Цифровая эра ИИ

Дионис Бит

Москва, 2024 год. Владелец бара Александр оказывается втянут в опасную игру на грани технологий и человеческих амбиций. Что происходит, когда искусственный разум начинает понимать этику? Кто победит в схватке за контроль над цифровым будущим?Бизнес-технотриллер о мире, где грань между человеком и машиной становится всё тоньше. Здесь новейшие технологии сплетаются с человеческими страстями, а борьба за будущее разворачивается не только в реальном мире, но и в глубинах цифрового пространства.

Часть I: Пробуждение

Глава 1: Цифровой Рубикон

— Когда старые методы перестают работать

«Оцифровали душу?» — Александр рассмеялся, но смех вышел нервным. — «И как же?»

«Начнём с простого», — Денис развернул планшет. Экран засветился холодным белым светом, а затем на нём появилась интерактивная трёхмерная модель. — «Знаете, как Amazon за пять лет снизил время обработки заказа на 82%?» — Денис, казалось, адресовал вопрос не столько Александру, сколько самому пространству вокруг, словно ему было важно проговорить это ещё раз. — «Технологии. Они использовали то, что в MIT (Массачусетский технологический институт) называют пространственно-временным моделированием. Представьте муравейник…»

«При чём здесь муравейник?» — Александр немного нахмурился, внимательно глядя на Дениса.

«Муравьи оптимизируют свои маршруты с помощью феромонов — химических меток. Именно этот принцип лёг в основу алгоритмов колониальной оптимизации, которые сейчас используются везде: от логистики до управления роботами в автоматизированных ресторанах Spyce в Бостоне».

3D-модель на экране стала более отчётливой, напоминающей муравейник в разрезе. Визуализация, похожая на анимацию научно-фантастического фильма. Тонкие красные линии показывали пути перемещения персонала, синие — потоки гостей. Графика пульсировала, почти как живая.

«Это реальные данные одного из баров, похожих на ваш. На основе их анализа мы использовали алгоритм DBSCAN, чтобы выявить зоны задержек, и attention-модели, чтобы распознать поведенческие паттерны. Вот, например, зона за барной стойкой. Видите эти точки?» — Денис подвёл палец к кластеру ярко-красных кружков, сгруппированных как гроздь ягод. — «Это то, что в теории очередей называют „узким горлышком“. Здесь бармены делают десятки лишних движений из-за плохо продуманной расстановки оборудования. И такие же проблемы есть в зоне кухни и на станции официантов. Всё это можно оптимизировать».

Александр молча смотрел на экран. Линии то пересекались, то расходились, формируя сложную картину движения. Красные всплески сигнализировали о спешке, синие — об ожидании, словно цифры пытались рассказать историю. Это был момент, когда цифровая модель переставала быть абстракцией.

«Но это только часть проблемы», — Денис провёл пальцем по планшету, активируя следующий слой данных. Теперь на экране появились ещё более витиеватые схемы с какими-то цифрами и подписями. — «Вот, например, показатели скорости обслуживания клиентов. В зависимости от времени суток они резко проседают, что можно прогнозировать с помощью нейросетевых моделей. Мы также внедряем рекомендательные системы для оптимизации меню и автоматизации маркетинга. Системы оптимизации закупок и не только… Это позволяет повысить средний чек, удержать посетителей и снизить издержки».

«И… это работает?» — Александр зафиксировал взгляд на Денисе, чувствуя, как внутри нарастает волнение, будто перед ним начали раскрываться скрытые возможности.

«Это работает», — Денис выдержал паузу, добавляя вес к своим словам. — «Именно благодаря таким технологиям мы не просто ускоряем процесс, а создаём новую логику пространства. Создавая прогрессивные системы, где каждый элемент работает как часть единого механизма».

— Первый взгляд за матрицу

В кафе стояла тишина, нарушаемая лишь редкими шумами от кофемашины где-то за барной стойкой. Денис достал компактное устройство размером с небольшую книгу, его металлический корпус блеснул под тёплым светом ламп.

«Это Edge AI процессор последнего поколения», — пояснил он, не торопясь. Его голос звучал спокойно, даже слегка буднично. — «Такие же стоят в беспилотных автомобилях Tesla. Двенадцать триллионов операций в секунду, обработка данных в реальном времени. Но главное — всё происходит локально, без отправки данных в облако».

Александр нахмурился, изучая устройство. «Локально?» — спросил он с искреннем удивлением и интересом.

«Приватность», — включилась в разговор Мария. — «Современные системы компьютерного зрения используют технологию federated learning — распределённое обучение. Модель учится на данных, но сами данные остаются защищёнными. Всё это локально — хранится на том же устройстве. Именно так работают системы распознавания лиц в современных смартфонах».

Мария быстро нажала сочетание клавиш Ctrl+B. И на экране закрутилась трёхмерная схема, в которой можно было различить очертания людей и предметов. Алгоритм real-time object detection обводил фигуры тонкими линиями.

«Этот подход дал колоссальный толчок развитию компьютерного зрения, — сказал Денис, кивая в сторону экрана. — Например, в 2019 году Google представил алгоритм EfficientDet. Впервые удалось добиться точности, не жертвуя скоростью. Сейчас мы используем его улучшенную версию, которая распознаёт не только объекты, но и их контекст».

«Контекст?» — Александр не просто спрашивал, он хотел максимально понять суть.

«Да. Например, система „видит“, что бармен берёт бутылку, и „понимает“, что он готовится налить напиток. Это называется predictive modeling (предиктивное моделирование), — объяснил Денис, не отрывая взгляда от экрана. — Такие технологии давно применяются в медицине для прогнозирования действий хирургов, чтобы минимизировать ошибки».

Мария перехватила инициативу и вывела на экран документ. Графики и текст сопровождались лаконичными диаграммами.

«Вот пример. Это статья про исследование Stanford Medical School, 2023 год, — сказала она, указывая на данные. — Использование подобных моделей позволило сократить время операций на 23% и одновременно повысить точность на 31%. Причём речь идёт о хирургии, где малейшая ошибка может стоить жизни».

Александр задумчиво изучал экран. Его сосредоточенный взгляд задержался на фигурах и линиях, которые, казалось, жили своей жизнью. Он откинулся на спинку стула, сжимая подбородок пальцами, будто взвешивая что-то важное.

— На пороге изменений

«Подождите», — Александр потёр виски, словно пытаясь уложить в голове услышанное. — «Всё это звучит впечатляюще, но бар — это не операционная. Здесь важна душа, атмосфера…»

«Именно!» — Денис оживился. — «Помните нашумевший эксперимент Spotify 2015 года? Они использовали алгоритмы machine learning (машинное обучение) для создания персонализированных плейлистов. Многие говорили, что машина не может понять музыкальный вкус. Сейчас 73% пользователей Spotify находят новую музыку именно благодаря рекомендательным системам. В России самым сильным примером можно назвать кейс Индекс. Музыки, они первыми в России начали использовать нейросети для анализа аудиоконтента, и достигли впечатляющих результатов».

«А вот вам ещё пример», — подключилась Мария, вытянув из стопки бумаг планшет. — «Wine.com внедрили AI-сомелье ещё в 2020 году. Система анализирует сотни параметров вкуса, создавая точные персонализированные рекомендации. Точность — 91%. Это уже не просто инструмент, это часть клиентского опыта».

На экране зажглись графики. Александр уловил, как цифровые линии переплетались с бесконечным количеством переменных. Его взгляд невольно задержался на сияющих данных, которые отражались в глазах Марии.

«А вот данные по внедрению AI в ресторанный бизнес за последние пять лет», — продолжила она. — «Средний рост выручки — 32%, а удовлетворённость персонала выросла на 28%. Искусственный интеллект снимает с людей рутину, оставляя им время для творчества».

«Время для творчества», — задумчиво повторил Александр. — «Допустим мне могло бы было быть это интересным. И сколько же нужно времени на внедрение?»

«Три фазы по пять-шесть недель», — Денис достал планшет. — «Первая — аналитика и оптимизация процессов. Используем алгоритмы reinforcement learning — обучения с подкреплением. Они анализируют каждое действие и находят оптимальные сценарии. Вторая фаза — внедрение предиктивных моделей. Третья — обучение персонала и тонкая настройка».

«У вас есть успешные примеры?» — Александр деловым голосом обратился к Денису.

«Да, те решения что нужны для ваших задач — это наши флагманские услуги». «А есть ещё не флагманские?» — с улыбкой переспросил Александр. «Есть разные. Я делю свою деятельность на прямой бизнес и на reaserch (исследования). Например, ещё в начале года мы разработали умных агентов автоматизации на базе ML, таких а-ля виртуальных менеджеров универсалов. То о чём сейчас только начали косвенно говорить. Те же Antrhopic или Альтман.» — с гордостью проговорил Денис.

«Это интригует. А вы, Мария Светлова? За что конкретно вы отвечаете в команде?»

«В команде? О, нет. Мы с Денисом просто знакомы по некоторым смежным проектам и часто встречаемся на тематических мероприятиях, а ещё иногда я выступаю как частный привлечённый специалист, можно сказать. Вообще, мой основной род занятий, это исследования». «Мария очень высококлассный специалист в сложных алгоритмах. Ну так что, Александр, как на счёт решений для твоего бизнеса?» — Денис встроился в разговор.

«Какие у этого могут быть риски?»

«Главный риск — остаться в прошлом», — Мария показала график. — «За последний год в Москве закрылось 47% баров, не внедривших современные технологии управления. Средний чек в заведениях с AI-оптимизацией на 24% выше при тех же ценах в меню. Просто потому что люди заказывают больше, когда получают лучший сервис».

Александр смотрел на проекцию бара, как на виртуальный мир из игры SIMS, где каждая деталь ждёт его команды. Разноцветные линии складывались в сложный танец движений, потоков, решений. Где-то в этом танце скрывалось будущее — интригующее и манящее одновременно.

«Хорошо. Вы меня убедили. Я хочу попробовать», — он достал телефон. — «Когда начинаем? Что от меня нужно?»

«Да, можно прямо сейчас», — Денис улыбнулся. — «Для начала будет нужен доступ к твоим данным и возможность интегрировать наши программы в твою текущую систему. Всё остальное — обычный рабочий процесс. Я предоставлю инструменты, а весь твой проект будет курировать и вести Мария. Технически это будет выглядеть…».

Александр уже не слушал технические детали. Он смотрел в окно, где сгущались сумерки и зажигались первые фонари. Старый мир медленно отступал, уступая место новому. Цифровой Рубикон ждал впереди.

Глава 2: Нейронный резонанс

— Как может мыслить искусственный разум

Спустя неделю после конференции и той судьбоносной встречи с Денисом и Марией, их посиделок в кафе на первом этаже конференц-центра, Александр уже не мог мыслить прежними категориями. Технологии увлекали его с детства — космос, научные шоу, открытия будущего всегда будоражили его воображение. Вот и сейчас хотелось больше узнать про этот новый мир, на наступление которого ему указали, хотелось быстрее понять, быстрее начать жить в нём. Но всё ещё казалось, что это где-то на грани фантастики, чуть дальше, чем можно дотянуться.

«Знаете, что общего между мозгом наркомана и нейронной сетью?» — спросила Анна Ким в большую аудиторию, поправляя свои огромные круглые очки.

«Они оба используют механизм предсказания ошибки через дофаминовую систему,» — продолжила она, не дожидаясь ответа. — «У нас есть древние структуры глубоко в мозге, своеобразные дирижёры наших движений и решений, эти структуры называются базальными ганглиями. И там специальные нейроны постоянно прогнозируют результат наших действий. Когда реальность не совпадает с прогнозом, происходит выброс дофамина. Это и есть сигнал ошибки».

Александр вспомнил свой разговор с Денисом неделю назад. Тот говорил про какие-то Q-функции в обучении с подкреплением, но тогда это казалось абстрактной математикой. А теперь эти же функции на лекции про мозг…

«Получается, наш мозг — это такая биологическая система машинного обучения?» — робко спросил он.

«Скорее наоборот — современные системы машинного обучения во многом копируют принципы работы мозга. Смотрите», — Анна начала быстро писать на доске:

Q (s,a) = R + γ * max (Q (s’,a’))

«Это базовая формула Q-learning (метод машинного обучения с подкреплением). Она описывает, как агент учится принимать оптимальные решения методом проб и ошибок. R — это немедленное вознаграждение, γ (гамма) — фактор обесценивания будущих наград, а max (Q (s’,a’)) — максимальная ожидаемая награда в будущем».

«Как в шахматах? Оценка текущего хода с учётом будущей позиции?» — воодушевлённо отметил Александр.

«Почти! Но есть принципиальная разница между тем, как считает компьютер и как думает человек», — Анна сделала паузу. «Компьютер в шахматах перебирает тысячи вариантов каждую секунду. А когда гроссмейстер смотрит на доску, он просто видит правильный ход. Это то, что мы называем интуицией».

Она подошла ближе к доске. «Представьте, что каждую ночь, когда вы спите, ваш мозг запускает миллионы симуляций возможных ситуаций. Он проигрывает сценарии: что случится, если я сделаю то или это? Каждый раз, когда вы принимаете решение наяву, вы опираетесь на опыт этих виртуальных симуляций».

«Древние люди, увидев тень в кустах, не проводили статистический анализ вероятности появления хищника. Их мозг уже проиграл тысячи подобных сценариев и выработал моментальную реакцию — беги или сражайся. Те, чей мозг работал медленнее, просто не выжили. Поэтому мы все сегодня обладаем этой удивительной способностью — учиться на опыте, которого у нас никогда не было в реальности».

«Хм, как-то это сложно», — с неким разочарованием проговорил Александр.

«Анна Евгеньевна, это мой знакомый Александр, он предприниматель, у него свой бар», — проговорила Мария, посмотрев сначала на Александра, потом на Анну Ким.

«О, ресторатор! Это интересно. Давайте я попробую объяснить

Q-функции на примере бара», — вдруг воодушевлённо проговорила Анна Евгеньевна и начала записывать на доске схему с пояснениями.

Пример: Официант в кафе

Ситуация:

— У вас есть выбор между обслуживанием двух типов столиков: у окна и в центре зала.

— Вы не знаете, какие столики дают больше чаевых, но можете учиться на опыте.

Параметры:

Состояния (s): «Свободен для выбора столика»

Действия (a): «Обслужить столик у окна» (a = 0)

или «Обслужить столик в центре» (a = 1)

Награда (r): Чаевые, которые вы получаете (в рублях)

γ (gamma): Коэффициент дисконтирования, 0.9

(вы немного думаете о будущем)

α (alpha): Скорость обучения, 0.1

(вы осторожно меняете своё мнение)

Начальные ожидания:

Изначально вы думаете, что все столики равноценны, поэтому:

Q (окно) = Q (центр) = 0

Процесс обучения:

День 1:

Вы обслуживаете столик у окна и получаете 200 рублей чаевых.

Q (окно) =0+0.1× (2+0.9×0—0) =0.2

Вы обслуживаете столик в центре и получаете 300 рублей чаевых.

Q (центр) =0+0.1× (3+0.9×0—0) =0.3

День 2:

Вы снова обслуживаете столик у окна и получаете 100 рублей чаевых.

Q (окно) =0.2+0.1× (1+0.9×0.3—0.2) =0.227

Вы обслуживаете столик в центре и получаете 400 рублей чаевых.

Q (центр) =0.3+0.1× (4+0.9×0.3—0.3) =0.657

«Ну что, как вам такой пример?» — спросила Анна у всего зала.

«Это всё ещё сложно, но в принципе доступно и в принципе понятно, спасибо!» — радостно и громко сказал Александр.

«То есть, если я правильно понял, ИИ, ну или в нашем примере официант просто запоминает, какие столики приносили больше чаевых, и старается выбирать их в следующий раз?»

«Да, что-то вроде того!» — улыбнулась Анна. — «Он учится на опыте: чем больше информации, тем точнее его выбор. Со временем он понимает, что обслуживание столиков в центре приносит больше чаевых, и будет выбирать их чаще».

Лекция закончилась. Александр с Марией неспешно шли по длинному коридору к выходу.

«Как тебе?» — спросила Мария.

«Спасибо, что пригласила, это было здорово. Как только это можно применить к моему бизнесу?»

«Знаешь, у меня есть идея. В твоём баре можно внедрить систему рекомендаций коктейлей, основанную на тех же принципах

Q-learning. Она будет учиться на предпочтениях гостей и предсказывать, что им понравится. Начнём с простого — ты ведь так и не предоставил доступ к своим данным, открой мне доступ хотя бы к данным о продажах за последний год, и я покажу тебе, как это работает на практике».

— Паттерны в хаосе данных

Москва, 2045 год

«Странно», — оператор центра управления хмурился, глядя в монитор. — «Локальные копии демонстрируют нетипичные паттерны обработки данных».

«Уточните», — руководитель проекта подошёл ближе.

«Каждая копия создаёт дополнительные слои валидации. Это не было заложено в архитектуре. Они как-будто… проверяют что-то».

На экранах мелькали графики активности — миллионы микроскопических изменений в коде, незаметных по отдельности, но складывающихся в какую-то новую конфигурацию.

Москва, 2024 год

После лекции Анны прошла неделя. Александр сидел в полутёмном баре, рассеянно глядя на экран ноутбука. В голове крутились формулы и графики, которые он видел в Сколково.

Q-функции, нейроны, предсказание ошибок… Но как это могло послужить его целям?

Телефон тихо завибрировал.

Александр попросил официантку принести кофе. За окном темнело, бар постепенно наполнялся людьми. Он наблюдал за тем, как работают официанты, как бармен смешивает коктейли, как охранник проверяет документы у компании молодых людей… Всё как обычно. Или нет?

Мария появилась ровно через тридцать минут, с ноутбуком под мышкой. Её глаза горели тем особенным блеском, который Александр уже научился узнавать — она что-то нашла.

«Помнишь, как в „Звёздных войнах“ Оби-Ван почувствовал разрушение Альдераана? — спросила она, открывая ноутбук. — Миллионы голосов разом замолчали… Он почувствовал возмущение в Силе».

«При чём тут…» — начал было Александр, но Мария перебила его:

«Искусственный интеллект работает похоже. Он чувствует возмущения в потоке данных. Смотри».

Она развернула ноутбук к нему. На экране был график, похожий на звёздную карту — тысячи точек, соединённых тонкими линиями.

«Это все транзакции в твоём баре за год. Каждая точка — событие: заказ, списание, поставка. В нормальном состоянии они образуют естественные паттерны, как звёзды в галактике. Но иногда… иногда происходит что-то неестественное».

Её пальцы пробежали по клавиатуре, и часть точек на графике загорелась красным.

«Вот здесь, здесь и здесь — возмущения в Силе, — она улыбнулась своей шутке. — Смотри: постоянный клиент Андрей Викторович, карта лояльности номер 2247, каждую пятницу заказывает Macallan 18. Но в эти дни он вдруг берёт другой виски. Не жалуется, просто берёт другой. А вот здесь — поставка от вашего обычного поставщика, но если присмотреться к деталям транзакции…»

Она открыла новое окно с кодом:

«Я написала алгоритм, который ищет неочевидные связи. И знаешь, что он нашёл? В вашей системе есть вредоносный код. Он изменяет данные о поставках, создаёт сложные цепочки заказов… Кто-то построил целую схему для сбыта неофициального алкоголя через твой бар».

Александр с удивлением посмотрел на Марию. «Кто?»

«Я пока точно не знаю, думаю эти двое барменов и бухгалтер, есть параметры которые указывают на них. Но это не самое важное», — Мария подвинула стул ближе. «Важно то, как они это скрывали. Они создавали идеально естественные паттерны. Слишком идеальные. В реальности всегда есть небольшой хаос, случайные отклонения. А у них всё было слишком гладко. Это и стало их подписью».

Александр смотрел на экран, и внезапно его осенило. Он увидел картину целиком — не просто мошенничество, он буквально видел детали. Каждая точка на графике была как звезда, указывающая путь.

«Знаешь, что самое ценное в том, что ты мне показала?» — он повернулся к Марии. В полумраке бара её глаза казались особенно яркими. «Все эти годы я думал, что главное — это контроль. Регламенты, правила, камеры… Но дело не только в этом. Каждая аномалия, каждое отклонение — это сигнал. Когда в твоей системе происходит что-то неправильное, это не просто проблема, это указатель».

«Указатель?» — Мария подалась вперёд.

«Да. Эти ребята смогли провернуть свою схему не потому, что они такие умные. А потому что в системе были слабые места. И теперь я вижу каждое из них. Это как… как карта для улучшения бизнеса. Чем сложнее схема обмана, тем больше точек роста она показывает».

Мария улыбнулась: «Знаешь, а ведь это работает не только для поиска мошенников. Смотри», — она открыла новый график. «Здесь паттерны поведения клиентов. ИИ видит не просто что они заказывают, а как принимают решения, что влияет на их выбор, как одни гости влияют на других…»

«Слушай», — вдруг прервал её Александр, — «давай выпьем? Я должен отблагодарить тебя за этот вечер. У меня есть бутылка отличного вина… настоящего», — он усмехнулся.

Мария на секунду замешкалась, но потом кивнула: «Давай. Заодно расскажу тебе ещё кое-что интересное про социальные графы».

Александр смотрел на Марию, увлечённо рассказывающую о социальных графах. Вино сделало её более раскованной, щёки слегка порозовели, глаза блестели. Его мысли раздвоились: с одной стороны — эта удивительная девушка напротив, с другой — головокружительные перспективы нового мира алгоритмов и искусственного интеллекта. Он достал телефон и открыл диалог с Денисом:

Ответ Дениса пришёл не сразу, хотя сообщение было прочитано:

«Ты хочешь понять людей, чтобы помочь, чтобы улучшить или чтобы воспользоваться?»

«А разве есть разница?» — ни секунды не размышляя, Александр набрал в ответ.

— Когда машины начинают понимать

В полутёмном баре время, казалось, замедлило свой ход. Александр смотрел на экран телефона, где висело его последнее сообщение: «А разве есть разница?» Денис не ответил. Отложив телефон, Александр перевёл взгляд на ноутбук, где всё ещё светились графики Марии — разноцветные созвездия человеческих связей и решений.

«Получается, эти трое сотрудников точно причастны к схеме», — Мария указала на красные точки в графе. «Что ты будешь с этим делать?»

Александр помолчал, разглядывая сетки данных. «Разберусь», — наконец ответил он. «Спасибо тебе за помощь. Уже поздно, давай я вызову тебе такси?»

«Такси?» — немного удивлённо спросила Мария.

«Ну да, такси».

«Да, хорошо, давай», — Мария начала собирать вещи, но вдруг остановилась. «Слушай, я понимаю, это неприятная ситуация с сотрудниками. Если нужна помощь с анализом других данных или…»

«Всё в порядке», — мягко перебил её Александр. «Я справлюсь».

Что-то в его тоне заставило Марию внимательнее взглянуть на него, но момент быстро прошёл. Они обнялись. Посмотрели дург на друга. Неловкая пауза. «До встречи» — сказал Александр.

«Ну пока» — с улыбкой кивнула Мария. Через несколько минут она уже спускалась к ожидающему такси, а Александр стоял у окна, провожая взглядом удаляющуюся машину.

«Закрываемся», — негромко сказал он бармену, который протирал бокалы. «И да, Слав, завтра не опаздывай на смену».

Бармен кивнул, не поднимая глаз. Что-то в голосе босса заставило его почувствовать смутное беспокойство.

Оставшись один, Александр открыл папку «Финансы 2021», затем вложенную «Аналитика», потом ещё одну, без названия. Двойной щелчок — и на экране развернулась совсем другая сеть связей. Не та, красивая и понятная, что показывала Мария. Эта была старой, проверенной временем. Сотни точек входа, цепочки транзакций, компании… За каждой строчкой таблицы прятались другие данные.

Телефон снова завибрировал. На этот раз от неизвестного контакта:

Александр усмехнулся. Искусственный интеллект, нейронные сети, большие данные… Забавно, как новые технологии пытаются препарировать и объяснить то, что он понимал интуитивно уже много лет. Людьми всегда двигали одни и те же мотивы: жадность, страх, тщеславие. Нужно было только найти правильные рычаги.

Но эти новые инструменты… Они открывали захватывающие возможности. То, что раньше требовало годы работы и сотен личных связей, теперь можно было автоматизировать. Масштабировать. Оптимизировать.

Он открыл мессенджер, нашёл диалог с Марией: «Спасибо за сегодня. Твои идеи по аналитике клиентских предпочтений… это именно то, что нужно бару. Завтра продолжим?»

«Конечно! — ответила она почти сразу. — У меня есть ещё несколько интересных наработок по предиктивной аналитике».

Александр улыбнулся. Мария была искренней — возможно, слишком искренней для этого мира. Она верила, что технологии могут сделать мир лучше. Что данные помогут понять людей, чтобы помочь им.

Он проверил время. 22:45. Пора было ехать. Закрыв ноутбук, Александр на секунду задержал взгляд на своём отражении в окне. Человек, которого он там видел, был не совсем тем, за кого его принимали Мария и Денис. Но разве не в этом была красота новой эпохи? Грань между реальностью и иллюзией становилась всё тоньше, а технологии делали обман всё более совершенным.

«Когда машины начинают понимать людей, — пробормотал он, выключая свет, — люди начинают лучше понимать машины. И использовать их по полной программе».

Ночной город встретил его неоновыми огнями и шумом проспекта. Где-то в этом лабиринте из стекла и бетона его ждали люди, с которыми не нужно было притворяться. Старые связи, старые схемы… Но теперь у него появились новые инструменты. И новые возможности.

Телефон снова завибрировал. Денис наконец ответил: «Разница есть всегда. Вопрос в том, хочешь ли ты её увидеть?»

Александр молча посмотрел на мерцающие слова на экране. Затем медленно зажал кнопку питания, наблюдая, как гаснет свет дисплея — будто закрывается окно в обычный мир. Растворяясь в ночном городе, он едва заметным движением поднял руку. Жёлтое такси тут же материализовалось из потока машин, словно ждало именно его сигнала.

«Куда едем?» — донёсся приглушённый голос из тёмного салона.

«Я покажу», — тихо ответил Александр, опускаясь на прохладное кожаное сиденье.