Как мы уже видели в главе 2, важное наблюдение о том, что сенсорные и моторные навыки, которые мы используем в своей повседневной жизни, требуют невероятно большого объема расчетов, отражается в парадоксе Моравека.[245] На протяжении миллионов лет эволюция снабжала нас миллиардами нейронов, позволяющих нам узнавать лица друзей и слышать различные типы звуков. Напротив, навыки абстрактных рассуждений, которые мы связываем с «мыслями высокого порядка» и занятиями типа арифметики или логики, – довольно свежие навыки, возникшие всего несколько тысяч лет назад. И для того чтобы сымитировать или даже превзойти человеческие возможности при выполнении этих типов задач, нам требуются более простые программы и меньшие объемы вычислительной мощности.

Конечно же, как мы неоднократно видели на примерах из этой книги, набор задач, которые способны выполнить машины, не установлен раз и навсегда. Он постоянно меняется и расширяется, подобно тому как слово «компьютер», раньше обозначавшее профессию человека, теперь обозначает элемент оборудования.

В начале 1950-х годов мы научили машины играть в шашки, и довольно быстро они начали обыгрывать даже опытных любителей.[246] В январе 1956 года Герберт Саймон вернулся после новогодних праздников к своим студентам и объявил: «На Рождество мы с Элом Ньювеллом изобрели думающую машину!» Три года спустя эти ученые создали компьютерную программу со скромным названием General Problem Solver, умевшую решать практически любую логическую задачу, которую можно описать с помощью набора формальных правил. Она отлично справлялась с простыми играми типа «крестиков-ноликов», но ее нельзя было масштабировать для решения большинства проблем реального мира, поскольку в этом случае происходит комбинаторый взрыв – экспоненциальный рост числа вариантов, которые необходимо учесть.

Вдохновившись своим первым успехом и результатами других первопроходцев в области искусственного интеллекта, таких как Марвин Мински, Джон Маккарти и Клод Шеннон, Саймон и Ньювелл выдвинули довольно оптимистичный прогноз относительно того, насколько быстро машины освоят человеческие навыки. В 1958 году они предсказали, что цифровой компьютер сможет стать чемпионом мира по шахматам уже к 1968 году.[247] А в 1965-м Саймон даже заявил, что «через 20 лет машины смогут выполнять любую работу, которую делает человек».[248]

Хотя Саймон и получил Нобелевскую премию по экономике в 1978 году, однако он все же ошибся в своих прогнозах относительно шахмат, не говоря уже «о любой работе, которую делает человек». Он ошибся не в том, что именно произойдет, но в том, когда именно прогноз сбудется. С тех пор как Саймон выдвинул свой прогноз, компьютерные шахматные программы стабильно улучшались – примерно на 40 пунктов в год, по данным официальной шахматной рейтинговой системы Elo. Одиннадцатого мая 1997 года, через 40 лет после того, как Саймон выступил со своим прогнозом, компьютер производства компании IBM под названием Deep Blue победил чемпиона мира по шахматам Гарри Каспарова по итогам матча, состоявшего из шести игр. В наши дни ни один человек не способен обыграть в шахматы компьютерную программу даже среднего уровня. Программы и оборудование развивались настолько быстро, что к 2009 году шахматные программы, использующиеся на обычных персональных компьютерах и даже мобильных телефонах, достигли уровня гроссмейстера с рейтингом Elo 2898 и смогли выиграть соревнования против лучших игроков-людей.[249]

Технология не только делит людей с разными объемами человеческого капитала на победителей и проигравших. Она также меняет способ распределения национального дохода между владельцами физического капитала и труда (например, владельцами или работниками фабрик) – двух классических факторов производства.

Когда Терри Гоу, основатель компании Foxconn, купил 30 000 роботов для работы на фабриках компании в Китае, он, по сути, поменял капитал на труд.[250] Аналогичным образом, когда автоматизированные системы приема звонков узурпируют некоторые функции человека – оператора колл-центра, процесс производства начинает требовать больше капитала и меньше труда. Предприниматели и менеджеры постоянно принимают решения такого рода, взвешивая сравнительные издержки для каждого типа фактора, а также их влияние на качество, надежность и разнообразие производимых продуктов.

По расчетам Рода Брукса, совокупные затраты на час работы робота Baxter, с которым мы встречались в главе 2, составляют около 4 долларов в час.[251] Как мы уже говорили в начале этой главы, если владелец фабрики ранее нанимал для выполнения работы, которую теперь делает Baxter, человека, то с точки зрения экономической целесообразности ему будет выгоднее использовать робота, если человек просит за свою работу более 4 долларов в час. В случае если результат работы остается прежним и необходимости нанимать новых инженеров, менеджеров или продавцов предположительно не возникнет, такое изменение приведет к повышению доли капитала относительно доли труда.[252]