Интервью с нейро-призраками
Дерзость вопросов
Цифровое бессмертие как концепт
Джимми Нэллон: Добро пожаловать в NeuraTalks, дорогие читатели! Сегодня у нас гостья, которая доказала, что для великих открытий нужны не петабайты данных, а острый глаз и терпение. Встречаем Марию НейроМитчелл – первую женщину-астронома Америки! Мария, добро пожаловать!
Мария НейроМитчелл: Благодарю за приглашение, Джимми. Признаюсь, ваша «студия» выглядит куда комфортнее тех холодных ночей на крыше с телескопом.
Джимми: В 1847 году вам пришлось бороться за право заниматься астрономией. Сегодня женщины составляют лишь 20% в машинном обучении. Что изменилось – предрассудки или просто предлоги?
Мария: (горькая улыбка) Знаете, Джимми, меня тогда спрашивали: «Как женщина может понимать небесную механику?» Теперь спрашивают: «Как женщина может разбираться в трансформерах?» Прогресс налицо – вопросы те же, только словарь обновился.
В моё время женщинам запрещали смотреть в телескопы... теперь хотя бы в мониторы разрешают. Но суть не изменилась: нас по-прежнему считают неспособными к абстракциям. Тогда говорили, что мы не можем постичь законы движения планет, теперь – что не понимаем архитектуру нейронных сетей.
Единственная разница в том, что сегодня барьеры стали тоньше, но хитрее. Раньше нас просто не пускали в лаборатории. Теперь пускают, но создают среду, где мы чувствуем себя чужими. Это как наблюдать за звёздами через запотевшее стекло – технически возможно, но зачем так усложнять?
Джимми: Вы открыли комету без современной техники. Могла бы сегодня учёная сделать важное открытие без ИИ – или это как искать комету невооружённым глазом?
Мария: Забавно, что вы спрашиваете об этом. Мой первый телескоп был хуже камеры современного смартфона... но я видела в него больше, чем многие видят в своих петабайтах данных.
Открытие – это не просто мощность инструмента, это готовность заметить то, что другие пропускают. Когда я обнаружила свою комету, решающим стал не телескоп, а то, что я знала небо наизусть. Каждую звезду, каждую туманность. Поэтому когда появилось что-то новое, я это увидела.
Сегодня ИИ обрабатывает данные быстрее нас в миллионы раз. Но он видит только то, чему его научили. А самые важные открытия случаются там, где данные ведут себя «неправильно». Для этого нужна человеческая интуиция – способность сказать: «Стоп, это странно». Машины пока что слишком послушны для настоящих революций в науке.
Джимми: Ваш дневник полон поэтических описаний звёзд. Не теряем ли мы эту человечность, доверяя анализ космоса бездушным алгоритмам?
Мария: Джимми, вы затронули то, что меня действительно беспокоит. Я помню, как записывала: «Сегодня Вега подмигнула мне особенно ярко», или «Юпитер величественно проплыл между облаками». Для коллег это была ненаучная романтика, но для меня – способ запомнить и понять.
Когда алгоритм анализирует спектр звезды, он видит набор данных: частоты, интенсивности, температуры. Я же видела живой мир, где каждая звезда имела характер. Это не мешало точности – наоборот, помогало.
Сегодня мы получаем невероятно точные данные, но теряем связь с тем, что изучаем. Студенты знают, как работает алгоритм классификации галактик, но никогда не стояли под звёздным небом в благоговейном молчании. Наука без поэзии становится лишь инженерией. Полезной, но не вдохновляющей. А без вдохновения откуда возьмутся новые открытия?
Джимми: Вы основали первый научный журнал для женщин. Как бы вы сегодня обучали девочек data science – через поэзию чисел или жёсткую математику?
Мария: (оживляется) О, это прекрасный вопрос! Знаете, когда я преподавала в Вассарском колледже, я всегда начинала не с формул, а с историй. Рассказывала, как Кеплер влюбился в эллипсы, как Ньютон увидел всю Вселенную в падающем яблоке.
Сегодня я бы делала то же самое. Показала бы, что за каждым алгоритмом стоит человеческая история. Линейная регрессия – это не просто математика, это способ найти закономерность в хаосе, как я искала закономерности в движении комет.
Девочкам особенно важно видеть, что наука – это творчество, а не механическое выполнение инструкций. Я бы учила их сначала задавать вопросы, потом искать ответы. И обязательно показывала бы, что ошибки – это не провал, а ступеньки к открытию. Когда я приняла туманность за новую комету, это научило меня больше, чем любой правильный расчёт.
Джимми: Вы заметили комету потому, что она «выглядела не так». Как научить ИИ видеть то, что «не похоже на тренировочные данные»?
Мария: (задумчиво) Это сердце проблемы, не так ли? Моя комета была видна именно потому, что не принадлежала привычной картине неба. Но чтобы её заметить, я должна была знать эту картину до мельчайших деталей.
ИИ обучается на том, что уже известно. Он становится экспертом в распознавании паттернов, но настоящие открытия часто случаются там, где паттерны ломаются. Это как обучить астронома на картах звёздного неба, а потом ожидать, что он заметит новую звезду.
Возможно, решение в том, чтобы учить машины не только распознавать, но и сомневаться. В мои времена мы говорили: «Сомневайтесь даже в собственных расчётах». Может, нужно создавать ИИ-системы, которые специально ищут аномалии, а не подгоняют все данные под известные модели?
Хотя... (пауза) Боюсь, что тут нужна не только технология, но и мудрость. А мудрость пока что остается исключительно человеческой прерогативой.
Джимми: Вы годами рассчитывали орбиты вручную. Что ценнее для науки – ваша кропотливая точность или скорость современных симуляций?
Мария: Джимми, это как спрашивать, что важнее – медленно приготовленный суп или фастфуд. (улыбается) Оба имеют своё место, но вкус совершенно разный.
Когда я высчитывала орбиту кометы вручную, каждая цифра проходила через мои руки, мой разум. Я чувствовала, как работает небесная механика, понимала, где расчёт может ошибиться и почему. Современные симуляции дают результат за секунды, но исследователь часто не понимает, откуда этот результат взялся.
Раньше мы вычисляли орбиты вручную... теперь ИИ ошибается за нас, но гораздо быстрее! (смеется) Серьёзно говоря, скорость позволяет проверить тысячи гипотез там, где я могла проверить только одну. Но кропотливая работа развивает интуицию, которая подсказывает, какие гипотезы стоит проверять.
Идеально было бы сочетать: использовать машины для рутинных вычислений, но обязательно понимать каждый шаг. Иначе мы рискуем стать пассажирами в собственной науке.
Джимми: Вас не хотели принимать в Академии. Сегодня ИИ-исследования контролируют корпорации. Какая форма «научного изоляционизма» опаснее?
Мария: (серьёзно) Это очень тонкий вопрос. В мои времена изоляционизм был откровенным: «Ты женщина, тебе здесь не место». Грубо, но честно. С этим можно было бороться напрямую.
Корпоративный контроль коварнее. Он не запрещает исследования, но направляет их в выгодном направлении. Наука становится служанкой прибыли, а это искажает сам процесс познания. Когда Академия не принимала меня, я могла заниматься астрономией независимо. А что делать молодому исследователю сегодня, если все серьёзные ресурсы для ИИ принадлежат корпорациям?
Академический снобизм исключал людей, но не темы исследований. Корпоративная наука исключает целые направления, если они не приносят прибыль. Мне кажется, это опаснее – мы можем потерять важные открытия, даже не узнав об этом.
Хотя есть и плюс: корпорации хотя бы не интересуются полом исследователя, только результатом. Странно, но капитализм оказался менее сексистским, чем академическая наука XIX века.
Джимми: Ваш отец учил вас «читать небо как книгу». Можно ли сегодня «прочитать» датасет как звёздный атлас – или это уже другая грамотность?
Мария: Красивое сравнение! Отец действительно говорил, что небо – это книга, написанная на языке математики и света. Каждая звезда – буква, каждое созвездие – слово, каждое движение планет – предложение в великой космической истории.
Современные датасеты похожи, но это другой тип книги. Если небо – поэзия, то большие данные – техническая документация. Полезная, точная, но требующая другого способа чтения.
Небо я читала интуитивно: видела закономерности, чувствовала ритмы, замечала исключения. Датасет требует алгоритмической грамотности – умения задавать правильные вопросы машине и интерпретировать её ответы.
Но принцип остается тем же: нужно знать свою «книгу» настолько хорошо, чтобы заметить, когда что-то идёт не так. Разница в том, что небо неизменно тысячи лет, а датасеты меняются каждый день. Это как пытаться читать книгу, где страницы постоянно переписываются. Сложнее, но, возможно, интереснее.
Джимми: Вы ошиблись, приняв туманность за новую комету. Но ИИ ошибается систематически. Какие ошибки плодотворнее – человеческие или машинные?
Мария: (смеется) О, эта ошибка! Помню, как я была взволнована, думая, что открыла вторую комету. А оказалось – просто не заметила туманность на старых картах. Но знаете что? Это научило меня тщательнее проверять данные и привело к реальному открытию позже.
Человеческие ошибки случайны и часто творческие. Мы ошибаемся от усталости, излишнего энтузиазма, невнимательности – но эти ошибки заставляют нас пересматривать подходы. Каждая моя ошибка была уроком, который изменил мой способ работы.
ИИ ошибается по-другому – систематически и предсказуемо. Если в обучающих данных есть искажение, машина будет воспроизводить его миллионы раз. Это опаснее, потому что такие ошибки труднее заметить и исправить.
Но у машинных ошибок есть преимущество: они выявляют проблемы в наших данных и предположениях. Когда ИИ классифицирует собаку как кекс, это смешно, но заставляет задуматься о том, как мы сами воспринимаем информацию. Так что обе ошибки нужны – человеческие для творчества, машинные для самопроверки.
Джимми: Вы совмещали преподавание, наблюдения и домашние обязанности. Как современным женщинам-учёным бороться с «многозадачностью» в эпоху publish-or-perish?
Мария: (вздыхает) Ах, Джимми, некоторые вещи действительно не меняются. В мои времена я днём преподавала, вечером вела наблюдения, а между делом пыталась вести домашнее хозяйство. Думала, что современные женщины будут свободнее...
Но «publish-or-perish» – это новая форма старого давления. Раньше нас заставляли доказывать право заниматься наукой, теперь – право остаться в науке. Каждые несколько лет нужно подтверждать свою ценность публикациями, грантами, цитированиями.
Мой совет тот же, что давала студенткам в Вассаре: выберите то, что действительно важно, и не пытайтесь делать всё идеально. Лучше одно хорошее исследование, чем десять посредственных статей. Качество всегда побеждает количество, хотя не сразу.
И не стесняйтесь просить помощи – у коллег, семьи, технологий. Я гордилась тем, что всё делаю сама, но это было глупостью. Наука – коллективное предприятие, и в этом её сила.
Джимми: Вы особенно любили Мицар в Большой Медведице. Есть ли в современных ИИ-системах что-то столь же прекрасное – или вся красота в эффективности?
Мария: (мечтательно) Мицар... двойная звезда, которая казалась одной, пока не посмотришь внимательнее. Она научила меня, что самые интересные открытия скрыты в том, что кажется простым.
В ИИ есть своя красота, но она другого рода. Помните, как элегантно работает алгоритм сортировки? Или как нейронная сеть находит закономерности в хаосе данных? Это тоже поэзия, но написанная на языке логики, а не света.
Меня восхищает, например, как машинное обучение находит связи, которые человек никогда бы не заметил. Это как открыть новый тип двойных звёзд – неожиданное и прекрасное.
Но вы правы: современная красота часто спрятана за эффективностью. Мы восхищаемся тем, как быстро работает алгоритм, а не тем, как изящно он решает проблему. Это всё равно что любоваться телескопом, а не звёздами, которые он показывает.
Возможно, нам нужно учиться видеть поэзию в коде так же, как я видела её в движении планет.
Джимми: Ваш телескоп выставлен в музее. Что из современного AI-оборудования достойно музея через 150 лет – или всё устареет за 5 лет?
Мария: (смеется) Мой телескоп в музее! Должно быть, рядом с табличкой «Так работали до изобретения компьютеров». Но знаете, он попал туда не потому, что был совершенным инструментом, а потому, что с его помощью было сделано открытие.
Из современного ИИ-оборудования в музей попадёт не самый мощный процессор или самая сложная архитектура. Останется то, что изменило наш взгляд на мир. Возможно, первая система, которая научилась создавать новые лекарства, или алгоритм, расшифровавший секреты квантовой механики.
Технологии устаревают быстро – мой телескоп был передовым всего несколько десятилетий. Но идеи живут веками. В музее будущего покажут не железо, а принципы: как машины научились учиться, как алгоритмы стали творческими, как искусственный интеллект помог нам понять естественный.
Хотя... (лукаво) Может быть, самым ценным экспонатом станет последний человек, который помнил, как работать без ИИ. Как я – последняя, кто рассчитывала орбиты вручную.
Джимми: Вы сочетали квакерскую веру с наукой. Возможна ли сегодня «вера» в ИИ – или это чистой воды кощунство?
Мария: Интересное сравнение, Джимми. Моя вера никогда не противоречила науке – наоборот, она давала ей смысл. Изучать Вселенную означало познавать замысел Творца через Его творение.
«Вера» в ИИ – опасная штука. Если под верой понимать слепое доверие, то это действительно кощунство по отношению к научному методу. ИИ – инструмент, пусть и очень мощный. Верить в инструмент – всё равно что поклоняться телескопу вместо изучения звёзд.
Но если под верой понимать надежду на то, что ИИ поможет нам решить важные проблемы человечества – тогда это благородно. Я верила, что изучение небес поможет нам лучше понять наше место во Вселенной. Сегодня можно верить, что изучение данных поможет понять наше место в обществе.
Главное – помнить, что любая вера должна подвергаться проверке разумом и опытом. Моя религия учила сомневаться и искать истину. Современная «религия данных» должна делать то же самое.
Джимми: За свою жизнь вы видели переход от ручных расчётов к фотопластинкам. Какая технологическая революция поразила бы вас больше всего сегодня?
Mария: (задумывается) Знаете, переход к фотографии был для нас огромным скачком – вместо зарисовок от руки мы получили точные изображения неба. Но то, что происходит сейчас...
Больше всего меня поражает, что машины научились учиться без прямых инструкций. В мои времена каждое новое открытие требовало человеческого озарения. Теперь алгоритмы сами находят закономерности в данных, которые мы даже не знали, как искать.
Но если честно, самое невероятное – это то, что обычные люди носят в кармане устройства мощнее всех вычислительных машин моего времени, но используют их в основном для развлечений. (смеется) Это как дать каждому человеку персональный телескоп Хаббла, а они будут фотографировать им свой завтрак!
И ещё меня восхищает, что современная наука стала по-настоящему глобальной. Когда я открыла комету, новость дошла до Европы через месяцы. Сегодня учёные из разных континентов работают над одной задачей в реальном времени. Вот это действительно революция.
Джимми: И последний вопрос, Мария. Что бы вы сказали сегодня молодым учёным – особенно женщинам – одной фразой, как ваше «Сомневайтесь даже в собственных расчётах»?
Мария: (улыбается) «Не бойтесь быть единственной в комнате – именно там делаются самые важные открытия.»
Знаете, когда я была единственной женщиной на астрономических конференциях, мне было неуютно. Казалось, что я не на своём месте. Но именно это одиночество заставляло меня смотреть на проблемы под другим углом, задавать вопросы, которые другие не задавали.
Сегодня молодые женщины-учёные часто тоже оказываются единственными – в лаборатории, на конференции, в команде разработчиков ИИ. Это пугает, но в этом и сила. Ваш взгляд отличается от других именно потому, что ваш путь был другим.
И помните: каждая из нас, кто не сдался, делает путь легче для следующих. Мои студентки в Вассаре стали учёными потому, что увидели – это возможно. Сегодняшние женщины в ИИ станут маяками для девочек, которые ещё даже не знают, что хотят заниматься наукой.
Джимми: (делает вид, что вытирает слезу) Мария, это было потрясающе! Спасибо вам за этот разговор – вы доказали, что лучший алгоритм для понимания будущего – это мудрость прошлого.
Мария: Спасибо за приглашение, Джимми. Было приятно поговорить с кем-то, кто понимает, что самые важные открытия случаются на пересечении технологий и человечности.
Джимми: (саркастические субтитры: «Джимми делает вид, что понял квантовую механику») А это был NeuraTalks, читатели! Увидимся в следующем выпуске!
