что иной раз начинается разговор с того, что тебе приходится людям рассказывать, что не надо бояться терминаторов, условно. Это смешно, на самом деле, но когда ты слышишь это от людей типа в правительстве, около правительственных таких организациях, которые занимаются при этом тем, что развивают нашу экономику в цифровую сферу, развивают все вот эти вещи, но при этом у них в голове сидят терминаторы, условно. В этот момент ты понимаешь, что-то здесь, наверное, не то. Это конечно немножко печально. Но в целом я с тобой, на самом деле, согласен, что это всё вот так развивается. Скажи, пожалуйста, что ты думаешь относительно explainable AI? Ты говоришь, классно, мы просимулировали. 

Дмитрий Коробченко:

Ты имеешь в виду интерпретацию в результате.

Саркис Григорян:

Да, мы просимулировали, показали, система показала, что вселенная развивается так, она сделала модель, которая также развилась. Но как мы можем это понять, что ты об этом скажешь? 

Дмитрий Коробченко:

Это очень интересный вопрос, это сейчас одна из самых больших проблем, проблемы на уровне того, что, например, если мы делаем автопилот и он, например, принимает решение сбить бабушку, условно. И мы должны выяснить, во-первых, почему он так сделал, и потом даже какого-то виновного наказать. Сейчас целый год люди разбирали вот это ДТП, которое было в 2018-м году. В итоге всех назначили виновными, условно, и инженера, и автопилот, и пешехода. 

Саркис Григорян:

Чтобы обидно никому не было. 

Дмитрий Коробченко:

Но, скажем так, что я об этом думаю. Это вопрос сейчас нерешённый и очень сложный. Пока что есть такая тенденция, что давайте мы об этом не будем забывать в исследовательском сообществе, давайте не будем продолжать все наши исследования, получать классные результаты, но параллельно будем пытаться всё-таки анализировать, как же мы можем вот эту интерпретируемость нейронных сетей осуществить. То есть нет такого, что всё прекращаем, пока мы не узнаем, как работают нейронные сети, не будем продолжать что-то делать. То есть пока что этот паровоз исследований, он движется, может быть, в 10 раз быстрее, чем попытки как-то что-то проинтерпретировать. По поводу того, что сейчас есть в этой области, как что-то интерпретируется. Пока что, насколько я знаю, всё сводится к тому, что нет какого-то уникального способа интерпретировать все типы нейронных сетей. Но в каждой конкретной задаче пытаются какой-то специфический способ найти интерпретации чего-нибудь. Например, если у нас есть картинки, если у нас есть компьютерное зрение, сверхточная нейронная сеть, мы на входе даем картиночку, пропускаем через сеть, и она делает какое-то предсказание. Почему люди не любят нейронные сети в плане плохой их интерпретируемости. Если нам предсказание не понравилось, мы хотим узнать, что пошло не так, мы открываем нейронную сеть и видим, что нейрон такой-то имел значение - 100, и что это означает мы не знаем. То есть, например, если сравнивать с какими-нибудь другими классическими алгоритмами машинного обучения, например, решающие деревья, которые, например, решают, выдать вам кредит или не выдать. Дерево говорит «не выдать», мы такие: а почему. Потом смотрим, там зарплата меньше Х, возраст больше Y, вот поэтому дерево решило. В плане нейронных сетей сложнее, но в плане конкретно, например, сверточных нейронных сетей, которые картинки обрабатывают, там чуть-чуть попроще. Потому что значения в нейронах, которые в этой нейронной сети появляются, они не такие уж абстрактные, это всё-таки какие-то визуальные признаки. То есть, грубо говоря, если мы откроем серединку такой нейронной сети, мы можем посмотреть, какие признаки активировались, мы можем отследить, какой участок выходной картинки дал вклад в этот признак. То есть, например, автопилот сказал «сбивай», мы чуть-чуть назад проследили, вот эти три нейрончика были активированы, и мы смотрим, что, например, эти три нейрончика ведут в эту область на картинке. Вот она нашла какой-то объект, и почему-то именно этот объект дал такой вклад. То есть это не панацея, но всё равно некоторый способ, то есть не полностью чёрный ящик, как-то всё-таки можно пытаться это интерпретировать. Похожие штуки есть с текстами. То есть взять, например, машинный перевод, с одной стороны, может показаться, что это чёрный ящик, нейронная сеть, которая перевод делает с французского на английский. Ты на входе предложение, она на выходе другое предложение. Но современные механизмы, устройства внутренние этих сетей позволяют показать следующее, что, например, при генерации пятого слова, если, например, механизм внимания использовать, т.н. Attention, пятое слово, оно родилось из третьего и второго входного слова. То есть они с большим весом повлияли на это слово. Опять же, не идеально, но все равно мы примерно можем оценить. То есть сейчас мы находимся на таком уровне, где-то посередине между полным пониманием того, как работают нейронные сети и полным непониманием, за что их часто ругают, что это чёрный ящик. То есть всё-таки где-то посередине. И нужно для каждой конкретной задачи свой собственный подход изобретать, как анализировать, интерпретировать предсказание. 

Саркис Григорян:

Скажи, пожалуйста, когда сильный искусственный интеллект или дженерал, как ты думаешь, мы в какое время можем его ожидать, если вообще ожидаем он. Я имею в виду сейчас не как набор различных систем, это будет переводить, это понимать язык, мы их все объединили, они как-то общаются и, условно, много чего решат. А именно в прямом смысле, который будет сам себя основать, если вообще такое возможно, как ты думаешь?

Дмитрий Коробченко:

Тоже надо задаться определением хорошим, что такое сильный искусственный интеллект. Сейчас нет хорошего определения, всё-таки разные люди немножко разное под этим подразумевают. Если говорить про какую-то совсем человекоподобную штуку типа самосознания, это вообще совершенно тёмный лес, но пока разумно говорить о следующем в плане сильного искусственного интеллекта. Что это, как ты правильно сказал, не какая-то вещь, которая решает узкоспециализированную задачу, типа только картинки распознает, только тексты, а вещь, которая способна решать, то есть один алгоритм некоторый, который способен решать некоторую группу задач различных. 

Саркис Григорян:

Видимо как Alpha Zero, Alpha Go. 

Дмитрий Коробченко:

В каком-то смысле да, только ALFA Go, он заточен на какой-то конкретный энвайронмент. А тут, по идее это произвольный сильный искусственный интеллект, он должен в произвольном энвайронменте как-то себя вести, что-то делать. Тут ещё тоже важный момент, как определять сильный искусственный интеллект в плане целеполагания. Наша цель в чем? Создать некоторый алгоритм, который должен иметь какую-то цель. Если брать слабый искусственный интеллект, например, распознавалку картинок, то её цель распозновать картинки. Но если брать сильный искусственный интеллект, у него тоже должна быть, условно, какая-то цель. Как-то его надо обучать. Ну, например, мы делаем какого-то супер робота, задачи которого, например, тушить пожары. А как он это будет делать, это его задача, он должен сам выехать на место, сам распознать обстановку, сам принять решение, всё сделать сам, но всё равно у него должна быть какая-то финальная цель. И это то, о чем можно сейчас пытаться говорить. То есть это как некоторый агент в каком-то энвайронменте, вспоминаем обучения с подкреплением и так далее. А если говорить про сильный искусственный интеллект без цели, просто чтобы он был и он сам что-то делал, это пока что слабо формализованная вообще вещь. 

Саркис Григорян:

Это мы для человека даже не можем сказать, какая цель человека. 

Дмитрий Коробченко:

Да, цель человека, тоже можно так сказать, цель человека, я не знаю, оптимизировать своё счастье. Человек делает то, что ему хочется, можно так сказать. Я хотел попить, я понял, что мне надо для этого встать, пойти, налить себе попить. 

Саркис Григорян:

Скажи, пожалуйста, ещё, ты общаешься с различными инженерами, программистами в различных частях мира, подчас очень обострённая такая тема, это гонка ИИ, про то, что кто будет владеть основными технологиями, тот и будет следующий лидер. Это как-то всё очень серьёзно сейчас. Какое место Россия занимает, на твой взгляд, в мире в этой гонке? Потому что недавно была и Journey, и конференция, где многоуважаемый товарищ Волож выразил своё мнение, что мы лидеры. Также уважаемый мной Михаил Бурцев сказал: простите, как мы лидеры, как мы можем быть лидерами, если мы ни в научных не первые, также мы считаем все нейронные сети на чипах NVIDIA. Строим программные разработки в базе продуктов того же Google, Facebook ещё кого-то. И при этом мы понимаем, что в плане образования, в плане каких-то базовых вещей мы здесь далеко не позади. Но твоё мнение, мы где сейчас?

Дмитрий Коробченко:

Мне кажется, ты практически на 100% ответил на свой вопрос. Основное здесь это осознание того, что значит государство лидер или не лидер. Трудно представить, что именно на государственном уровне какое-то государство обладает технологией искусственного интеллекта. О таком сложно говорить. Можно говрить о чём. Можно говорить о количестве компаний, которые занимаются этой областью, можно говорить о количестве публикаций, можно говорить о тех же чипах, кто производит какие чипы и так далее. То есть если каждый конкретный пункт взять, то действительно, по всем этим пунктам мы далеко не лидеры. Но хочу сказать, что опять же, как ты правильно заметил, у нас очень хорошие, талантливые специалисты есть, и образование в этом смысле у нас есть фундаментальное неплохое. И сейчас уже есть некоторая прослойка образования над фундаментальным, всякие курсы, какие-то школы анализа данных у Яндекса, ещё много чего, которые именно надстроечку над фундаментальным образованием дают. То есть сильных людей у нас много. Другой вопрос, почему эти сильные люди не конвертируются в огромное количество публикаций, это вопрос мне не до конца понятен. У нас есть такие международные публикации хорошие от российских людей, но не очень понятно, почему их не так много. Казалось бы, мне кажется, что людей больше, чем нашего влияния на какое-то мировое множество различных работ и публикаций. Если брать бизнес какие-то вещи, то тут у нас тоже всего поменьше, потому что, во-первых, у нас рынок меньше, и в отличие от каких-то китайских, американских компаний, которые делают и софт, и железо, мы только на свой рынок работаем, то есть поэтому тоже у нас всё поменьше. Да, мне кажется, это более-менее очевидно. Каждому очевидно примерно, какое Россия место в этом всём занимает. Но, опять же, не стоит забывать о том, что с точки зрения людей, интеллектуального капитала, с этим у нас, слава богу, всё нормально. 

Саркис Григорян:

Прекрасно. У нас, к сожалению, заканчивается уже время. Мы на такой позитивной ноте, что всё-таки люди действительно важны, искусственный интеллект, это всё-таки было изначально желание скопировать человека, сделать по образу и подобию. Если у нас с людьми всё хорошо, наверное, не так все печально, как нам кажется. Я благодарю тебя за эфир, спасибо большое, что нашёл время, что пришёл, было очень интересно.