Саркис Григорян:
Добрый вечер. Сегодня 7 часов, четверг, а значит как обычно мы будем говорить об искусственном интеллекте, о вещах, которые связаны с ним. Сегодня у нас очень интересный гость, Григорий Сапунов, технический директор и основатель компании Intento, по-моему, единственный в России Google developer и эксперт по machine learning, насколько я знаю. Я думаю, мы ещё об этом поговорим. Член борда в Atlas Biomed. Григорий, добрый вечер, большое спасибо, что пришёл.
Григорий Сапунов:
Спасибо, Саркис.
Саркис Григорян:
Мы сегодня поговорим о том, что нового происходит в развитии искусственного интеллекта касаемо различных технологий, что это нам даст в обозримом будущем, где мы это можем пощупать. То есть такой прикладной характер будет беседы. Давай начнём с того, на что бы ты обратил внимание, что интересного произошло за последнее время в данной теме, в развитии систем.
Григорий Сапунов:
Тут конечно вопрос, последнее время, это сколько?
Саркис Григорян:
Давай возьмём хотя бы, давай возьмём какие-нибудь 5 лет, когда шум начался такой более-менее.
Григорий Сапунов:
За 5 лет радикально всё изменилось. Первые, наверное, серьёзные успехи случились году в 10-11-м, распознавание речи. Потом в 12-м в картинках, потом оно постепенно дошло до хайпа году в 14-м и с тех пор понеслось. За это время произошло победа в Го, победа в Dota, в Star Craft, появление распознавалок с качеством выше человеческого, синтез речи появился, ганы появились, появились все вот эти дипфэйки и подобные штуки. То есть реально за пяти лет мир, мне кажется, очень сильно изменился. Есть мобильные приложения, которые переводят в реалтайме с одного языка на другой, есть мобильные приложения, которые распознают много чего, есть приложения всякие артистические, типа Prisma, которое было несколько лет назад. И сейчас появляются, как в Китае появилось приложение Зао, где с помощью дипфейка ты можешь вставлять своё лицо в фильмы. Мне кажется, существенно всё изменилось. Когда появлялись сотовые телефоны, мне кажется, мир менялся медленнее, чем сейчас.
Саркис Григорян:
Скажи, какая обычно разница во времени между тем, как какая-то технология появляется, я так понимаю, что, наверное, раньше это было побольше времени между тем, как она появилась и между тем, как она стала популярной. Понятно, что есть технологии, как, например, с дипфейками, они такие, достаточно виральные. Я где-то видел статью, что кто-то сделал приложение, чтобы в порно встраивать друзей.
Григорий Сапунов:
С этого и началось.
Саркис Григорян:
Но сейчас может ещё что-то придумали, но это, наверное, самое первое, что приходит в голову тем, кто в интернете.
Григорий Сапунов:
Но порно известный двигатель индустрии HS тоже, стриминг.
Саркис Григорян:
Конечно, и кредитные карточки, платежи в интернете, как и основной, наверное, трафик.
Григорий Сапунов:
Возможно, да, может быть, торренты в целом больше занимают, не знаю.
Саркис Григорян:
Но смотри если мы не говорим о каких-то очень сильно виральных историях, даже непонятно, когда будет им профессиональное какое-то применение. Сколько обычно времени такого проходит, в чем обычно загвоздка в том, чтобы технология прямо раскрылась во всей своей красе.
Григорий Сапунов:
Смотри, это интересный момент, потому что очень по-разному всё. С одной стороны, какие-то пользовательские технологии, умные колонки. Они, по-моему, сейчас считаются технологией, наиболее быстро проникающей в повседневную жизнь, они по penetration rate превысили всё, что было: планшеты, телефоны, телевизоры, стиральные машины, всё. Они за очень короткое время проникли в огромное количество домохозяйств. Что-то, наверное, следующее будет ещё быстрее проникать. Но пока это один из рекордов. В этом смысле как только появляется технически зрелая технология, продукт иногда появляется очень быстро, как с колонками с умными, как с Prisma, которая появилась в момент, как только появилась публикация, первый код про то, как делать стайл трансферт. И какие-то другие технологии тоже быстро возникают. Вернее, не технологии, а продукты. При этом, что интересно, многие технологии очень старые. Сама область на нейросетей безумно старая, многие вещи в нейросетях появились очень давно. Сверточные сети появились где-то в восьмидесятых годах, рекуррентные тоже где-то давно, многие алгоритмы появлялись в какие-то давние времена и просто отлеживались и не выстреливали по разным причинам. Одной из причин было то, что в то время, наверное, не очень понимали, недостаточно понимали, что данные - это очень важный алгоритм, это важно, но это не единственное, что есть. И плюс, наверное, железа ещё не хватало. Не наверное, а точно железа не хватало, данных не было в большом объёме, соответственно, не складывалось. При этом интересно было, на самом деле, нарисовать вот эти графики, как технологии появляются, как они приходят в нашу жизнь, даже в области искусственного интеллекта. Действительно частый паттерн, технология появилась, она лежит и ждёт чего-то, чтобы сложились ещё какие-то факторы, чтобы железо какое-нибудь ещё более быстрое подоспело. Или, мне кажется, часто, на самом деле, ждёт, чтобы кто-то пришёл и догадался, что это можно скрестить как-то и использовать. Первый дипфейк, когда он только появился, он был ровно такой технологией. Там были автоэнкодеры, сверточные сети, детекция лиц и всё, там даже ганов не было в первой версии. Аналог дипфейка можно было собрать ещё лет 10 назад, просто никто не додумался по какой-то причине или, может быть, железа чуть-чуть не хватало. Кто-то придумал, оно взлетело. Я уверен, сейчас есть куча технологий, которые позволяют сделать много чего, до чего ещё люди не додумались, не догадались, что это можно сделать. И сколько-то, я думаю, очень виральных вещей просто ждёт своего часа, но при этом какие-то технологии всё-таки довольно тяжелы и напрямую войдут в нашу жизнь в виде каких-то продуктов, наверное, не сразу. Та же AlphaGo, на самом деле, очень мощная технология, достаточно общая, чтобы применять ее в разных областях. Есть попытки применять её в химии для синтеза веществ, для предсказания реакции, для составления цепочек реакций. Я думаю, ещё где-то есть попытки её применять. Но я пока не слышал, чтобы это быстро входило в нашу жизнь, наверное, просто потому, что она достаточно сложная, чтобы ее сходу осознать. Не очень много людей на данный момент ещё в эту тему вошли и глубоко её понимают.
Саркис Григорян:
Я понимаю, что сейчас настолько развились технологии, и я достаточно давно, и в интернете, я помню, что такое было 10 лет назад что-то сделать на мобильном, что будет распознавать какой-то объект. И сейчас для этого вообще ничего не нужно, это просто такой drag-and-drop, и конечно, с нейронными сетями не так всё легко. Но я же правильно понимаю, что сейчас есть такие высокоуровневые фреймворки, настолько развитые и, как мне иногда думается, притом что очень высокоуровневые и простые, мне иногда кажется, что, может быть, туда просто не хватает людей не технического склада, которые осознают всю мощь этого инструмента.
Григорий Сапунов:
Я думаю да, я думаю, многих людей пугает эта история про нейросети.
Саркис Григорян:
Я по себе сужу просто, я пытаюсь разбираться как можно глубже, мне не всегда это нужно лично в рабочих местах, но для себя это интересно, я прямо осознал, в какой-то момент я почувствовал вот это отсутствие страха. Сначала это страх, трепет, потом вот этот переход. И потом, так, вот это понятно, здесь такие задачи, тебе нужно понять, как это можно сделать. И ты уже из какого-то такого гипермонстра, у тебя уже просто ты вцепился в него, что-то там поделал, и ты понимаешь, что у тебя уже разложены подзадачи какие-то. И в этот момент, это было недавно, как ты наверное понимаешь, о каком моменте я говорю. Если зрители не знают, ещё я не сказал, Григорий ведет прекраснейший курс, на котором обучают применению нейронных сетей в биологии и генетике, в медицине в широком смысле слова. Идёт на базе Высшей школы экономики. Я там вольнослушателем тоже учусь, пытаюсь. Вот это то было переживание, когда я понял, что, на самом деле, до этого тоже все говорили, что не хватает не технических людей. Но это я прямо на себе понял, это на уровне чувств. Мне кажется, что здесь именно задача такая, что нужно как можно больше людей мультипрофессиональных сталкивать. И вот этих ребят, которых сидят глубоко в нейронных сетях, учатся, что-то делают, нужно с какими-то такими, которые в реальном мире там живут. Потому что это разные люди. Как мне недавно сравнение очень понравилось, когда говорят, что есть люди, которые любят людей, а есть люди, которые любят предметы, коробочки. И программистами становятся те, кто любит копаться с чем-то таким. У тех, которые любят людей, такие общие проблемы, там возникают какие-то запросы. Это интересно, на самом деле. Я правильно понимаю, что очень много вещей мы можем сейчас просто ожидать спонтанно, просто кто-то подумает, почему бы так не сделать.
Григорий Сапунов:
Да очень много упростилось.
Сейчас чтобы сделать какую-то распознавалку нейросетевую в мобильном устройстве, не очень много нужно сделать. Условно, несколько строчек кода, чтобы дообучить модель или использовать готовую. Приложения сейчас тоже проще пишутся, чем 10 лет назад. Действительно, порог на вход очень сильно снизился. Да, еще нужны технические скилы, чтобы всё это делать, хотя есть какие-то среды, где это делается проще, чем просто программированием. Порог наверное ещё будет снижаться. Мне кажется, есть, с одной стороны, у людей блок какой-то, что не надо туда соваться, потому что это очень сложно, нейросети - это безумно сложно, искусственный интеллект - это сложно, программирование - это сложно. Но это не совсем так. Оно действительно упрощается по всем фронтам. И тут, с одной стороны, снижается порог на вход тем, кто хотел бы попробовать, с другой стороны, те, кто все равно, может быть, пробовать не будет, потому что они считают себя гуманитариями, а не технарями. Ну, у этих людей, по крайней мере, появляется возможность быть в курсе, следить за тем, что происходит. И, на самом деле, надо общаться, конечно, надо всем общаться, и на стыке, безусловно, может родиться много всего интересного. Я за этот питательный бульон, когда люди разных скиллов, разных ментальностей общаются между собой и у них там вместе что-то вызревает. То есть такие всякие гибридные команды, где очень разные люди с большим divercity вместе сходятся, они способны родить что-нибудь интересное. Потому что конечно, все по-своему зашорены, у всех свои профдеформации, в этом смысле надо помогать друг другу выйти из каких-то привычных рамок. Технология, правда, упростила очень многое.
Саркис Григорян:
Что сейчас на самом таком переднем крае, просто я знаю, что ты постоянно смотришь, изучаешь, по научным работам я вижу у тебя в Фейсбуке какие-то публикации относительно того, что нового. Что сейчас прямо такого, на хайпе, но не вот этом внешнем, а среди тех, кто занимается нейронными сетями. Есть какие-то сейчас такие?
Григорий Сапунов:
Фронтиров, на самом деле, много. Там одно время по разным направлениям идёт движение. Как минимум, большое направление - это reenforcement learning, который вроде как-то выстрелил, когда компьютер победил в Atari, компьютер научился играть в игры Atari просто по скриншотам, условно говоря, по картинке. Потом было Го и всё остальное. Это действительно крутые достижения. Но reenforcement learning на этом не закончился, там огромный пласт других задач про то, как сделать его более эффективным, modal base сделать, чтобы он был не какой-то абстрактный, а с пониманием, с использованием каких-то моделей. Плюс история про иерархический reenforcement learning есть, про всякие реворды, которые надо правильно инженерить, а ещё лучше сделать так, чтобы не было никакого явного заданного извне реворда, а был какой-нибудь внутренний реворд у агента, какая-то мотивация собственная, он бы с этой мотивацией решал разные задачи. Это всё один такой большой пласт, одно направление.
Саркис Григорян:
Я правильно понимаю, условно, чтобы он научился понимать вот эти реворды из разных мест, а не из одного конкретно.
Григорий Сапунов:
Чтобы он даже сам себе его как-то формулировал.
Саркис Григорян:
Чтобы суть его понимал.
Григорий Сапунов:
Это по-разному называется, intrinsic reward, любознательность, ещё что-то, есть сколько-то разных функций, штук, которые выступают в качестве таких ревордов. Есть надежда, что агент с каким-то таким интересным внутренним ревордом может решать разные классы задач, не получая извне установку, что ему нужно делать. Потому что это проблема. Пока искусственный интеллект в целом, он про то, чтобы ему дали какую-то задачу, он ее делает, либо через supervized learning, либо через reenforcement, где она всё равно в виде реворда и существуют. Хочется решать какие-то задачи, где нет явной постановки, тем не менее, агенту надо быть успешным в широком смысле в среде, ему надо исследовать, может быть ещё придумывать себе задачу, на самом деле. Это уже претензия, конечно, на общий искусственный интеллект, чтобы он был в каком-то смысле подобен нам или ещё кому-то, кто вроде как без какой-то определённой цели, заложенной извне, хотя есть споры, действует. В общем, одно такое интересное направление. Другое интересное направление, это всякие генеративные сети, это ганы, но не только ганы, на самом деле. Сети, которые умеют генерить различные, в широком смысле, объекты. Картинки, звуки, тексты и так далее. Эта штука появилась в 14-м году, сейчас ганы дошли до очень высокого качества синтеза изображений, в других областях они тоже применяются. Выходит огромное количество работ по ганам, это тоже интересное направление. Но не только гранам, ещё VAE, вариационные автоэнкодеры, есть много всего другого. Там много всего происходит, много работ про это. Ещё отдельная тема про то, как скрестить нейросети с, условно, старыми добрыми символьными системами, которые на базе логики работают или ещё чего-то такого, такой гибридный искусственный интеллект, тоже хорошая тема, тоже есть какой-то пласт работы в эту сторону, и необходимость есть в этих работах. Потому что у нейросети есть сколько-то ахиллесовых пят известных, они объяснить результат не могут, они вывод логический не умеют делать, а вот эти технологии вроде как могут позволить это сделать, соответственно, все хотят скрестить. Очень большая тема про unsupervised learning, когда просто есть массивы данных, надо в них найти какую-то структуру. Много полезных задач там потенциально есть, много работ в этом направлении. Это то, что сходу просится. Ещё, на самом деле, за последний год или два года появилось много работ про графовые сети, это даже не то, что расширение, но расширение нейросетей, в общем, они теперь могут работать с графами также в очень разных постановках. И много задач в реальности описывается графами, а не какими-то прямоугольными сетками или чем-то таким. Для этого тоже нужны такие сети, даже есть хорошие кейсы их применения. В Антарктиде есть мюонный детектор IceCube, который нейтрин ловит, он мюоны ловит, по ним нейтрино определяют, типа нейтринный телескоп или как он там называется. Там есть задача, когда пролетает мюон, детекторы зажигаются, ловит фотоны, им нужно понять, мюон действительно от нейтрино или космический залетел. Они для этого раньше сверточные сетки использовали, в какой-то момент они попробовали графовые сети, оказались они лучше. Там было даже понятно, почему они будут лучше, потому что детекторы расположены таким гридом хитрым неравномерным, туда это просилось. Таких задач много, где графы нужны. Ещё очень нравится тема про то, что machine learning и deep learning приходит в науку тоже в широком смысле. Появляется много работ, где какие-то методы заменяются на machine learning методы, например, есть симуляция развития вселенной, там какие-то сложные дифуры всегда были, а теперь попробовали заменить на нейросети, которые дифуры неплохо умеют приближать. Оказалось, что они тоже выучивают какие-то интересные вещи, делают быстрее, в смысле уже обученные сети быстрее что-то решают, какие-то задачи и так далее. Работы много, где в науке что-то делается. В биологии, понятно, вообще золотая жила, в биологию приходите, там много надо всего делать, там просто огромный массив данных лежит и ждут, пока люди со скиллами до них доберутся. В астрономии, в физике огромный массив данных, уже всё это используется и должно больше использоваться. В materil science тоже важная тема, химия. На самом деле, в любой почти науке есть это. Я жду, вернее, не жду, я читаю эти работы, я уверен, их будет больше, это интересно смотреть, как это применяется к каким-то таким сложным научным задачам, которые за пределами всей вот этой базовой истории про классификацию картинок, определение людей и всё такое.
Саркис Григорян:
Мы такими задачами, как минимум, можем попробовать приблизиться к какому-то человеческому познанию. Потому что ты до этого говорил про reenforcement learning, обозначил это любопытство и интерес и, на самом деле, я подумал, а вообще любопытство такое, какой-то наш инстинкт, какие-то вещи касаемо сознания, касаемо каких-то совсем человеческих, где он самостоятелен, вот там что сейчас, есть какие-то вот эти вещи, где мы пытаемся сделать когнитивными.
Григорий Сапунов:
Да, есть довольно много, это всегда было таким важным направлением исследований ИИ не ради ради ИИ, а ради того, чтобы понять лучше нас самих, понять, как мы сами действуем. собрать что-то и посмотреть, наши стратегии работают или не работают или есть какие-то лучшие стратегии или просто свои стратегии раскопать, ещё что-то сделать. Мне кажется, подход Фейнмана очень хорош. Он говорил что-то типа: я понимаю только то, что я могу воспроизвести, могу собрать сам. Искусственный интеллект, в этом смысле он работает как такая важная штука, важный тул, который даёт возможность лучше понять, как работает всё биологическое вокруг, наш собственный интеллект. Этого будет больше тоже. В neuroscience и так есть взаимопроникновение. И neuroscience, конечно, влияет на искусственный интеллект, и искусственный интеллект влияет на neuroscience. И вот эти люди, которые хотели раскопать, как работает мозг, они были у истоков оригинального искусственного интеллекта, когда он ещё в середине прошлого века зарождался.
Саркис Григорян:
Когда они хотели за лето описать все человеческие когнитивные способности, положить их на математику.
Григорий Сапунов:
Например, был Герман Саймон, когнитивист, который чуть ли не Нобелевский лауреат, очень крутой человек, который искусственным интеллектом занимался, в том числе, потому, что ему было интересно, как работает мышление. Кроме прочего, он анализировал как шахматисты, например, думают, чем эксперт отличается от новичка, какие у них стратегии игры. Попытки раскопать, как работает человеческий разум, они всегда у таких людей где-то рядом были с искусственным интеллектом, потому что это про одно и то же.
Саркис Григорян:
Это очень интересно. Скажи, сейчас понятно, что когда тема модная, она во всех отношениях муссируется, сейчас какие-то политически истории относительно того, что искусственный интеллект в Китае искусственный интеллект в Америке, что у Китая больше всего данных, поэтому он в этой гонке выиграет. Потому что, по сути, данные генерятся все вокруг людей. Ты читаешь очень много работ научных, следишь за тем, что происходит в науке. Я могу только слышать о том, как кратно растут количество поданных заявок, патентов каких-то. Ты скажи, где сейчас происходят самые такие места, где прямо бурлит эта наука и развивается, какие-то может лаборатории, институты, или это компании. Э
Григорий Сапунов:
Безусловно, географические два центра - это США и Китай, там наибольшее количество людей, финансов, ресурсов в широком смысле, исследований. Россия, к сожалению, не очень значимое место на этой карте занимает по разным причинам. Кажется, одна из причин, что у нас просто исследователей мало, многих в перестройку и позже вымыло, они ушли бизнесом заниматься и т.д., среднее звено в какой-то момент выпало. Это повлияло безусловно, на то, что наша научная школа куда-то стала. Плюс у нас всегда, как мне кажется, были проблемы с публикацией в международных журналах, все любили локально публиковаться, а обмениваться опытом на международном уровне, мне кажется, есть в этом недостаток какой-то, в смысле нехватка этого ресурса.
Саркис Григорян:
Такая имиджевая проблема российских учёных.
Григорий Сапунов:
Даже не то, что имиджевая, имиджевая тоже.
Саркис Григорян:
Тебя нет, ты не англоязычном..
Григорий Сапунов:
Тебя нет, тебя не видно, ты по факту меньше общаешься просто с людьми. Наши люди меньше включены в этот процесс международный, который, на самом деле, очень сильно интернациональной. Сейчас там наметилось, может быть, какое-то небольшое разделение, когда китайцев немножко прогнали из Америки, в таком духе. Учёные, к сожалению, вынужден уезжать, как-то сокращать взаимодействие со Штатами. Это некоторая проблема, мне кажется.
Саркис Григорян:
Но это уже политика, это не разлад в научных кругах, это чисто политика. И компании просто вынуждены, чтобы не попасть под санкции в своих же государствах, как-то так вести.
Григорий Сапунов:
Да, есть проблема с интеграцией вообще в мировое сообщество, в России она, мне кажется, слаба, хотя безусловно, есть и достойные примеры, но их мало. И ресурсов, конечно, у нас сильно меньше, чем в Долине или в Китае. Не то, чтобы у нас было много лабораторий хорошо обеспеченных деньгами. Деньги всё равно нужны, потому что нужно иметь кластеры вычислительные, нужно исследователям платить достойные деньги, чтобы они не думали о еде, а могли заниматься спокойно тем, чем хочется. И в целом климат в стране тоже влияет довольно сильно на всё это. А где это по компаниям и так далее размазано, целом в какой-то момент случился такой перекос, что из академии людей сильно вымыло в пользу индустрии. Потому что в индустрии были данные, были ресурсы, люди там делали какие-то реальные дела, а в академии, к сожалению, сложно было делать реальные дела, люди писали статьи, но не все могли проверить на практике. Часть из них перетекла в индустрию, были даже и смешные, и грустные истории про то, не помню, то ли Uber. толи ещё кто-то целиком команду факультета или какой-то лаборатории прямо целиком скупил по компьютерному зрению и в институте оказалось некому читать этот курс. Грустная история. В какой-то момент в индустрии действительно стала делаться наука. Очень много статей сейчас идёт из Google, из Фейсбука, из китайских компаний, Huawei тот же, Али-Баба и многие другие. Уровень их, именно китайских статей, за последнее время вырос существенно. Если раньше все их критиковали за то, что Китай отстает, Китай только воспроизводит или делает какие-то мелкие улучшения, то сейчас работы вполне интересные начинают идти. Пока кажется из мировых центров типа Google, DeepMind, Facebook больше прорывных работ идёт, но из Китая вполне себе хороший поток пошёл.
Саркис Григорян:
Знаешь, интересно стало, когда книжка Кайфу Ли про Китай, я никогда об этом не думал с такой стороны, а там он очень интересную вещь сказал. Он говорит, что китайцы сейчас, когда они среагировали на это Го, был тригер, когда они как личное это просто восприняли и ринулись туда. Он пишет, что американцы не поняли одну вещь, мы не то, что копируем у них, у нас внутри себя ещё экосистема, вся друг у друга копируют, и поэтому только для того, чтобы воровать там, Facebook не мог всё своровать, поэтому кучу компаний он купил. Такм у них вот эти WeChat, в котором просто супермаркет цифровой, там всё можно сделать. И мне понравилось, он говорит, что там мы привыкли брать чужие идеи, потому что только идеи недостаточно, ты должен быть просто сам по себе самым крутым, самым оптимальным, чтобы победить там, когда все воруют и твоя идея вообще никак не конкурентное преимущество. И вот это мне вообще интересно показалось, потому что такой порыв, сидящий в нации, он, на самом деле, очень много может сделать.
Григорий Сапунов:
Книжка вообще интересная, мне понравилось там описание китайского интернета, я понял, что я не знал, как у них там всё развивалось. У них ощутимо по-другому всё шло, не как у нас, их интернет кажется действительно был Красным морем, где все друг друга грызли и очень жёстко конкурировали. Видимо, это влияет в целом на подход.
Саркис Григорян:
Но при этом я никогда не забуду, не помню, когда это было, наверное, лет семь назад в Шанхае для меня был первый шок. Нет, первый это был, когда куда ни плюнь, аудитория по 200 млн. и они вот здесь. А второй, это когда нищие спокойно лежали в смартфонах таких, с классными большими экранами, они абсолютно были не выключены. Тогда я ещё понял первый раз, я по-другому посмотрел на Китай, потому что в нашем понимании всё китайское сидит, а на самом деле, много чего там похоже происходит.
Григорий Сапунов:
Да, мне кажется, мы не очень понимаем эту страну, мы мало её знаем, хотя это одна из самых древних цивилизаций на планете, хоть она изменилась за всё это время много раз.
Саркис Григорян:
А они сами сколько открыты? Понятно, что есть много международных компаний, которые работают. Если до этого ты говорил о том, что у советских учёных, постсоветских ученых в силу, наверное, влияния советского периода, вот эта замкнутость внутри себя осталась. Потому что не было возможности особо сильно выезжать, и поэтому это наш минус. Но в Китае больше людей, а насколько они так замкнуты? То есть можем ли понять тот момент и осознать, когда они прямо сильно превзойдут нас. То есть они всем делятся?
Григорий Сапунов:
Сложно сказать, насколько они замкнуты, и я не видел изнутри китайскую экосистему, но я видел её снаружи. Китайцы давно выезжают учиться в Штаты, во многие другие страны. Китайских публикаций во всех западных журналах довольно большая доля всегда была и сейчас, мне кажется, даже больше становится. Действительно, открываешь любой журнал, там китайские фамилии. Эти люди, которые часто работают на западе, некоторые из них возвращаются, некоторые нет. Они изначально открыты, это те, кто уже уехал, кто учился на западе, кто уже интегрирован в это международное сообщество. В этом смысле они открыты, они публикуются, наверное, есть какой-то огромный пласт, который публикуется у себя внутри и делает какие-то свои внутренние работы, про которые не рассказывает.
Саркис Григорян:
Военные, правительство.
Григорий Сапунов:
Безусловно, есть военные, они ни в какой стране не рассказывают, есть какие-то правительственные работы, тоже, скорее всего, я думаю, это одинаково по миру. Есть ли у них там своя какая-то внутренняя среда, которая, условно, пишет только по-китайски и общается внутри себя. Наверное есть, наверное, она везде такая есть. Но при этом та группа, которая вполне себе интегрирована и вполне делает международного уровня research, она довольно заметна. По ней что-то видно, по этой группе.
Саркис Григорян:
Скажи, ты этого не договорил, что у нас всего лишь несколько есть компаний, которые могут быть на виду.
Григорий Сапунов:
В России.
Саркис Григорян:
Да. Можешь ты их сказать? Кто у нас есть, кто, может быть, на международном рынке известен.
Григорий Сапунов:
Кто занимается искусственным интеллектом?
Саркис Григорян:
Да. Я понимаю, что условный Mail.ru занимается тоже искусственным интеллектом, Сбербанк, сейчас все занимаются, и цыгане скоро тоже будут заниматься. Но именно технологические компании, которые известны.
Григорий Сапунов:
Конечно, есть известные бренды, типа Яндекс и т.д., которые международные, их знают, ВижнЛабс и другие компании, которые, мне кажется, тоже известны, у них есть международный бизнес, в этом смысле их тоже знают. Касперский, на самом деле, вполне себе компания, которая тоже занимается искусственным интеллектом. Они публикуются, у них есть работы. Каких-то прямо супер гигантов тех, которых мы все не знаем, я думаю, назвать нельзя, тем более все те, кто и так на виду. При этом у нас есть много компаний, условно, небольших, маленьких, которые вполне себе тоже занимаются искусственным интеллектом практическим, автоматизируют ритейл, например, делают распознавание продуктов на полках или свежести яблок в «Перекрестке», например, или ещё где-то. Или следят за стройкой, чтобы все каски носили, что-то в этом роде. Это понятно, вполне практические вещи, про них нет статей, но компании много, они есть. Не знаю, насколько они известны, в каждой нише, на самом деле, есть какое-то количество компаний, я думаю, вполне успешных по российским меркам. Другое дело, что, может быть, у российских компаний есть другая проблема, что они целятся в российский рынок и не целятся в международный, они просто ограничены, потенциал у них роста весь рынок СНГ, условно, который не очень большой.
Саркис Григорян:
Почему так происходит? Притом что искусственный интеллект, достаточно такая международная тема, и те люди, которые занимаются, так или иначе должны понимать, что происходит в мире, почему они боятся.
Григорий Сапунов:
Наверное, все всё понимают, просто выходить на зарубежные рынки, это не очень просто. Надо всё-таки присутствовать там, надо финансирование там получать, надо интегрироваться во все те системы финансовые и так далее. Надо понимать, как мыслит клиентам там, а не здесь, они всё-таки по-разному мыслят, то есть это видно даже на примере использования облачных технологий. В России Cloud Penetration довольно низкий, в России все стремятся делать своё.
Саркис Григорян:
Потому что должен быть доступ к сейфу, чтобы ты мог прийти и выключить в нужном тебе режиме.
Григорий Сапунов:
Психология разная, на самом деле. Соответственно, чтобы работать на клиента зарубежного, американского, европейского или азиатского, нужно понимать, это тоже какой-то редкий ресурс, мне кажется, не все люди это знают, не все это умеют. Надо это как-то растить всё.
Саркис Григорян:
Вы же Intento работаете на американском рынке.
Григорий Сапунов:
Работаем, да.
Саркис Григорян:
Как у тебя, как ты решился, расскажи на своём примере, почему, это сначала было в России, потом ты перешёл туда, или ты сразу решил туда.
Григорий Сапунов:
Мы изначально делали международную компанию, мы изначально регистрировали её в США и целились изначально в зарубежные рынки, потому что они более развиты в той конкретной области, где мы работаем. Мы пошли туда и, на самом деле, в создании компании, конечно, важно найти правильного кофаундера, потому что в одиночку вытянуть это, мне кажется, почти невозможно. Я считаю, что мне повезло найти правильного кофаундера. Вместе с моим партнёром мы как раз разделились, он занимается продажами на запад и маркетингом там, я занимаюсь технологиями здесь. И в этом смысле у нас синергия хорошая.
Саркис Григорян:
Может быть, не совсем корректный вопрос, но я правильно понимаю, что технологиями ты занимаешься здесь ещё и потому, что здесь это дешевле?
Григорий Сапунов:
В общем, здесь дешевле, да.
Саркис Григорян:
То есть там спрос, из-за разницы спроса там сложнее, наверное, найти такого же уровня исполнителей за такие же деньги.
Григорий Сапунов:
Мне кажется, это довольно типичная история, что многие компании, стартапы, которые с российскими корнями продаются на запад, они имеют разработку здесь. Это дешевле, чем нанимать специалистов в Долине, плюс там ещё их не очень много, потому что Facebook, Google и все остальные всех уже давно запылесосили, и жизнь там дороже, на самом деле, просто. Здесь у нас есть свой network, здесь сильные люди, грех не взаимодействовать с этими людьми.
Саркис Григорян:
Я ни в коем случае не в какой-то укор, у меня просто первая мысль возникла, почему, и она, на самом деле, абсолютно понятна.
Григорий Сапунов:
У нас сильные эксперты, у нас сильные люди.
Саркис Григорян:
Мне кажется, это само собой разумеющееся. Если бы американцы как и эту часть могли также аутсорсить эффективно, как вы, например, они бы, наверное, так и делали. Просто здесь есть свой рынок со своими нюансами, им смысла нет сюда идти за какими-то такими. Они так не сэкономят, как можешь сэкономить ты, зная местные условия, местный рынок.
Григорий Сапунов:
Мы не особо даже думаем в терминах экономии, просто мы находим правильных людей, мы рады этому, мы вместе с ними строим то, что мы строим. Найти таких же людей в Штатах, наверное, было бы существенно сложнее.
Саркис Григорян:
Это вообще, наверное, сейчас везде проблема с такими людьми, и у нас тоже.
Григорий Сапунов:
Да, в принципе, конечно, хороших людей всегда было сложно искать, они всегда были штучным товаром, большой редкостью.
Саркис Григорян:
Кстати, на примере твоего курса, может быть, не этого, может быть, какого-либо из, какая часть, ты понимаешь, что они что-то сделают, они действительно крутые, они будут копать это. Вот так если посмотреть, какая часть вообще людей, которые этим занимаются, как тебе кажется, может что-то сделать?
Григорий Сапунов:
Слушай не знаю, это непонятно. Ничего сейчас нельзя сказать. Аудитори очень разнообразные, вообще так, по какой-то общей статистике, мне кажется, сильно меньше 10 % идут и что-то делают потом своё. Но при этом не обязательно делать своё, многие люди.
Саркис Григорян:
Делают чужое и не хуже.
Григорий Сапунов:
Делают чужое, и при этом тоже весьма крутые, это тоже по-своему хорошо. Сложно говорить про какие-то проценты, всегда всё по-разному, очень индивидуально, и не работая с этими конкретными людьми, ничего просто заранее нельзя сказать. Но в целом мне, конечно, нравится то, что приходят люди мотивированные, я надеюсь, что уже сам факт того, что люди захотели учиться, нашли способ это сделать, готовы ходить вечерами на эти курсы.
Саркис Григорян:
Да, меня прямо удивило то, что так много было вольнослушателей, и сейчас аудитория другая, и она вся забита, и это прямо здорово. Люди слушают, людям интересно.
Григорий Сапунов:
Людям интересно, это действительно важно. Я рад, что это находит отклик, я рад, что есть большое количество людей, которые интересуются этим. Я очень надеюсь, что многие из них что-нибудь начнут делать, может быть, через сколько-то лет мы увидим какие-то новые интересные проекты.
Саркис Григорян:
Касаемо количества людей, здесь я хочу тебе комплимент сделать. Потому что я о тебе узнал изначально из видеолекций в YouTube, я тогда просматривал всё, что было на русском языке для того, чтобы изначально у себя в голове всё это осмыслить, чтобы потом уже начать на английском. Потому что специфическая терминология. И ты знаешь, я тебе скажу, то, как ты преподаёшь, мне было настолько понятно, что я удивлялся, действительно ли там так всё сложно. То есть у меня было удивление относительно того, как так. И я уверен, что многие люди, которые, побував у тебя, раз увидев, они просто советуют кому-то, говорят: пошли. Потому что я также советовал твои лекции, когда я понимаю, что человек, который, на самом деле, боится этого, может прийти и действительно понять, что он что-то понимает, хотя бы на уровне того, какие вопросы будут возникать. Поэтому, мне кажется, здесь ещё надо понимать, что мне нравится, что у тебя какая-то грань между техническим, она присутствует здесь. Потому что всё остальное, что я вижу, куча лекций, куча обучающих, это тяжело воспринимается, очень тяжело. Вот это как раз к вопросу о совмещении физиков и лириков, и это не только в разработке продукта, и также в преподавании. Потому что когда ты можешь привлечь людей не технического толка, и они будут радостные, и они ещё будут понимать, что они действительно понимают, это классно. Но это вопрос обучения, наверное, у нас, кстати, как с обучением с этим? Технических лабораторий, что-то такое я много видел, но какие-то, как ты ведешь курс биологии, например.
Григорий Сапунов:
Во-первых, спасибо за комплимент. Про курсы, в России стало много разных курсов, это, безусловно, плюс. Есть много возможностей учиться, это здорово, плюс лично для меня какое-то окно возможностей открылось году в 12-м, когда Courcera появилась и все подобные сервисы, для меня это прямо как глоток свежего воздуха был. Наконец можно было учиться удалённо, находить то, что тебе интересно, это осваивать. Какому-то количество людей это тоже безусловно помогает. Я правда заметил, что почему-то английский язык блокер для многих, слушать курсы на английском по этой сложной теме сложно. Хотя есть люди, которые прекрасно рассказывают простыми словами, тот же Эндрю Ын, его курс на Courcera по machine learning, его курс по deep learning. Deep learning, мне кажется, это top-recomended курсы, которые вообще в принципе есть.
Саркис Григорян:
То есть я могу сказать, что сейчас основной барьер для того, чтобы начать этим заниматься, это просто свой mindset, внутренний твой блок, сейчас уже, в принципе, можно всё.
Григорий Сапунов:
Я думаю, ресурсов много, есть огромное количество материала и на русском, и на английском. На русском прямо поразительно много стал появляться последнее время, и свои курсы начали появляться, тоже МФТИ, еще разные другие вузы выпускают курсы, выкладывают на Courcera и не только. Есть какое-то количество платных курсов, они местами тоже хорошие. Есть много переводов и даже свои собственные материалы какие-то, даже учебники по deep learning на русском есть. То есть, в принципе, возможностей много. Мне кажется, то, что я вижу по многим людям, которые хотели бы что-то начать делать, но по разным причинам не могут, второй важный барьер - это кроме материала надо себе какую-то задачку практическую придумать, ради которой это всё делается. Я всем рекомендую какой-то pet project, что-то своё, для души, пусть оно практически, может быть, в продукт никакой не перетекает, денег на этом не заработаешь, в этом смысле оно бесполезно. Но оно полезно с точки зрения отработки технологии. И потом демонстраций кому-то, что ты умеешь. Это важный момент. Поэтому всем рекомендую какие-то pet project, пускай совершенно дурацкие, пускай какое-нибудь мобильное приложение по распознаванию цветов и ягод, пусть есть такие уже, не важно, главное, что если человек сумел это собрать, он дальше все барьеры снимет, пойдёт дальше исследовать все эти области, пилить какие-то интересные темы дальше свои.
Саркис Григорян:
Смотри, у нас, к сожалению, заканчивается время уже, как всегда оно предательски быстро закончилось. Я думаю, может быть, мы ещё встретимся в этой студии, если будет время. Я хочу тебя поблагодарить за прекрасную беседу, за то, что нашёл время. Ты знаешь, мне понравилось, что ты в конце сказал, делайте как для души. Есть хорошая такая поговорка, как найти работу, чем бы вы занимались, если бы вам не надо было зарабатывать деньги. Вот это то же самое. Делайте для души, и барьеры исчезнут. Спасибо тебе за эфир.
Григорий Сапунов:
Спасибо за приглашение.