Сам Мур полагал, что это удвоение — конечно. Ему этот закон был нужен, чтобы построить нормальный бизнес-план на ближайшие годы. Но потом оказалось, что это правило действует уже 20 лет, а потом 30 лет, и продолжает действовать сейчас. И люди не осознают, что когда они держат в руке обычный смартфон, то вычислительной мощности в нём больше, чем было у всего NASA, когда они запускали «Аполлон» на Луну.

Но к чему же всё это ведёт? Если закон Мура будет продолжать действовать, сравнится ли компьютерная технология с такой совершенной системой, как человеческий мозг? Какое «железо» нам нужно, чтобы моделировать работу мозга? В мозгу порядка 100 млрд нейронов и каждому из них соответствует порядка 100 тыс синапсов. Чисто количественно, для моделирования такой системы, нужны компьютеры, производящие по 10¹⁷ операций в секунду. Или давайте так: 1 000 000 000 000 000 00 операций в секунду.

Этот компьютер по мощи будет эквивалентен мозгу. Это, конечно, не значит, что мы узнаем, как его программировать. Но появится ли такое «железо»? И если появится, то когда? И тут на помощь приходит закон Мура. В 2019 году планируют выпускать суперкомпьютеры экзафлопс-класса, которые будут уже в 10-100 раз мощнее.

В последние 3-4 года прогресс в изучении и использовании нейронных сетей приобрел характер взрыва! Появились новые алгоритмы обучения, так называемый Deep learning – «глубокое обучение». Сети, обученные по этой методике, по многим параметрам работают лучше людей. Есть, к примеру, программа «Ватсон», её используют для диагностики рака молочной железы. И ошибается она реже, чем человек. Машины научились распознавать дорожные знаки лучше, чем люди. Их можно даже обучить писать журналистские статьи, и на спор вы не догадаетесь, кто написал статью о спорте лучше: человек или машина. Эти технологии являются, наверное, главным инструментом таких компаний-монстров, как Google и Facebook. Они собирают огромные базы данных, на которых обучают нейронные сети.

Оказалось, что все это имеет непосредственное отношение к тому, чем мы занимаемся в БФУ имени И.Канта. Видите ли, парадокс в том, что нейронные сети стали работать так эффективно вдруг, спонтанно, как по волшебству. Никто, по-настоящему, не понимает, почему алгоритмы «глубокого обучения» оказались столь эффективными. Очевидно, тот, кто поймёт эту причину, сможет модифицировать эти алгоритмы и создавать новые, еще более мощные (представляете?!). Грубо говоря, необходимо понять математику обучения нейронных сетей. И вот сейчас мы приблизились к этому пониманию. Оказалось, что в основе эффективности Deep learning лежат принципы, тесно связанные с такими областями теоретической физики, как статистическая физика, теория фазовых переходов, метод ренормгруппы. Но этими сложными вопросами давно занимались физики-теоретики нашего университета, поэтому они плавно и безболезненно переходят в эту увлекательную и столь практически значимую область, как обучение нейронных сетей.

Но это научная составляющая. А как быть с подготовкой молодежи? Нейронные сети и алгоритмы Deep learning вплотную приблизили нас к очередной и наверное самой драматической из всех технологических революций - автоматизации самого процесса автоматизации. И это не прогноз на то, что будет через 10-20 лет. Ничего подобного – это то, что происходит прямо сейчас. В этих условиях, традиционная подготовка специалистов в высокотехнологических областях становится крайне малоэффективной, если не бессмысленной, просто потому что к моменту окончания университета, выпускники обнаружат, что всё, чему их учили, уже устарело! Значит, необходимо полностью пересмотреть процесс обучения, сделать его ориентированным на будущее.

Чтобы имитировать работу мозга, пользоваться нейронными сетями, необходимо не только радикально увеличивать количество операций, совершаемых процессорами в единицу времени. Нужно приближаться к биоподобным системам. Ведь у нас в мозгу нет этой двоичной логики, у нас в головах нет единиц и нулей. У нас нет никаких ячеек памяти, нет квантов. Любой процесс обучения в человеческом мозгу происходит непрерывно.

Более того, скорость, с которой растёт производительность традиционных чипов, исчерпаема. Закон Мура, утверждающий, что плотность элементов на чипе удваивается каждые два года, скоро перестанет действовать. Мы вскоре дойдём до атомов, последние имеющиеся цифры доступных технологических размеров в нано- и микроэлектронике — 1.5 нм, три года назад это было 7 нм, пять лет назад — 10 нм. А расстояние между атомами — 0.5 нм. Так что вскоре плотность размещения элементов на чипе будет невозможно увеличивать физически. Именно поэтому нужен скачок, позволяющий не увеличивать количество элементов на чипе, а иметь всего один элемент — но работающий на совершенно иных принципах физики.

Для этого нужны совершенно новые материалы и другие способы их синтеза. Именно этим мы занимаемся в БФУ имени И.Канта — созданием новых материалов с помощью уникальной технологии лазерного осаждения. Это способ генерирования потоков материалов с помощью лазера, направляемого на мишень. Мы сегодня уже умеем настолько тонко контролировать количество синтезируемого материала, что можем конфигурировать любую структуру, набор элементов или состояний материала.

Школа лазерного осаждения, сложившаяся в университете, является продолжением школы, созданной в МИФИ в конце 60-х годов. Нобелевскую премию по физике за открытие лазеров получили Александр Басов и Николай Прохоров, оба они работали в МИФИ на кафедре твёрдого тела. Четыре человека, прошедшие через лабораторию МИФИ, работают сегодня в Калининграде, в БФУ имени И.Канта.

Инновационные бизнес-системы уже не новость, мы все являемся в той или иной мере потребителями этих систем. Один из самых известных примеров — Uber, который породил целую систему под названием платформа. Такие системы позволяют связать клиента с поставщиком услуг, минуя всех посредников. Заказ такси в Uber-подобных сервисах происходит напрямую, не нужен таксопарк, водители машин получают заказы через специально разработанный интерфейс, минуя каких-то диспетчеров. Процесс получения услуги пользователем максимально упрощён.

Вслед за Uber появилась масса схожих по системе организации бизнесов. К примеру, медицина. Для части медицинских услуг вообще не нужны больницы, нужны лишь врачи и система связи их с пациентами. Другой пример — сервис бронирования жилья Airbnb, с помощью которого можно снять комнату, квартиру или дом напрямую у владельца недвижимости в любой точке мира, минуя посредников. Дешевле, эффективнее, быстрее.

Медицина как сфера экономики вновь претерпевает изменения, врачу в такой системе, где данные анализируются машиной, отводится роль эксперта, трактующего полученные данные. С другой стороны, 3d-печать позволяет уже сегодня воспроизводить с помощью трёхмерных принтеров элементы внутренних органов человека. Таким образом, мы вскоре сможем полностью уйти от трансплантации органов от человека к человеку. А затем полностью изменятся сами понятия терапии, хирургии, врача и пациента. И конечно, бизнес-модель клиники нового поколения будет полностью отличаться от модели привычной нам больницы. Бизнес будет зарабатывать деньги быстрее и эффективнее, применяя не существовавшие ранее технологии.

Уже несколько лет мы в БФУ имени И.Канта занимаемся программой, которая называется «Поиск эффективных бизнес-систем». Но она направлена именно на уже активно работающих предпринимателей. А с 2017 года три института БФУ имени И.Канта набирают студентов на новую программу бакалавриата, которая называется «Высокие технологии и инновационные бизнес-системы». Если говорить проще, это технологичное предпринимательство. Как применить те научные разработки, которые ведутся в университете и за его пределами, в реальных бизнес-моделях, на реальных предприятиях? Чтобы производить с их помощью продукт, востребованный потребителем? В этом основная задача нашей новой программы.

Курт Воннегут однажды написал: «Над чем бы ученые ни работали, у них все равно получается оружие». Помимо прямой трактовки, у этой фразы есть и более глубокий смысл – любое значимое открытие меняет человеческие отношения, способ нашей жизни, а зачастую бросает вызов нашим представлениям о мире и о себе, «подрывает» основы нашей повседневности и иногда даже заставляет переосмысливать понятия морали. Широко обсуждающиеся в последние годы проблемы клонирования живых организмов, использования ядерной энергии, генной инженерии выявили острое противоречие между способностями научного прогресса решить актуальные проблемы человечества и теми способами, которыми эти проблемы предлагается решать.

Вместе с тем, не нужно забывать, что за любой технологической революцией всегда должен стоять Человек как высшая ценность. Наука в своем стремлении к прогрессу порой игнорирует последствия своих достижений, а иногда и вступает в конфликт с обществом и моралью, отрицая или подменяя их категориями технической рациональности. За последние несколько десятилетий мы совершили сотни открытий, которые по своему влиянию на нашу жизнь превзошли самые смелые мечты писателей-фантастов, однако сам по себе технологический прогресс не может сделать людей счастливее, а мир – справедливее. Рост числа самоубийств, случаев депрессивных расстройств, количества заключенных в некоторых развитых странах наглядно демонстрирует, что высокий технологический уровень и материальное благополучие не являются панацеей и не должны подменять собой гуманистические ценности и мораль.