Выбор редакции
18 ноября, 11:57

Бывший топ-менеджер BMW и General Motors Роберт Лутц о перспективах бизнеса Tesla

Бывший руководитель General Motors, Ford, Chrysler и BMW считает, что у компании нет никакого «секретного соуса».

17 ноября, 17:24

Cadillac ожидает 60%-ного роста продаж в Китае по итогам 2017 г

Люксовый бренд Cadillac американского автопроизводителя General Motors ожидает, что по итогам текущего года продажи его авто на рынке Китая покажут рост на 60% г/г, в частности благодаря повышенному интересу со стороны молодых покупателей (средний возраст покупателя Cadillac в Китае составляет 33 года по сравнению с 50 годами в Европе и США). Руководство компании отметило, что продажи авто Cadillac начали показывать ощутимые темпы роста в "Поднебесной" после того, как в прошлом году она открыла свой первый завод по их производству в стране. Кроме того, владельцы бренда заявили, что для сохранения положительной тенденции планируется в течение ближайших пяти лет увеличить число розничных салонов в Китае со 180 в настоящий момент до более чем 300.

17 ноября, 17:11

Cadillac ожидает 60%-ного роста продаж в Китае по итогам 2017 г

  • 0

Люксовый бренд Cadillac американского автопроизводителя General Motors ожидает, что по итогам текущего года продажи его авто на рынке Китая покажут рост на 60% г/г, в частности благодаря повышенному интересу со стороны молодых покупателей (средний возраст покупателя Cadillac в Китае составляет 33 года по сравнению с 50 годами в Европе и США). Руководство компании отметило, что продажи авто Cadillac начали показывать ощутимые темпы роста в "Поднебесной" после того, как в прошлом году она открыла свой первый завод по их производству в стране. Кроме того, владельцы бренда заявили, что для сохранения положительной тенденции планируется в течение ближайших пяти лет увеличить число розничных салонов в Китае со 180 в настоящий момент до более чем 300.

17 ноября, 01:41

Auto Stock Roundup: MGA, AAP, WPRT, MTOR Beat on Earnings, SUP Misses, GM in Focus

The earnings season is approaching its end. Magna, Advance Auto Parts, Westport Fuel Systems & Meritor has delivered an earnings beat, while Superior Industries has missed the mark.

16 ноября, 23:00

ETFs in Focus Post Auto Earnings

Giants in the Automobile industry report quarterly results.

Выбор редакции
16 ноября, 19:31

Как это работает? | Датчик дождя

Автомобильный датчик дождя — это оптико-электронное устройство, которое устанавливается на ветровое стекло автомобиля и реагирует на его увлажнение. Он необходим для того, чтобы при определении влаги автоматически включать дворники. Первые эксперименты по созданию датчика дождя проводились в 50-е годы прошлого века автоконцерном General Motors для Сadillac Eldorado. Однако несовершенство технологий того времени не позволили воплотить идею в жизнь. Одним из первых серийных автомобилей с датчиком дождя стал Nissan Silvia 94 года выпуска. В начале нулевых датчики стали устанавливать на автомобили Volkswagen, BMW, Cadillac и другие. Сегодня автопроизводители начинают использовать датчики дождя в стандартной комплектации автомобилей среднего и гольф-класса. Как же работают датчики дождя — об этом в сегодняшнем выпуске! читать далее

Выбор редакции
16 ноября, 18:30

Как это работает? | Датчик дождя

Автомобильный датчик дождя — это оптико-электронное устройство, которое устанавливается на ветровое стекло автомобиля и реагирует на его увлажнение. Он необходим для того, чтобы при определении влаги автоматически включать дворники. Первые эксперименты по созданию датчика дождя проводились в 50-е годы прошлого века автоконцерном General Motors для Сadillac Eldorado. Однако несовершенство технологий того времени не позволили воплотить […]

16 ноября, 16:00

GM готовит новые электромобили и планирует снизить стоимость батарей на треть

Мэри Барра (Mary Barra; на фото), гендиректор и председатель правления General Motors (GM), рассказала о планах автогиганта по выпуску полностью электрических транспортных средств. Как уже сообщалось ранее, к 2023 году General Motors рассчитывает пополнить свой модельный ряд двумя десятками электромобилей разного класса. Госпожа Барра отметила, что в ближайшие планы входит выпуск двух электрических кроссоверов. Эти автомобили будут использовать базовые компоненты от модели Chevrolet Bolt.

Выбор редакции
16 ноября, 14:52

China Craves Electric Cars, While U.S. Flirts With Ending Tax Credit

As American lawmakers weigh a repeal, automakers are gathering in China, a country demanding they sell more electric cars.

Выбор редакции
15 ноября, 19:01

Auto sales grow under 1% as sedan demand drops

China’s auto sales grew below 1 percent in October as demand for sedans shrank, an industry group said yesterday.

15 ноября, 18:13

Кремль взбесил Прибалтику: напугал, а войну не объявил

В таллинском Музее оккупаций состоялась симптоматичная дискуссия. Спорили писатель Лео Куннас и генерал в отставке Антс Лаанеотс о том, нападёт ли Россия на Прибалтику и — когда.

15 ноября, 16:51

Wall Street. Акции на премаркете

(компания / тикер / цена / изменение ($/%) / проторгованый объем) 3M Co MMM 225.8 -3.53(-1.54%) 30647 ALCOA INC. AA 41.05 -0.82(-1.96%) 11185 ALTRIA GROUP INC. MO 65.99 0.26(0.40%) 99817 Amazon.com Inc., NASDAQ AMZN 1,130.00 -6.84(-0.60%) 39420 American Express Co AXP 93.44 -0.32(-0.34%) 39171 Apple Inc. AAPL 170.15 -1.19(-0.69%) 499753 AT&T Inc T 34 0.28(0.83%) 563463 Barrick Gold Corporation, NYSE ABX 14.1 0.09(0.64%) 15524 Boeing Co BA 260.8 -0.96(-0.37%) 35194 Caterpillar Inc CAT 136.9 -0.64(-0.47%) 35998 Chevron Corp CVX 116.25 -0.67(-0.57%) 101212 Cisco Systems Inc CSCO 33.98 -0.06(-0.18%) 280328 Citigroup Inc., NYSE C 70.68 -0.85(-1.19%) 163964 Deere & Company, NYSE DE 131.67 -1.21(-0.91%) 17440 Exxon Mobil Corp XOM 81.65 -0.59(-0.72%) 219409 Facebook, Inc. FB 176.7 -1.37(-0.77%) 201954 Ford Motor Co. F 11.99 -0.03(-0.25%) 243216 Freeport-McMoRan Copper & Gold Inc., NYSE FCX 13.63 -0.17(-1.23%) 88150 General Electric Co GE 17.71 -0.19(-1.06%) 1520122 General Motors Company, NYSE GM 43.01 0.01(0.02%) 71951 Goldman Sachs GS 234.6 -2.64(-1.11%) 26167 Google Inc. GOOG 1,019.11 -6.89(-0.67%) 17029 Hewlett-Packard Co. HPQ 21.4 0.04(0.19%) 85315 Home Depot Inc HD 167.41 -0.65(-0.39%) 68188 HONEYWELL INTERNATIONAL INC. HON 143.92 -3.40(-2.31%) 38770 Intel Corp INTC 45.55 -0.31(-0.68%) 281447 International Business Machines Co... IBM 147.4 -1.49(-1.00%) 62288 International Paper Company IP 54.61 0.28(0.52%) 21403 Johnson & Johnson JNJ 139.48 -0.01(-0.01%) 136327 JPMorgan Chase and Co JPM 96.19 -1.08(-1.11%) 211306 McDonald's Corp MCD 167.42 -0.69(-0.41%) 42833 Merck & Co Inc MRK 54.75 -0.24(-0.44%) 139503 Microsoft Corp MSFT 83.37 -0.26(-0.31%) 435064 Nike NKE 55.33 -0.65(-1.16%) 72336 Pfizer Inc PFE 35.51 0.13(0.37%) 298570 Procter & Gamble Co PG 88.61 -0.26(-0.29%) 133195 Starbucks Corporation, NASDAQ SBUX 56.5 -0.13(-0.23%) 73333 Tesla Motors, Inc., NASDAQ TSLA 306.51 -2.19(-0.71%) 33636 The Coca-Cola Co KO 47.26 -0.17(-0.36%) 200157 Travelers Companies Inc TRV 133.53 -0.33(-0.25%) 13899 Twitter, Inc., NYSE

Выбор редакции
14 ноября, 23:48

Jim Chanos Adds To Tesla Short, Sees Musk Stepping Down

  • 0

The ongoing vendetta between the scourge of Enron, Jim Chanos, and Elon Musk escalated when the Kynikos Associates founder said he has been adding to his Tesla short position throughout the year even as the company’s shares soared to record highs. Speaking at the Reuters Global Investment 2018 Outlook Summit, Chanos - who first disclosed his TSLA short last May - said that he expected Elon Musk to step down from his position by 2020 to focus on his private rocketship company SpaceX as competitors such as BMW and Porsche expand their lines of luxury electric vehicles. “Obviously this is not being valued as a car company, it’s being valued on Musk ... he’s the reason people own the stock,” Chanos said. “Put it this way. If you wouldn’t be short a multi-billion-dollar loss-making enterprise in a cyclical business, with a leveraged balance sheet, questionable accounting, every executive leaving, run by a CEO with a questionable relationship with the truth, what would you be short? It sort of ticks all the boxes.” He said the company is burning more than $1 billion in cash each quarter and will have a harder time tapping the capital markets if and when Musk leaves Still, while Chanos may have had a large enough balance sheet to avoid a short squeeze, others have been less fortunate, and as a result Tesla shares are up 44% for the year to date, briefly rising above General Motors in market cap, as countless shorts have been margined out despite Tesla's chronic - and often shocking - cash burn, and despite increasingly louder concerns that Tesla will be unable to deliver on its aggressive Model 3 timetable. Just last week, Tesla reported its largest-ever quarterly loss, unveiled it had burned a record $16 million per day... ... and pushed back its target of volume production of its new Model 3 sedan by three months. The company said it now expects to build 5,000 Model 3s per week by late in the first quarter of 2018 from its original target date of December. And yet, despite the production delays or perhaps due to them, the company has been a veritable widowmaker for shorts, with losses among funds that bet on its decline totaling more than $4 billion this year, according to S3 Partners and Reuters. To be sure, Chanos is not alone in shorting TSLA, and some other notable skeptics who have likewise bet on Tesla's demise include: Mark Yusko, founder and CIO at Morgan Creek Capital Management. Mark Spiegel of Stanphyl Capital Management. David Rocker, formerly of Rocker Partners. Anton Wahlman, former stock analyst who now writes about the auto industry (he said he currently holds no position on Tesla) Their short thesis is roughly captured by the following 7 points: 1. Negative Cash Flows “If you can’t make money selling a $100,000 car to rich people, how are you going to make money selling a $45,000 car to normal people?” Rocker told The Times. He was referring to the upcoming mass-market Model 3. “I’m saying they’re going to lose money on every Model 3 they build and sell,” Spiegel said. Based on Tesla’s Q4 2016 earnings report, he figured the combined average selling price for non-leased Model S and X is about $104,000 and the combined average cost of building them about $82,000. 2. Competition from the Big Guys Electric vehicles are still only a tiny fraction of total new vehicle sales in the US. Tesla sold about half of them. In March, according to Autodata, Tesla sold 4,050 vehicles in the US, similar to Porsche. All automakers combined sold 1.56 million new vehicles. This gave Tesla a market share of 0.26%. "Tesla faces a formidable set of competitors, and they’re coming in with guns blazing,” Wahlman told The Times. “Once the market is flooded with electric vehicles from manufacturers who can cross-subsidize them with profits from their conventional cars, somewhere around 2020 or 2021, Tesla will be driven into bankruptcy,” Spiegel said. 3. Tesla’s vanishing tax credits The federal tax credit of $7,500 that EV buyers currently get is limited to 200,000 vehicles for each automaker. Once that automaker hits that point, tax credits are reduced and then phased out. Of all automakers, Tesla is closest to the 200,000 mark. Under its current production goals, the tax credits for its cars could start declining in 2018. This would give competitors, whose customers still get the full tax credit, a major advantage. About 370,000 folks put down a refundable $1,000 deposit on Tesla’s Model 3, perhaps figuring they’d get the $7,500 tax credit. But as it stands, many won’t. Rocker thinks that this is going to be an issue. The refundable deposit “commits them to nothing,” he said. Those that don’t get the tax credit may just ask for their money back and buy an EV that is still eligible for the credit. 4. The Question of patent protection Tesla has made its patents available to all comers, thus lowering its patent protections against competitors. Also, the key part of an EV, the battery, is produced by suppliers; they, and not Tesla, own the intellectual property. This is true for all automakers. But Tesla might still be closely guarding crucial trade secrets that are not patented. 5. Musk’s distractions from his day job Musk has a lot of irons in the fire: Tesla, SpaceX (with which he wants to build a colony on Mars or something), solar-panel installer SolarCity which Tesla bailed out last year; projects ranging from artificial intelligence to tunnel digging; venture capital activities…. “He’s all over the map, from tunneling to flights to Mars to solar roof tiles,” Rocker said. These announcements have the effect of boosting Tesla’s stock: “It’s ‘Let’s get the acolytes excited. Implant in the brain! Let’s buy Tesla stock!’” 6. Execution risk “Investing is all about possibility and probability,” Yusko said. “Is it possible that Tesla will produce 500,000 cars in the next two or three years? Yes. Is it probable? No.” Tesla has missed many deadlines and goals, and quality problems cropped up in early production models. As Tesla is trying to make the transition to a mass-market automaker, execution risk will grow since mass-market customers are less forgiving. 7. Investor fatigue Having lost money in every one of its 10 years of existence, Tesla asks investors regularly for more money to fill the new holes. In March, it got $1.2 billion. In May last year, it got $1.5 billion. Tesla will need many more billions to scale up production and to digest the losses. Tesla has been ingenious in this department. But when will investors get tired of it? “We’re awfully close to the point where people wake up and realize these guys are seriously diluting our equity” with new stock and convertible bond issues, Yusko said. According to The Times, Yusko “is looking for the moment when the true believers begin to lose faith.”

Выбор редакции
14 ноября, 20:31

10 of the Worst Cars of the 2000s

Cover your eyes and step away from the curb: Here are 10 of the worst cars of the 21st century so far.

14 ноября, 19:22

Wall Street: ближайшие уровни поддержки и cопротивления по основным акциям

Компания Тикер Ближайший уровень поддержки Цена Ближайший уровень сопротивления Alcoa Corporation AA 40,00 41,64 50,00 Apple Inc. AAPL 150,00 172,89 175,00 Barrick Gold Corporation ABX 14,00 13,99 17,00 American International Group, Inc. AIG 60,00 61,71 66,00 Amazon.com Inc. AMZN 1000,00 1133,68 1150,00 American Express Company AXP 84,00 93,55 97,00 Boeing Co. BA 250,00 261,29 267,00 Bank of America Corporation BAC 25,00 26,22 28,00 Caterpillar Inc. CAT 130,00 137,34 140,00 Cisco Systems, Inc. CSCO 33,00 33,99 35,00 Chevron Corporation CVX 112,00 117,02 120,00 Walt Disney Co. DIS 96,00 103,61 106,00 The Dow Chemical Company DWDP 68,00 68,92 74,00 Ford Motor Co. F 12,00 12,02 12,50 Facebook, Inc. FB 170,00 178,25 185,00 FedEx Corporation FDX 200,00 220,58 230,00 General Electric Company GE 16,00 17,90 21,00 General Motors Company GM 42,00 42,78 46,00 Google Inc. GOOG 1000,00 1023,78 1050,00 The Goldman Sachs Group GS 235,00 237,08 250,00 The Home Depot, Inc. HD 160,00 165,75 167,00 Honeywell International Inc. HON 140,00 146,80 150,00 Hewlett-Packard Company HPQ 19,50 21,20 22,50 International Business Machines IBM 140,00 147,98 163,00 Intel Corporation INTC 40,00 45,56 47,00 International Paper Co. IP 53,00 54,31 59,00 Johnson & Johnson JNJ 130,00 140,03 144,00 JPMorgan Chase & Co. JPM 95,00 97,32 102,00 The Coca-Cola Company KO 44,50 46,94 47,00 McDonald's Corp. MCD 160,00 167,80 170,00 3M Co. MMM 200,00 229,61 240,00 Altria Group Inc. MO 61,00 65,87 66,00 Merck & Co. Inc. MRK 54,00 55,02 66,00 Microsoft Corporation MSFT 83,00 83,73 86,00 Nike Inc. NKE 50,00 55,88 60,00 Pfizer Inc. PFE 34,00 35,58 36,50 Procter & Gamble Co. PG 86,00 88,97 95,00 Starbucks Corporation SBUX 53,00 56,74 58,00 AT&T, Inc. T 33,00 33,83 39,50 The Travelers Companies, Inc. TRV 120,00 132,95 135,00

14 ноября, 16:51

Wall Street. Акции на премаркете

(компания / тикер / цена / изменение ($/%) / проторгованый объем) ALTRIA GROUP INC. MO 65.76 -0.08(-0.12%) 1502 Amazon.com Inc., NASDAQ AMZN 1,133.64 4.47(0.40%) 13808 Apple Inc. AAPL 173.8 -0.17(-0.10%) 53680 AT&T Inc T 34.19 0.02(0.06%) 8748 Barrick Gold Corporation, NYSE ABX 13.85 -0.10(-0.72%) 74226 Boeing Co BA 262.64 0.22(0.08%) 3953 Caterpillar Inc CAT 137.3 0.77(0.56%) 3068 Citigroup Inc., NYSE C 71.7 -0.29(-0.40%) 8317 Facebook, Inc. FB 178.6 -0.17(-0.10%) 15734 Freeport-McMoRan Copper & Gold Inc., NYSE FCX 14.21 -0.22(-1.52%) 35298 General Electric Co GE 18.95 -0.07(-0.37%) 797837 General Motors Company, NYSE GM 43.56 -0.01(-0.02%) 460 Google Inc. GOOG 1,025.25 -0.50(-0.05%) 702 Home Depot Inc HD 165.7 0.35(0.21%) 245532 Intel Corp INTC 45.6 -0.15(-0.33%) 2804 International Business Machines Co... IBM 148.74 0.34(0.23%) 3086 JPMorgan Chase and Co JPM 97.52 -0.34(-0.35%) 2435 McDonald's Corp MCD 167.42 0.05(0.03%) 770 Merck & Co Inc MRK 55.59 0.49(0.89%) 175 Microsoft Corp MSFT 84 0.07(0.08%) 4657 Nike NKE 55.93 0.02(0.04%) 1526 Pfizer Inc PFE 35.29 -0.01(-0.03%) 3229 Tesla Motors, Inc., NASDAQ TSLA 314.84 -0.56(-0.18%) 24070 The Coca-Cola Co KO 46.91 0.19(0.41%) 40237 Twitter, Inc., NYSE TWTR 20.2 0.03(0.15%) 13153 Wal-Mart Stores Inc WMT 91.04 0.05(0.06%) 8003 Walt Disney Co DIS 104.75 0.01(0.01%) 1444 Источник: FxTeam

13 ноября, 19:01

GM sure to meet quotas from NEV sales

General Motors Co’s China joint ventures will be able to generate enough new energy vehicle sales volume to account for NEV production quotas by 2019, without the need to buy credits, GM China chief Matt

Выбор редакции
13 ноября, 18:06

GM unveils fastest Corvette ever

General Motors has revealed the fastest and most powerful factory-built Corvette ever. The 2019 Chevrolet Corvette ZR1 will have a 755-horsepower 6.2-liter supercharged engine and a top speed, according to GM, of 210 miles an hour.

Выбор редакции
13 ноября, 01:18

The 8 Fastest Chevy Camaros of All Time

The Camaro is one of the mainstays in muscle car history. But what specific models are Chevy's top performers? Here are the 8 quickest to ever hit the street.

02 июня, 01:01

Главный секрет Искусственного Интеллекта: никто не знает как он работает

В прошлом году на тихих дорогах Монмут-Каунти, штат Нью-Джерси, появился странный беспилотный автомобиль. Экспериментальный аппарат, разработанный Nvidia, внешне не отличался от других автономных автомобилей, но тем не менее не был похож на то, что продемонстрировали Google, Tesla или General Motors. Автомобиль не выполнял инструкции инженеров или программистов. Вместо этого он полностью полагался на алгоритм, который учился водить, наблюдая, как человек делает это.Научить автомобиль вести себя подобным образом было внушительным достижением. Однако тревогу вызывает то, что непонятно машина принимает решения. Информация от датчиков автомобиля поступает прямо в огромную сеть искусственных нейронов, которые обрабатывают данные, а затем доставляют команды, необходимые для управления рулевым колесом, тормозами и другими системами. Результат, кажется, соответствует реакциям, которые вы ожидаете от человека-водителя. Но что, если однажды он сделает что-то неожиданное, например, врежется в дерево или заглохнет на зелёном? На данный момент трудно будет понять почему. Система настолько сложна, что даже инженеры, разработавшие её, испытывают сложности в установлении причин отдельных действий. И вы не можете спросить её: нет очевидного способа создать такую ​​систему, чтобы она всегда могла объяснить, почему она сделала то, что она сделала.Таинственный ум этого автомобиля свидетельствует о надвигающейся проблеме. Базирующаяся в автомобиле технология искусственного интеллекта, известная как глубокое обучение, оказалась очень эффективной при решении проблем за последние годы, и она широко применяется для таких задач, как распознавание изображений, голоса и языковой перевод. Сейчас есть надежда, что такие же методы смогут диагностировать смертельные болезни, принимать решения в торговле на миллионы долларов и делать бесчисленное множество других вещей для преобразования целых отраслей.Но этого не произойдёт — или не должно произойти — если мы не найдём способы сделать такие методы, как глубокое обучение, более понятными их создателям и подотчётными пользователям. В противном случае будет трудно предсказать, когда могут произойти сбои, а они неизбежны. Это одна из причин, по которой автомобиль Nvidia все ещё экспериментален.Уже сейчас математические модели используются для определения того, кто заслуживает условно-досрочного освобождения, кто достоин получения кредита, а кого следует взять на работу. Если бы вы могли получить доступ к этим математическим моделям, можно было бы понять их рассуждения. Но банки, военные, работодатели и другие теперь обращают внимание на более сложные подходы, которые могут сделать автоматизированное принятие решений совершенно непостижимым. Глубокое обучение — наиболее распространённый из этих подходов, представляет собой принципиально иной путь программирования компьютеров. «Эта проблема уже актуальна, и в будущем она будет гораздо более актуальной», — говорит Томми Яаккола, профессор Массачусетского технологического института, который работает над приложениями машинного обучения. «Неважно инвестиционное ли это решение, медицинское или, возможно, военное, вы не захотите просто полагаться на метод из «чёрного ящика».Уже существует аргумент по поводу того, что возможность допросить систему ИИ о том, как она пришла к своим выводам, является фундаментальным юридическим правом. Начиная с лета 2018 года, Европейский Союз может потребовать, чтобы компании давали пользователям объяснения решений, которые принимают автоматизированные системы. Это может быть невозможно даже для систем, которые кажутся относительно простыми, таких как приложения и веб-сайты, которые используют глубокое обучение для показа рекламы или рекомендации песен. Компьютеры, которые запускают эти службы, запрограммированы сами собой, и они делают это так, что мы не можем понять. Даже инженеры, которые строят эти приложения, не могут полностью объяснить их поведение.Это поднимает ошеломляющие вопросы. По мере развития технологии, мы, возможно, вскоре пересечём некоторый порог, за которым использование ИИ потребует большего доверия. Конечно, мы, люди, не всегда можем по-настоящему объяснить наши мыслительные процессы — но мы находим способы интуитивно доверять и оценивать поведение других людей. Будет ли это также возможно с машинами, которые думают и принимают решения иначе, чем мы? Человечество никогда раньше не строило машины, которые принимают решения неведомым даже их создателям образом. Насколько мы можем доверять разумным машинам, которые могут быть непредсказуемыми и непостижимыми? Эти вопросы отправили меня в путешествие к самому передовому краю исследований в области алгоритмов искусственного интеллекта, в ходе которых я посетит Google, Apple и многие другие места, а также встретился с одним из великих философов нашего времени.Художник Адам Феррисс создал это и следующее в статье изображение, с помощью программы Deep Dream, которая настраивает картинку так, чтобы глубокой нейронной сети было удобнее его распознавать. Изображения были получены с использованием слоя нейронной сети среднего уровняВ 2015 году исследовательская группа в больнице Маунт Синай в Нью-Йорке решила ​​применять глубокое обучение в обширной базе данных больницы о пациентах. Этот набор данных содержит сотни переменных, взятых из результатов тестирования, визитов к врачу и т. д. Полученная в результате программа, которую исследователи назвали Deep Patient, была обучена с использованием данных примерно 700 000 человек, а при тестировании на новых данных она оказалась невероятно хороша при прогнозировании болезни. Без какой-либо экспертной инструкции Deep Patient обнаружил шаблоны, скрытые в больничных данных, которые указывали на то, что люди находились на пути к широкому спектру заболеваний, включая рак печени. «Существует много замечательных методов прогнозирования заболеваний на основе записей пациента», — говорит Джоэл Дадли, возглавляющий команду Маунт Синай. Но, добавляет он, «Deep Patient просто потрясающ».В то же время Deep Patient немного озадачивает. Похоже, что он на удивление хорошо обнаруживает зарождение психических расстройств, таких как шизофрения. Но поскольку шизофрения, как известно, трудно поддаётся предсказанию для медиков, Дадли задался вопросом как это возможно. Он все ещё не знает. Новый инструмент не даёт представления о том, как он это делает. Если что-то вроде Deep Patient на самом деле собирается помочь врачам, в идеале он должен объяснить свой прогноз, дабы убедить их в том, что он является точным и оправдать, скажем, изменение в лекарствах, которые будут назначены. «Мы можем построить эти модели, — печально говорит Дадли, — но мы не знаем, как они работают».Искусственный интеллект не всегда был таким. С самого начала были две мыслительные школы которые спорили по поводу того, насколько понятным или объяснимым должен быть ИИ. Многие думали, что имеет смысл создавать машины, которые рассуждали по правилам и логике, делая их внутренний диалог прозрачным для любого, кто хотел бы изучить код. Другие считали, что интеллект будет легче проявляться, если бы машины будут черпать вдохновение в биологии и будут учиться, наблюдая и переживая. Это означало, что компьютерное программирование должно происходить у него в голове. Вместо написания команд программистом программа генерирует свой собственный алгоритм на основе данных примера и желаемого результата. Технологии машинного обучения, которые позже эволюционировали в самые мощные сегодня системы ИИ, следуют последнему пути: машина, по сути, сама программирует себя.Сначала этот подход имел ограниченное практическое применение, и в 1960-х и 70-х годах он оставался в основном ограниченным. Затем возобновился интерес к компьютеризации многих отраслей и появлению больших массивов данных. Это вдохновило разработку более мощных методов машинного обучения, особенно новых версий одной из них, известной как искусственная нейронная сеть. К 1990-м годам нейронные сети могли автоматически оцифровывать рукописные символы.Но только в начале этого десятилетия, после нескольких хитроумных ухищрений и уточнений, очень большие или «глубокие» нейронные сети продемонстрировали значительное улучшение автоматического восприятия. Именно глубокое обучение «виновно» в сегодняшнем росте возможностей ИИ. Оно дало компьютерам необычайные возможности, такие как способность распознавать произносимые слова почти так же хорошо, как и человек — слишком сложный навык, чтобы вручную обучить ему машину. Глубокое обучение трансформировало компьютерное зрение и значительно улучшило машинный перевод. В настоящее время оно используется для руководства всеми видами ключевых решений в медицине, финансах, производстве и за его пределами.Адам Феррис и DeepDreamРабота любой технологии машинного обучения по своей природе более непрозрачна даже для компьютерных специалистов, чем вручную написанная система. Это не значит, что все будущие техники искусственного интеллекта будут одинаково непознаваемы. Но по своей природе глубокое обучение — особенно глубокий чёрный ящик.Вы не можете просто заглянуть внутрь глубокой нейронной сети, чтобы увидеть, как она работает. Аргументация сети встроена в поведение тысяч смоделированных нейронов, расположенных в десятках или даже сотнях сложно взаимосвязанных слоёв. Каждый нейрон в первом слое получает вводную, как и интенсивность пикселя в изображении, а затем выполняет вычисление перед выводом нового сигнала. Эти выходные сигналы передаются в сложной сети нейронам следующего уровня и так далее, пока не будет получен общий результат. Кроме того, существует процесс, известный как back-propagation, который корректирует вычисления отдельных нейронов таким образом, чтобы сеть научилась производить желаемый результат.Множество уровней в глубокой сети позволяют распознавать вещи разной сложности абстракции. Например, в системе, предназначенной для распознавания собак, нижние слои распознают простые вещи, такие как контуры или цвет; более высокие слои распознают более сложные вещи, такие как мех или глаза; и уже самый верхний слой идентифицирует весь объект как собаку. Такой же подход может быть применён и к другим вводным, которые заставляют машину обучать себя: звукам, которые составляют слова в речи, буквам и словам, которые создают предложения в тексте, движениям рулевого колеса, необходимым для вождения.Использовались оригинальные стратегии, чтобы попытаться отследить и таким образом объяснить более подробно, что происходит в таких системах. В 2015 году исследователи из Google изменили алгоритм распознавания изображений на основе глубокого обучения, чтобы вместо того, чтобы определять объекты на фотографиях, он генерировал или изменял их. За счёт эффективного выполнения алгоритма в обратном порядке, они хотели обнаружить функции, которые программа использует для распознавания, скажем, птиц или зданий. Полученные изображения, созданные проектом, известным как Deep Dream, продемонстрировали гротескных инопланетных животных, появлявшихся из облаков и растений, радужные пагоды, цветущие среди лесов и горных хребтов. Изображения доказали, что глубокое обучение необязательно полностью непостижимо: алгоритмы основываются на знакомых визуальных функциях, таких как птичий клюв или перья. Но изображения также намекали на то, насколько глубокое обучение отличается от человеческого восприятия, и как оно интерпретирует артефакты, которые мы могли бы проигнорировать. Исследователи Google отметили, что когда его алгоритм генерировал изображения гантели, он также генерировал человеческую руку, удерживающую её. Машина пришла к выводу, что рука является частью вещи.Дальнейший прогресс был достигнут благодаря использованию идей, заимствованных из неврологии и когнитивной науки. Группа во главе с доктором из Университета Вайоминга Джеффом Клюном (Jeff Clune) использовала аналоговый эквивалент оптических иллюзий для тестирования глубоких нейронных сетей. В 2015 году группа Клюна продемонстрировала, как определённые изображения могут обмануть такую ​​сеть и заставить её воспринимать вещи, которых там нет, потому что изображения используют низкоуровневые шаблоны, которые ищет система. Один из сотрудников Clune, Джейсон Йосинский, также создал инструмент, который действует как зонд в мозге. Его инструмент нацелен на любой нейрон в середине сети и ищет изображение, которое активирует его больше всего. Изображения, которые появляются, являются абстрактными (представьте, что импрессионисты рисуют фламинго или школьный автобус), вынося на первый план таинственную природу способностей машины воспринимать вещи.Однако нам нужно больше, чем просто заглянуть в мышление ИИ, и простого решения нет. Именно взаимодействие вычислений внутри глубокой нейронной сети имеет решающее значение для распознавания образов более высокого уровня и принятия сложных решений, но эти вычисления являются паутиной математических функций и переменных. «Если бы у вас была очень маленькая нейронная сеть, вы могли бы её понять», — говорит Яаккола. «Но как только она становится очень большой и имеет тысячи единиц на слой при сотнях слоёв, тогда всё становится совершенно непонятным».В офисе рядом с Яакколой работает Регина Барзилай, профессор Массачусетского технологического института, которая намерена применять машинное обучение в медицине. Метод был удивительным сам по себе, но Барзилай был также встревожен тем, что современные методы статистического и машинного обучения не использовались для оказания помощи в онкологических исследованиях или для руководства по лечению пациентов. Она говорит, что ИИ обладает огромным потенциалом для медицины, но понимает, что этот потенциал будет означать выход за рамки одних лишь медицинских записей. Она предлагает использовать больше необработанных данных, которые, по её словам, в настоящее время недостаточно используются: «обработка изображений, данных патологии, всей этой информации».После того, как она закончила изучать лечение рака в прошлом году, Барзилай и её ученики начали работать с врачами в больнице Массачусетса, чтобы разработать систему, способную выявлять патологии и идентифицировать пациентов с определёнными клиническими характеристиками, которые исследователи могли бы хотеть изучить. Тем не менее, Барзилай понял, что системе необходимо будет объяснить свои аргументы. Итак, вместе с Яакколой и учеником она добавила шаг: система извлекает и выделяет отрывки текста, которые являются репрезентативными по найденному шаблону. Барзилай и её ученики также разрабатывают алгоритм глубокого обучения, способный обнаруживать ранние признаки рака молочной железы по изображениям маммограммы, и они направлены на то, чтобы дать этой системе некоторую способность объяснить ёе рассуждения. «Вам действительно нужно создать цикл, в котором машина и человек будут сотрудничать», — говорит Барзилай.Насколько хорошо мы можем поладить с машинами, которые непредсказуемы и непостижимы?Американские военные вкладывают миллиарды в проекты, которые будут использовать машинное обучение для пилотирования транспортных средств и самолетов, выявлять цели и помогать аналитикам просеивать огромные груды разведывательных данных. Здесь больше, чем где-либо ещё, даже больше, чем в медицине, мало места для алгоритмической тайны, и министерство обороны определило объяснимость как ключевой камень преткновения.Дэвид Ганнинг, менеджер программ в Агентстве перспективных исследований обороны, наблюдает за программой под названием Explainable Artificial Intelligence. Ветеран агентства, который ранее курировал проект DARPA, позднее переродившийся в Siri, Ганнинг говорит, что автоматизация примерима в бесчисленных военных областях. Аналитики тестируют машинное обучение как способ выявления закономерностей в огромных количествах шпионских данных. В настоящее время разрабатываются и тестируются многие беспилотные наземные транспортные средства и летательные аппараты. Но солдаты, вероятно, не будут чувствовать себя комфортно в роботизированном танке, который не будет им ничего объяснять, а аналитики будут неохотно работать с информацией без каких-либо рассуждений. «Часто характер этих систем машинного обучения приводит к появлению множества ложных тревог, поэтому аналитику Intel действительно нужна дополнительная помощь, чтобы понять, почему была сделана та или иная рекомендация», — говорит Ганнинг.В марте этого года DARPA выбрало 13 проектов из академических и промышленных кругов для финансирования по программе Ганнинга. Некоторые из них могли опираться на работу, возглавляемую Карлосом Гестрином, профессором Вашингтонского университета. Он и его коллеги разработали способ, позволяющий системам машинного обучения обосновывать свои результаты. По сути, в рамках этого метода компьютер автоматически находит несколько примеров из набора данных и даёт по ним короткое пояснение. Например, система, предназначенная для классификации сообщений электронной почты, поступающих от террориста, может обрабатывать миллионы сообщений при подготовке и принятии решений. Но, используя подход вашингтонской команды, она может выделить определённые ключевые слова в сообщении. Группа Гестрина также разработала способы для систем распознавания изображений, чтобы распознать их алгоритмы, выделив наиболее важные части изображения.Один из недостатков этого подхода и других подобных ему, состоит в том, что предоставленные объяснения всегда будут упрощены, что означает, что некоторые важные сведения могут быть потеряны на этом пути. «Мы не достигли мечты, согласно которой в ИИ беседует с нами и объясняет свои действия», — говорит Гестрин — «мы далеко от истинной интерпретации ИИ».Неясности не должно быть в ситуациях с высокими ставками, таких как диагностика рака или военные манёвры. Знание рассуждений ИИ также будет иметь решающее значение, если технология станет общей и полезной частью нашей повседневной жизни. Том Грубер, возглавляющий команду Siri в Apple, говорит, что объяснимость — это ключевое соображение для его команды, поскольку она пытается сделать Siri более умным и способным виртуальным помощником. Грубер не комментирует конкретные планы относительно будущего Siri, но легко представить, что если вы получите рекомендацию ресторана от Siri, то захотите узнать, на чём были основаны её выводы. Руслан Салахутдинов, директор отдела исследований ИИ в Apple и адъюнкт-профессор Университета Карнеги-Меллона, видит объяснимость в качестве основы эволюции отношений между людьми и интеллектуальными машинами. «Это приведёт к доверию» — говорит он.Так же, как многие аспекты человеческого поведения невозможно объяснить подробно, возможно, и для ИИ не получится объяснить все, что он делает. «Даже если кто-то может дать вам разумное объяснение [его или её действий], оно, вероятно, будет неполно, и то же самое может быть справедливо для ИИ», говорит Кьюн из Университета Вайоминга. «Это может быть только часть природы интеллекта, только часть доступна рациональному объяснению. Некоторые из них просто инстинктивны, или подсознательны, или непостижимы».Если это так, то на каком-то этапе нам, возможно, придётся просто довериться мнению ИИ или обойтись без его использования. Точно так же, как общество строится на контракте ожидаемого поведения, нам нужно будет проектировать системы ИИ, чтобы уважать наши социальные нормы и соответствовать им. Если мы хотим создавать роботизированные танки и другие машины для убийства, важно, чтобы принятие ими решений соответствовало нашим этическим суждениям.Чтобы исследовать эти метафизические концепции, я отправился в Университет Тафтса для встречи с Дэниелом Деннеттом, известным философом и ученым-когнитивистом, который изучает сознание и ум. Глава последней книги Деннетта «От бактерии до Баха и обратно», энциклопедического трактата о сознании, предполагает, что естественная часть эволюции самого интеллекта — это создание систем, способных выполнять задачи, которые их создатели не могут выполнить. «Вопрос в том, что нам нужно сделать, чтобы сделать наше детище разумным: какие стандарты мы требуем от них и от нас самих?» — говорит он мне в своем захламлённом кабинете в идиллическом университетском городке.У него также есть одно предупреждение. «Я думаю, что, если мы собираемся использовать эти вещи и полагаться на них, тогда давайте крепко задумаемся о том, как и почему они дают нам ответы, насколько это возможно», — говорит он. Но так как не может быть идеального ответа, мы должны быть так же осторожны в объяснениях ИИ – также, как и в человеческих обьяснениях — независимо от того, насколько умна машина. «Если она не может достичь успеха в обьяснении нам своей логики, — говорит он, — тогда не доверяйте ей».MIT Technology Review. Автор: Уйилл Кнайт, (с)