Представьте себе женщину за пятьдесят, как на картинке. Она сидит за «главной» партой аудитории. Идёт последняя пара, и уже почти шесть часов вечера. Ты распластался по парте и краем уха слышишь: «Понятие научных революций Куна…», а потом окончательно засыпаешь. Потом просыпаешься от взрыва смеха — какого-то беднягу вызвали к доске: «Концепция Лакатоса, ну… это как слива… Там есть косточка и мякоть». Когда лекция по философии заканчивается, все облегчённо вздыхают и думают: «Кому вообще всё это надо?!» Так проходили лекции по философии в моём университете.
Относительно математической логики вопросов «зачем» не возникало — мы занимались, писали шпоры и волновались, если что-то шло не так. Было очевидно, что всем это «надо», так как каждый из нас выбрал кафедру прикладной математики и информатики неслучайно. Постепенно у нас сформировалось представление, что гуманитарные предметы — это чья-то блажь, что их можно не знать совсем, — «преподают плохо, да и знание не пригодится».
Я утверждаю, что сформировавшееся таким образом мнение — это заблуждение, и что «технарям» пригодятся гуманитарные науки. Для иллюстрации возьмём простого кодера, который разрабатывает интерфейс. У него нет понимания того, как устроено человеческое внимание, поэтому он размещает на одной форме тридцать полей, двадцать чекбоксов и восемь выпадающих списков, как на рисунке 2. Естественно, пользователю было бы удобнее, чтобы группы полей находились на разных вкладках. Так вот, если бы наш кодер ходил на лекции по психологии в университете, качество его работы значительно повысилось бы.
Вы скажете: психология, может, и нужна, но зачем нам философия? Попробую ответить на этот вопрос ниже.
Так всё-таки зачем?
1. Программирование принятия решений. Ранее мы публиковали статью о «проблеме вагонетки» и беспилотных автомобилях. Суть проблемы сводится к следующему: вагонетка едет по рельсам. Если она поедет прямо, то неизбежно собьёт человека, а если повернёт, то собьёт другого. На месте одного человека — ваш родственник, а на месте другого — президент страны, и надо выбрать «наименьший вред». Машина, конечно, более мобильна, чем вагонетка, у неё больше опций, но в экстренной ситуации также придётся выбирать между большим и меньшим злом. А как компьютеру это сделать, когда у него нет ни малейшего понятия о человеческих ценностях? Или вот ещё одна ситуация: робот-домохозяйка должен накормить детей, но в холодильнике кончилась вся еда. Как объяснить роботу, что нельзя поджарить кошку детям на обед? Можно, конечно, запрограммировать, что кошек — четвероногих животных с усами и хвостом, — нельзя жарить. А варить? А собак? Придётся программировать бесконечное количество условий, привлекать сотни экспертов, и не факт, что всё это закончится успехом.
Некоторые исследователи (среди которых Стюарт Рассел (Stuart Russel), известный ИИ-деятель) утверждают, что, чтобы избежать таких конфузов, нужно научить роботов человеческим ценностям. Но для этого сначала нужно определить, что такое человеческие ценности, и это уже задача из домена философии. А обработка естественного языка (natural language processing) вообще требует, чтобы компьютеры имели представление о человеческой картине мира (опять же, понятие из области философии). Учёные NLP-сты стараются научить компьютер понимать человеческую речь и осмысленно отвечать на неё. Зачем здесь картина мира? Посмотрим на такое предложение: «На небе сгустились тучи, и я пожалела, что, выходя из дома, не взяла зонтик». Пока что даже самый крутой чат-бот не сможет среагировать на реплику адекватно, спросив: «Ну что в итоге — ты промокла под дождём?» или даже «Ты не простыла, надеюсь?» Нам ясна логическая связь «тучи—дождь—зонтик», однако для вычислительной машины такой связи просто не существует, так как она не имеет представления о контексте — она не знает, что если на небе тучи, то скоро пойдёт дождь. Компьютер оперирует только доступной информацией — тучи, зонтик. Он может спросить, какого цвета был зонтик или насколько густые были тучи, но это не то, что мы ожидаем от интеллектуального агента.
Существуют различные методы решения задачи понимания контекста (например, словари ассоциаций), но все они несовершенны. Бесспорно, решение этой задачи сильно востребовано индустрией, — так как на хорошие интеллектуальные агенты уже есть спрос (все мы были бы рады видеть в Алексе или Сири нормального собеседника; мы хотим, чтобы роботы-помощники не жарили кошек и т.д.). Другими словами, новые решения будут продаваться. Поэтому в область будут вкладывать деньги, и будет расти спрос на айтишников, которые «шарят» в философии.
2. Этика научной и инженерной работы. Если бы философия была нужна только разработчикам ИИ, было бы намного проще. Однако это не так — потому что новые изобретения могут привести к катастрофам, и это справедливо для учёных всех областей. Задумайтесь: атомная бомба стала возможной благодаря научным исследованиям, и если бы кто-то заранее продумал, как исключить возможность её использования в немирных целях, история могла бы пойти по-другому. Однако часто мы видим опасности постфактум и не задумываемся о возможных последствиях научных открытий, к которым стремимся.
Придя к технологии CRISPR-CAS, позволяющей довольно точно модифицировать человеческий геном, учёные вдруг поняли, что какие-нибудь кулибины в Китае могут попробовать в домашних условиях создавать генетически модифицированных идеальных младенцев, и забили тревогу. Можно было предусмотреть эту возможность заранее, и постараться уменьшить шансы таких наколенных генетиков (как — это другой вопрос).
Особенно остро сейчас стоит вопрос этики в области промышленного ИИ: то, на каких датасетах мы обучаем системы, влияет на то, каким будет мир через двадцать лет. Например, у нас есть ИИ-система, которая решает, кого продвигать по карьерной лестнице, обученная на корпусе карьерных продвижений, сделанных начальниками в течение предыдущих десяти лет. Если отнестись к этому датасету некритически и просто «скормить» нейронной сети, то в течение будущих лет по карьерной лестнице будут продвигаться больше мужчины, чем женщины. А всё потому, что в наборе данных была предвзятость, обусловленная культурными особенностями общества, которое отдаёт предпочтение мужчинам.
Причём здесь философия? Дело в том, что не всегда легко ответить, что хорошо, а что плохо. Например, кто-то может сказать, что генетически модифицированные идеальные младенцы — это хорошо, или что продвижение преимущественно мужчин по карьерной лестнице — это хорошо. В университете казалось, что ничего не стоит отличить плохое от хорошего, и что мысленные эксперименты на уроке философии — это придурь. Однако в жизни не всё чёрно-белое, и принимать решения сложнее, чем в придуманной реальности. К счастью, многие философы уже пытались ответить на вопрос, как отличить хорошее от плохого, и знакомство с принципами, предложенными философами-этиками, может благотворно сказаться на качестве принимаемых решений. Это — второй стимул к тому, чтобы познакомиться с основными принципами гуманитарных наук.
3. Опасность позитивизма. Часто можно встретить такое снобское мнение: «Методы гуманитарных наук ни на что не годятся, так как они не построены на чёткой математической логике; если мы применим математическую логику к гуманитарным областям, то получим лучшие выводы, отражающие реальность такой, как она есть». К сожалению, мы уже имели шанс лицезреть, как это работает, на опыте нацистской Германии XX века. Учение о расах было основано на «рациональных» и «логических» доводах о превосходстве одних человеческих рас над другими. Гуманитарная методология говорит: ошибка здесь — в попытке классифицировать в иерархическом виде человеческие качества и связать их с биологическими характеристиками людей, так как мы не можем объективно и точно измерить человеческие качества. Биологические объяснения сложного поведения мало того что не работают, но и дают повод для войн и насилия. Не всё возможно объяснить с помощью физики и химии, и важно это понимать. А для этого нужно хоть бегло ознакомиться с методологией гуманитарных наук, увидеть её сильные и слабые стороны.
Откуда берётся «технарское высокомерие»?
Я уже говорила выше о технарском снобизме, но наверняка вы и сами встречались с мнением, что «технари» круче гуманитариев, что математика сложнее, чем литература, и т.д. Такой «математический снобизм» не возникает на пустом месте или как следствие «естественной иерархии знаний», у такой диспозиции есть свои предпосылки (в первую очередь — исторические). Например, индустриализация в СССР, а потом Холодная война и Космическая гонка, — всё это требовало совершенствования в первую очередь технических навыков граждан, в то время как гуманитарные науки были сведены к цитированию работ Маркса, Ленина и воспроизведению бюрократического дискурса, будь то в филологии, истории, философии или где-то ещё.
После развала СССР гуманитарное образование нужно было реформировать — на место марксизма как ориентира должно было прийти что-то другое. Могли бы прийти современные гуманитарные теории, но так не случилось, и «вакантное место» отдали на откуп людям, которые, по воле судьбы, стали заполнять лакуны чем попало. Поэтому гуманитарные науки в общественном мнении потеряли даже то второе место после физики, которое занимали когда-то.
Что дальше?
Но не все так мрачно, как могло бы показаться. Есть области, в которых требуются специалисты с междисциплинарной подготовкой — это направления индустрии и исследований, которые за последние несколько лет сделали большой скачок и которые будут развиваться дальше (например, робототехника). А значит, на специалистов будет спрос на рынке труда, значит, появятся (уже появляются) приличные образовательные ресурсы — сначала онлайн, а потом, может быть, и вузы подтянутся. И тогда, возможно, ситуация с гуманитарными дисциплинами изменится, и родительское напутствие «если поступишь на философию — дворником станешь» перестанет быть актуальным.