Атлас искусственного интеллекта: руководство для будущего

За пределами Соединенных Штатов поднимаются еще большие облака углекислого газа. Китайская индустрия центров обработки данных получает 73 процента электроэнергии из угля, выбросив в 2018 году около 99 миллионов тонн CO2[99]. Ожидается, что к 2023 году потребление электроэнергии инфраструктурой китайских центров обработки данных увеличится на две трети[100]. Гринпис поднял тревогу по поводу колоссальных энергетических потребностей крупнейших технологических компаний Китая, утверждая, что «ведущие технологические компании, включая Alibaba, Tencent и GDS, должны резко увеличить объемы закупок чистой энергии и раскрыть данные об энергопотреблении»[101]. Долгосрочное воздействие угольной энергетики проявляется повсюду, превышая любые национальные границы. Планетарный характер добычи ресурсов и ее последствий выходит далеко за рамки интересов национального государства.

Вода рассказывает еще одну историю об истинной стоимости вычислений. История использования воды в США полна сражений и секретных сделок, и, как и в случае с вычислениями, сделки, заключенные в отношении воды, держатся в секрете. Один из крупнейших в США центров обработки данных принадлежит Агентству национальной безопасности (АНБ) в Блаффдейле, штат Юта. Открытый с конца 2013 года, Центр обработки данных разведывательного сообщества в рамках комплексной национальной инициативы по кибербезопасности невозможно посетить. Но, проехав через окрестные пригороды, я нашла проселок на холме, поросшем шалфеем, и оттуда смогла поближе рассмотреть разросшийся объект площадью 1,2 миллиона квадратных футов. Этот объект имеет своего рода символическую силу следующей эры правительственного сбора данных, поскольку он был показан в таких фильмах, как «Citizenfour: правда Сноудена», и изображен в тысячах новостных сюжетов об АНБ. Однако вживую он выглядит неприметно и прозаично – гигантский контейнер для хранения данных, совмещенный с блоком правительственных офисов.

Борьба за воду началась еще до официального открытия центра обработки данных, учитывая его расположение в засушливом штате Юта[102]. Местные журналисты хотели подтвердить достоверность данных о потреблении 1,7 млн. галлонов воды в день, но АНБ изначально отказалось предоставить данные, отредактировало все детали в открытых источниках и заявило, что использование воды является вопросом национальной безопасности. Тогда активисты создали буклеты, призывающие прекратить их материальную поддержку, и разработали стратегию, согласно которой юридический контроль за использованием воды мог бы помочь закрыть объект[103]. Но город Блаффдейл уже заключил многолетнюю сделку с АНБ, по которой город продавал воду по тарифам значительно ниже среднего в обмен на обещание экономического роста[104]. Геополитика воды теперь глубоко объединена с механизмами и политикой центров обработки данных, вычислений и власти – во всех смыслах. С засушливого склона холма, с которого открывается вид на хранилище данных АНБ, все споры и недомолвки о воде становятся понятными: вода, которая используется для охлаждения серверов, отбирается у сообществ и мест обитания, от нее зависящих.

Как грязная работа горнодобывающего сектора была удалена от компаний и жителей городов, так и большинство центров обработки данных находятся вдали от крупных населенных пунктов, будь то в пустыне или в полупромышленных пригородах. Это способствует тому, что мы считаем облако невидимым и абстрагированным, в то время как на самом деле оно материально, влияет на окружающую среду и климат таким образом, что это далеко не всегда осознается и учитывается. Облако зависит от земли, и для того, чтобы оно росло, необходимо расширять ресурсы и слои логистики и транспорта, которые находятся в постоянном движении.

Логистический слой

До сих пор мы рассматривали материальные составляющие ИИ, от редкоземельных элементов до энергии. Основывая наш анализ на конкретных материальных составляющих ИИ – вещах, местах и людях, – мы можем увидеть, как эти составляющие действуют в рамках более широких систем власти. Возьмем, к примеру, глобальные логистические машины, которые перемещают по планете минералы, топливо, оборудование, работников и потребительские устройства ИИ[105]. Головокружительное зрелище логистики и производства, демонстрируемое такими компаниями, как Amazon, было бы невозможно без разработки и широкого признания стандартизированного металлического объекта: грузового контейнера. Подобно подводным кабелям, грузовые контейнеры связывают отрасли глобальной коммуникации, транспорта и капитала, являясь материальным воплощением того, что математики называют «оптимальной транспортировкой» – в данном случае, как оптимизация пространства и ресурсов на торговых путях мира.

Стандартизированные грузовые контейнеры (сами построенные из основных земных элементов – углерода и железа, выкованных в виде стали) обеспечили взрыв современной судоходной промышленности, что, в свою очередь, позволило представить и смоделировать планету как единую массивную фабрику. Грузовой контейнер – это единая мера стоимости, подобно конструктору «Лего», которая может преодолевать тысячи миль, прежде чем встретится со своим конечным пунктом назначения в качестве модульной части более крупной системы доставки. В 2017 году грузоподъемность контейнеровозов в морской торговле достигла почти 250 миллионов дедвейт-тонн грузов, среди которых доминируют такие гигантские судоходные компании, как датская Maersk, швейцарская Mediterranean Shipping Company и французская CMA CGM Group, каждая из которых владеет сотнями контейнеровозов[106]. Для этих коммерческих предприятий грузовые перевозки – относительно дешевый способ перемещения по сосудистой системе глобальной фабрики, однако они скрывают гораздо большие внешние издержки. Точно так же, как они склонны пренебрегать физическими реалиями и затратами инфраструктуры искусственного интеллекта, популярная культура и СМИ редко освещают судоходную отрасль. Автор Роуз Джордж называет это состояние «морской слепотой»[107].

За последние годы морские суда произвели 3,1 процента годовых глобальных выбросов углекислого газа, что больше, чем в Германии в совокупности[108]. Для минимизации внутренних затрат большинство компаний, занимающихся контейнерными перевозками, в огромных количествах используют низкосортное топливо, что приводит к повышенному содержанию в воздухе серы и других токсичных веществ. По оценкам, один контейнеровоз выбрасывает в атмосферу столько же загрязняющих веществ, сколько вырабатывают пятьдесят миллионов автомобилей, а шестьдесят тысяч ежегодных смертей косвенно объясняются загрязнением от грузовых судов[109].

Даже такие дружественные для отрасли источники, как Всемирный совет судоходства, признают, что тысячи контейнеров ежегодно теряются, опускаясь на дно океана или уходя в дрейф[110]. Некоторые контейнеры перевозят токсичные вещества, которые просачиваются в океаны; другие выпускают тысячи желтых резиновых уточек, и те в течение десятилетий выбрасываются на берег по всему миру[111]. Обычно работники проводят в море почти шесть месяцев, часто с длинными рабочими сменами и без доступа к внешней связи.

Наиболее серьезные издержки глобальной логистики ложатся на атмосферу Земли, океаническую экосистему и низкооплачиваемых работников. Корпоративные представления об ИИ не отражают долгосрочные затраты и длительную историю ресурсов, необходимых для создания вычислительных инфраструктур, и энергии, требуемой для их питания. Быстрый рост облачных вычислений, представляемых как экологически чистые, парадоксальным образом привел к расширению границ добычи ресурсов. Только лишь принимая во внимание эти скрытые затраты, а также обширные совокупности участников и систем, мы можем понять, что означает переход к большей автоматизации. Это требует работы против принципов технологического воображения, которое обычно совершенно не связано с земными делами. Например, поиск картинки «ИИ», который выдает десятки фотографий светящихся мозгов и двоичных кодов, парящих в космосе, оказывает мощное сопротивление взаимодействию с материальными аспектами этих технологий. Вместо этого мы начинаем с земли, с добычи и с истории индустриальной власти, а затем рассматриваем, как эти модели повторяются в системах труда и данных.

ИИ как мегамашина

В конце 1960-х годов историк и философ технологии Льюис Мамфорд разработал концепцию мегамашины, желая проиллюстрировать, что все системы, независимо от их размера, состоят из работы отдельных людей[112]. Согласно Мамфорду, Манхэттенский проект стал определяющей современной мегамашиной, тонкости которой скрывались не только от общественности, но даже от тысяч людей, которые работали над ней на охраняемых объектах по всей территории США. В общей сложности 130000 человек трудились в тайне под руководством военных, разрабатывая оружие, которое должно было убить (по самым скромным подсчетам) 237000 человек, упав на Хиросиму и Нагасаки в 1945 году. Создание атомной бомбы зависело от сложной, секретной цепи поставок, логистики и человеческого труда.

Искусственный интеллект – это еще один вид мегамашины, набор технологических подходов, зависящих от промышленных инфраструктур, цепочек поставок и человеческого труда, которые простираются по всему миру, но остаются непрозрачными. Мы поняли, что ИИ – это гораздо больше, чем базы данных и алгоритмы, модели машинного обучения и линейная алгебра. Он метаморфичен: он опирается на производство, транспортировку и физический труд; на центры обработки данных и подводные кабели между континентами; персональные устройства и их необработанные компоненты; на сигналы, передаваемые по воздуху; наборы данных, полученные через Интернет; и непрерывные вычислительные циклы. И за все это приходится платить.

Мы рассмотрели отношения между городами и шахтами, компаниями и цепочками поставок, а также соединяющую их топографию добычи. Принципиально взаимосвязанный характер производства, изготовления и логистики напоминает нам о том, что шахты, на которых работает ИИ, расположены повсюду: не только в отдельных местах, но и рассеяны по всей Земле. Мазен Лаббан называет этот феномен «планетарной шахтой»[113]. Это не означает отрицание множества конкретных мест, где происходит добыча полезных ископаемых с помощью технологий. Скорее, Лаббан отмечает, что планетарная шахта расширяет и реконструирует добычу в новые механизмы, распространяя практику шахт на новые пространства и взаимодействия по всему миру.

В настоящее время, когда воздействие антропогенного изменения климата уже идет полным ходом, поиск новых методов понимания глубоких материальных и человеческих корней систем искусственного интеллекта является жизненно важным. Но это легче сказать, чем сделать. Отчасти это связано с тем, что многие отрасли, входящие в цепочку систем ИИ, скрывают текущие затраты. Кроме того, масштабы, необходимые для создания систем искусственного интеллекта, слишком сложны, слишком затенены законодательством и слишком погрязли в логистических и технических процессах. Но наша цель состоит не в том, чтобы сделать сложные конструкции прозрачными: вместо того, чтобы пытаться в них заглянуть, мы будем соединять многочисленные системы и пытаться понять, как они друг с другом взаимодействуют[114]. Таким образом, наш путь будет пролегать через истории об экологических и трудовых издержках искусственного интеллекта и помещать их в контекст с практиками извлечения и классификации, которыми оплетена повседневная жизнь. Именно размышляя над этими вопросами, мы сможем добиться большей справедливости.

Я совершаю еще одну поездку в Сильвер-Пик. Не доезжая до города, я останавливаю фургон на обочине, чтобы прочитать истерзанный погодой знак. Это исторический маркер Невады 174, посвященный созданию и разрушению маленького городка под названием Блэр. В 1906 году Питсбургская золотодобывающая компания Silver Pick скупила шахты в этом районе. Предвидя бум, земельные спекулянты выкупили все свободные участки вместе с правами на воду, доведя цены до рекордных искусственных максимумов. В итоге горнодобывающая компания провела геодезическую съемку в паре миль к северу и объявила это место территорией нового города: Блэр. Они построили самую большую в штате мельницу для выщелачивания и проложили железную дорогу, которая шла от Блэр Джанкшн до магистрали Тонопа и Голдфилд. Вскоре город процветал. Сотни людей приезжали сюда со всех концов, чтобы получить работу, несмотря на тяжелые условия труда. Однако при такой интенсивной добыче цианид начал отравлять землю, а золотые и серебряные пласты разрушаться и иссякать. К 1918 году Блэр был практически заброшен. Все закончилось за какие-то двенадцать лет. Руины отмечены на местной карте – всего в сорока пяти минутах ходьбы.

Руины в Блэр. Фотография Кейт Кроуфорд

В пустыне стоит палящий жаркий день. Единственные звуки – металлическое эхо цикад и гул случайного пассажирского самолета. Я начинаю подниматься по холму. К тому времени, когда я достигаю скопления каменных зданий на вершине длинной грунтовой дороги, я изнемогаю от жары. Я укрываюсь в развалившихся останках того, что когда-то являлось домом золотодобытчика. Осталось немного: разбитая посуда, осколки стеклянных бутылок, несколько ржавых консервных банок. В те годы, когда Блэр был оживленным городом, поблизости процветали многочисленные салуны, а двухэтажный отель принимал посетителей. Теперь это скопление разрушенных фундаментов.

Сквозь пространство, где раньше стояло окно, открывается вид на долину. Меня поражает осознание того, что Сильвер-Пик тоже скоро станет городом-призраком. Текущий объем добычи на литиевом руднике агрессивен в ответ на высокий спрос, и никто не знает, как долго это продлится. Самая оптимистичная оценка – сорок лет, но конец может наступить гораздо раньше. Тогда литиевые бассейны под долиной Клейтон будут обескровлены – уничтожены из-за батарей, предназначенных для захоронения на свалке. А Сильвер-Пик вернется к своей прежней жизни, как пустое и тихое место, на краю древнего соляного озера, ныне осушенного.

Глава 2

Труд

Когда я вхожу в огромный центр компании Amazon в Роббинсвилле, штат Нью-Джерси, первое, что я вижу, – это большой знак с надписью «Табельные часы». Она торчит из одного из ярко-желтых бетонных пилонов, протянувшихся через огромное заводское пространство площадью 1,2 миллиона квадратных футов. Это крупный распределительный склад для небольших объектов – центральный узел распределения на северо-востоке США. Он представляет собой головокружительное зрелище современной логистики и стандартизации, призванной ускорить доставку посылок. Десятки табло с часовым механизмом расположены через равные промежутки времени вдоль входа. Каждая секунда работы контролируется и подсчитывается. Работники, известные как «партнеры», должны регистрироваться сразу же по прибытии. В редких, освещенных флуоресцентным светом комнатах отдыха, также установлены часы и еще больше знаков, подчеркивающих, что все сканирования при входе и выходе из комнат отслеживаются. Как на складе сканируют упаковки, так на складе следят и за максимально возможной эффективностью работников: они могут отрываться от работы только на пятнадцать минут за смену, с неоплачиваемым тридцатиминутным перерывом на обед. Смены длятся по десять часов.

Это один из новейших центров выполнения заказов, где для перемещения тяжелых стеллажей с товарами используются роботы. Ярко-оранжевые роботы Kiva плавно скользят по бетонному полу, как яркие водяные жучки, следуя запрограммированной логике, которая заставляет их вращаться ленивыми кругами, а затем направляет к следующему работнику, ожидающему подносы. Затем они движутся дальше, неся на своих спинах башню из тяжелых покупок. Эта армия прижавшихся к земле роботов представляет собой неутомимую рабочую силу: они несут, вращаются, продвигаются, снова несут. Они издают низкий жужжащий гул, однако его почти полностью заглушает звук быстро движущихся конвейерных лент, которые служат артериями завода. В этом помещении четырнадцать миль конвейерных лент движутся без остановки, в результате чего получается постоянный рев.

Пока роботы исполняют свой слаженный алгоритмический балет за ограждениями из цепей, рабочие на фабрике гораздо менее спокойны. Беспокойство, связанное с выполнением нормы – количества товаров, которые они должны отобрать и упаковать за отведенное время, – явно сказывается. Многие из рабочих, с которыми я сталкиваюсь во время визитов, носят те или иные поддерживающие повязки. Я вижу наколенники, налокотники, защитные щитки для запястий. Когда я замечаю, что у многих людей есть травмы, работник Amazon, проводящий меня по фабрике, указывает на расположенные через равные промежутки торговые автоматы, «снабженные безрецептурными обезболивающими для всех, кто в них нуждается».

Табельные часы в центре выполнения заказов Amazon в Роббинсвилле, штат Нью-Джерси. AP Photo/Julio Cortez

Робототехника стала ключевой частью логистического арсенала Amazon, и если машины выглядят ухоженными, то человеческие тела кажутся чем-то второстепенным. Они нужны для выполнения специфических, сложных задач, непосильных роботам: сбор и визуальное подтверждение предметов, которые в кратчайшие сроки люди хотят получить, от чехлов для телефонов до моющего средства. Люди – это необходимая соединительная структура, необходимая для того, чтобы заказанные товары попадали в контейнеры и грузовики и доставлялись потребителям. При этом люди не являются самым ценным или надежным компонентом машины Amazon. В конце рабочего дня все сотрудники должны пройти через ряд металлодетекторов. Как мне сказали, это эффективная мера защиты от краж.

В слоях Интернета одной из наиболее распространенных единиц измерения является сетевой пакет – основная единица данных, отправляемая из одного пункта назначения и доставляемая в другой. В компании Amazon основной единицей измерения является коричневая картонная коробка – знакомое нам транспортное сооружение, украшенное изогнутой стрелкой, имитирующей человеческую улыбку. Каждый сетевой пакет имеет временную метку, известную как период жизни. Данные должны попасть в пункт назначения до его истечения. В Amazon картонная коробка также имеет время жизни, определяемое требованиями клиента к доставке. Если коробка опаздывает, это влияет на бренд Amazon и, в конечном счете, на его прибыль. Именно по этой причине компания уделяет огромное внимание алгоритму машинного обучения, который настраивается на данные о наилучшем размере, весе и прочности гофрированных коробок и бумажных конвертов. Очевидно, без иронии, алгоритм называется «матрицей»[115]. Каждый раз, когда человек сообщает о поврежденном товаре, это становится точкой отсчета данных о том, какую коробку следует использовать в будущем. В следующий раз, когда этот же товар будет ждать отправления, матрица автоматически назначит ему новый тип коробки без участия человека. Такой подход предотвращает поломки, экономит время и увеличивает прибыль. Однако работники вынуждены постоянно адаптироваться, что, безусловно, затрудняет применение их знаний на практике или привыкание к работе.

Контроль за временем является постоянной темой логистической империи Amazon, а сотрудники работают в соответствии с каденциями вычислительной логики. Amazon – второй по величине частный работодатель в Америке, и многие компании стремятся подражать его подходу. Многие крупные корпорации вкладывают значительные средства в автоматизированные системы в попытке получить все большие объемы труда от меньшего числа работников. Логика эффективности, наблюдения и автоматизации сходятся в нынешнем повороте к вычислительным подходам к управлению трудом. Гибридные человеко-роботизированные распределительные склады Amazon являются ключевым местом для понимания компромиссов, которые происходят в этом стремлении к автоматизированной эффективности. Отсюда мы можем начать рассматривать вопрос о том, как труд, капитал и время переплетаются в системах ИИ.

Вместо того чтобы обсуждать, заменят ли людей роботы, в этой главе я сосредоточусь на том, как меняется опыт работы в связи с усилением наблюдения, алгоритмической оценки и модуляции времени. Другими словами, насколько часто люди прибегают к помощи роботов и как это сказывается на роли труда. Многие формы труда окутаны термином «искусственный интеллект», скрывая тот факт, что люди зачастую выполняют механические задачи, поддерживая тем самым впечатление, будто эту работу способны сделать машины. Тем не менее, крупномасштабные вычисления уже глубоко укоренились в процессе труда и основаны на эксплуатации человеческих тел.

Если мы хотим понять будущее работы в контексте искусственного интеллекта, нам нужно начать с понимания прошлого и настоящего опыта работников. Подходы к максимизации извлечения ценности из сотрудников варьируются от переработки классических методов, использовавшихся на заводах Генри Форда, до ряда инструментов машинного обучения, предназначенных для повышения детализации отслеживания, стимулирования и оценки. В этой главе представлена история географии труда в прошлом и настоящем, от инспекционных домов Самуэля Бентама до теорий управления временем Чарльза Бэббиджа и микроменеджмента человеческого тела Фредерика Уинслоу Тейлора. Попутно мы увидим, каким образом ИИ строится на основе человеческих усилий (среди прочего), таких как работа в коллективе, приватизация времени и, казалось бы, бесконечная работа по перемещению, подъему и упорядочиванию коробок. Из истории механизированной фабрики возникла модель, которая ценит повышенное соответствие, стандартизацию и совместимость – как для продуктов и процессов, так и для людей.

Предыстория автоматизированного рабочего места

Автоматизация рабочих пространств, хотя о ней часто рассказывают как о будущем, уже давно стала опытом современной работы. Производственный конвейер с его акцентом на последовательные и стандартизированные единицы продукции имеет аналоги в сфере услуг, от розничной торговли до ресторанов. С 1980-х годов труд секретаря все больше автоматизируется, и теперь его имитируют высоко феминизированные помощники ИИ, такие как Siri, Cortana и Alexa[116]. Так называемые офисные работники, те самые «белые воротнички», которым, как предполагалось, в меньшей степени угрожает автоматизация, оказываются все больше подвержены наблюдению, систематизации процессов и разрушению различий между работой и досугом (хотя женщины и без того редко испытывали четкие различия, как показали феминистские теоретики труда, такие как Сильвия Федеричи и Мелисса Грегг)[117]. Как оказалось, адаптироваться пришлось всем отраслям, чтобы их можно было интерпретировать и понимать системами, основанными на программном обеспечении[118].

Общим рефреном расширения систем искусственного интеллекта и автоматизации процессов является то, что мы живем во времена выгодного сотрудничества человека и искусственного интеллекта. Но это сотрудничество не является справедливым. Условия основаны на значительной асимметрии власти – есть ли вообще выбор не сотрудничать с алгоритмическими системами? Когда компания внедряет новую платформу ИИ, работникам редко разрешают отказаться от сотрудничества. Это не столько сотрудничество, сколько принуждение, когда от работников ожидается, что они будут переквалифицироваться, идти в ногу со временем и беспрекословно принимать каждую новую техническую разработку.

Вторжение ИИ на рабочие места следует понимать не как радикальный отход от устоявшихся форм, а как возвращение к старым практикам эксплуатации промышленного труда, которые прочно утвердились в 1890-х годах и в начале XX века. В то время фабричный труд уже рассматривался в контексте машин, а задачи все больше подразделялись на более мелкие действия, требующие минимальных навыков, но максимального напряжения сил. Действительно, нынешнее расширение автоматизации продолжает более широкую историческую динамику, присущую промышленному капитализму. С момента появления первых фабрик рабочие сталкивались с все более мощными инструментами, машинами и электронными системами, которые играют роль в изменении методов управления трудом и в передаче большей ценности работодателям. Сейчас мы наблюдаем новые припевы на старую тему. Решающее отличие заключается лишь в том, что теперь работодатели наблюдают, оценивают и регулируют части рабочего цикла и физические данные вплоть до последнего микродвижения, которые раньше были для них недоступны.

Существует множество предысторий ИИ в рабочем пространстве; одна из них – широкомасштабная автоматизация общих видов производственной деятельности во время промышленной революции. В своем труде «Богатства народов» политэкономист XVIII века Адам Смит впервые указал на разделение и подразделение производственных задач как на основу повышения производительности и роста механизации[119]. Он заметил, что, определив и проанализировав различные этапы производства любого изделия, можно разделить их на все более мелкие шаги. Так продукт, который раньше полностью изготавливался опытными ремесленниками, теперь может быть создан командой рабочих более низкой квалификации, оснащенных инструментами, специально созданными для выполнения конкретной задачи. Таким образом можно было значительно увеличить объем производства на фабрике без эквивалентного увеличения стоимости рабочей силы.