Откуда взялась идея Amazon Web Services
Закулисная работа над Amazon Web Services (AWS) велась в течение длительного времени, а затем, наконец, проект запустили. AWS стал очень крупной компанией, заново изобретя способ, с помощью которого компании покупают вычисления. Традиционно, если бы у вас была компания, нуждающаяся в вычислениях, вы бы построили центр обработки данных и заполнили его серверами. И вам пришлось бы обновлять операционные системы серверов и поддерживать все в рабочем состоянии и так далее. Ничто не добавляло бы ценности тому, чем занимался сам бизнес. Это была своего рода плата за вход, недифференцированная тяжелая работа.
В Amazon мы делали именно так: строили центры обработки данных для себя. И видели, как много усилий тратили разработчики приложений и сетевые инженеры, управляющие центрами обработки данных, потому что у них было много встреч по всем этим задачам, не добавляющим стоимости. Мы сказали: «Послушайте, надо разработать набор жестких интерфейсов прикладного программирования – API, – которые позволят двум группам, разработчикам приложений и сетевым инженерам, проводить совещания по дорожной карте вместо совещаний по текущим вопросам». Мы хотели создать сервисориентированную архитектуру, где все наши сервисы были бы доступны в защищенных API, достаточно хорошо документированных, чтобы любой мог ими пользоваться.
Как только мы разработали такой план для себя, стало совершенно очевидно, что каждая компания в мире захочет того же. Что действительно удивило нас, так это то, что тысячи разработчиков стекались к API без особого рекламного продвижения или фанфар со стороны Amazon. А потом случилось чудо бизнеса, которого никогда не бывает, – величайшая удача в истории бизнеса, насколько я знаю. В течение семи лет мы не сталкивались с конкуренцией единомышленников. Это невероятно. Когда я запустил Amazon.com в 1995 году, компания Barnes & Noble запустила Barnesandnoble.com и вышла на рынок два года спустя, в 1997 году. Два года спустя – очень характерно, если вы изобретаете что-то новое. Мы запустили Kindle; Barnes & Noble запустили Nook два года спустя. Мы запустили Echo; Google запустил Google Home два года спустя. Когда вы пионер, если повезет, вы получаете двухлетнюю фору. Никто не получает семилетнюю фору, и это было невероятно. Я думаю, что крупные, устоявшиеся компании-производители корпоративного ПО, не рассматривали Amazon как заслуживающую доверия компанию корпоративного программного обеспечения, поэтому у нас была длинная взлетная полоса для создания того невероятного, многофункционального продукта и сервиса, который намного всех обогнал, и команда не сдается. Эта группа сотрудников, возглавляемая Энди Ясси, так быстро внедряет инновации на стороне продукта и так хорошо всем управляет, что я ими очень горжусь.
Alexa, ИИ и машинное обучение
Аlexa – облачный агент, работающий в Интернете.
Echo – устройство с множеством микрофонов, поэтому оно может распознавать голос на большом расстоянии от источника звука. С того момента, как мы начали работать над ним в 2012 году, наше видение состояло в том, что в долгосрочной перспективе он станет компьютером, как в «Звездном пути». Вы сможете попросить его о чем угодно – сделать что-то для вас, найти что-то, и с ним будет легко разговаривать совершенно естественным образом.
Работа над Alexa и Echo была очень сложной с технической точки зрения. Над ними трудились тысячи людей в командах во многих разных местах, включая Кембридж, Массачусетс, Берлин и Сиэтл.
С Echo было несколько разных проблем, которые предстояло решить. Одним из ключевых озарений, что на нас снизошло, когда мы только начали «сажать семя» Echo, была идея постоянно включенного устройства, которое подключалось бы к настенному источнику питания, так что вам не требовалось его заряжать. Оно может находиться в спальне, на кухне или в гостиной и проигрывать для вас музыку, отвечать на вопросы и, в конечном счете, даже управлять некоторыми из домашних систем, такими как освещение и контроль температуры. Просто надо сказать: «Алекса, пожалуйста, увеличь температуру на два градуса» или «Алекса, выключи все освещение» – это естественный способ взаимодействия в среде такого рода. До появления Echo и Alexa основной способ взаимодействия людей с системой домашней автоматизации был плохим/неудобным: приложением на телефоне. Если вы хотите включить освещение, то вам надо сперва найти телефон, достать его, открыть определенное приложение и найти в нем нужный экран для управления освещением – очень неудобно.
Команда девайсов только что проделала потрясающую работу, и так многое еще предстоит сделать! У нас есть фантастическая дорожная карта для Echo и Alexa. Теперь у нас большая сторонняя экосистема других компаний, которые создали то, что мы называем навыками для Alexa, так что это своего рода расширение возможностей Alexa.
Мы – как человечество, как цивилизация, как технологическая цивилизация – все еще довольно далеки от создания чего-либо столь же волшебного и удивительного, как компьютер из «Звездного пути». Он так долго был мечтой, своего рода научно-фантастическим сценарием. То, что мы решаем с помощью машинного обучения сегодня, является экстраординарным, и мы действительно переживаем переломный момент ускорения прогресса. Я думаю, что мы вступаем в золотой век машинного обучения и искусственного интеллекта. Но мы все еще не приблизились к тому, чтобы научить машины делать то, что делают люди.
Человекоподобный интеллект все еще довольно загадочен, даже для самых продвинутых исследователей ИИ. Если вы задумаетесь о том, как люди учатся, то поймете, что мы невероятно эффективны в обработке данных. Поэтому, когда мы обучаем устройство вроде Alexa распознавать естественный язык, то используем миллионы знаков-символов. Нужно собрать так называемые обучающие наборы данных для заданий маркировки. Это огромная дорогостоящая работа по сбору базы данных, которая становится обучающим набором для Alexa.
Если сегодня вы разрабатываете и создаете систему машинного обучения для самоуправляемого автомобиля, вам нужны данные о миллионах миль пути, чтобы он научился ездить самостоятельно. Люди учатся невероятно эффективно. Им не нужно проехать миллионы миль, прежде чем научиться водить. Вероятно, мы занимаемся тем, что на языке машинного обучения называется «трансферным обучением».
Люди уже освоили так много различных навыков, что мы можем очень эффективно сопоставлять уже имеющиеся навыки с новыми. Программа AlphaGo, которая недавно выиграла чемпионат мира по го, сыграла миллионы игр. Человек-чемпион сыграл тысячи партий в го, а не миллионы. При этом они играют почти на одном уровне, человек-чемпион и компьютерная программа. Кроме того, человек делает нечто принципиально иное – именно поэтому мы настолько энергоэффективны.
Я не помню точную цифру, но AlphaGo – один из примеров, который использует тысячи и тысячи ватт мощности. Я