Концепції сучасного природознавства - Бобильов Ю.П. - 7.6.2. Нейрон ні мережі і нейрокомпьютер

Останнім часом також активно ведуться роботи з побудови моделей обробки інформації в нервовій системі. Більшість моделей ґрунтується на схемі формального нейрона У. МакКаллока й У. Піттса, відповідно до якої нейрон являє собою граничний елемент, на входах якого є збудливі і гальмівні синапси; у цьому нейроні визначається зважена сума вхідних сигналів (з урахуванням ваги синапсів), а при перевищенні цією сумою порога нейрона виробляється вихідний сигнал.

У моделях вже побудовані нейронні мережі, що виконують різні алгоритми обробки інформації: асоціативна пам'ять, категоризація (розбиття множини образів на кластери, що складаються з подібних один до одного образів), топологічно коректне відображення одного простору змінних в інший, розпізнавання зорових образів, інваріантне щодо деформацій і зрушень у просторі розв'язування задач комбінаторної оптимізації. Переважне число робіт стосується дослідження алгоритмів нейромереж із прагматичними цілями. Передбачається, що практичні задачі будуть розв'язуватися нейрокомп'ютерами – штучними нейроподібними мережами, створеними на основі мікроелектронних обчислювальних систем.

Спектр задач для розроблюваних нейрокомп'ютерів досить широкий: розпізнавання зорових і звукових образів, створення експертних систем і їхніх аналогів, керування роботами, створення нейропротезів для людей, що втратили слух або зір. Достоїнства нейрокомп'ютерів – паралельна обробка інформації та здатність до навчання.

Незважаючи на надзвичайну активність досліджень щодо нейронних мереж і нейрокомп'ютерів, багато чого в цих дослідженнях насторожує. Адже досліджувані алгоритми мають вигляд ніби "вирваного шматка" із загального осмислення роботи нервової системи. Часто досліджуються ті алгоритми, для яких вдається побудувати хороші моделі, а не ті, що найбільш важливі для розуміння властивостей мислення, роботи мозку і для створення систем штучного інтелекту. Задачі, розв'язувані цими алгоритмами, відірвані від еволюційного контексту, в них практично не розглядається, як і чому виникли ті чи інші системи обробки інформації. Насторожує також надмірна спрощеність розуміння роботи нейронних мереж, адже тут нейрони осмислені лише як підсумовуючі порогові елементи, а навчання мережі відбувається шляхом модифікації синапсів.

Ряд дослідників, щоправда, розглядають нейрон як значно складнішу систему обробки інформації, припускаючи, що основну роль у навчанні відіграють молекулярні механізми всередині нейрона. Усе це вказує на необхідність максимально повного розуміння роботи біологічних систем обробки інформації і властивостей організмів, забезпечуваних цими системами. Одним з важливих напрямків досліджень, що сприяють такому розумінню, напевно, може бути аналіз того, як у процесі біологічної еволюції виникали "інтелектуальні" властивості біологічних організмів.

7.6.3. "Інтелектуальні винаходи" біологічної еволюції

Цікаво розібратися, ж у процесі біологічної еволюції виникла людська логіка. Аналіз пов'язаний з глибокою гносеологічною проблемою: чому людська логіка застосовна до пізнання природи?

Коротко пояснимо проблему простим прикладом. Припустімо, фізик, вивчаючи динаміку якогось об'єкта, зумів у певному наближенні звести його опис до диференціального рівняння. Далі він, зрозуміло, інтегрує отримане рівняння відповідно до відомих з математики правил і одержує характеристики руху об'єкта. Перехід від диференціального рівняння до характеристик руху носить дедуктивний характер, але, якщо бути гранично строгим, цей перехід треба обґрунтовувати: адже фізичний об'єкт зовсім необов'язково повинен підкорятися правилам людської логіки!

Для розуміння процесу виникнення логіки починаються спроби побудувати модельну теорію походження логіки в біосфері. Така теорія могла б містити математичні моделі ключових "інтелектуальних винаходів" біологічної еволюції, що акцентують увагу на біологічному значенні і причинах виникнення цих винаходів, а також моделі, що характеризують переходи між винаходами різних рівнів. Надійніше за все, мабуть, почати від "самого початку" – від походження життя і простежити весь шлях біологічної еволюції від найпростіших організмів до людини, виділяючи на цьому шляху найбільш важливі еволюційні відкриття, що ведуть до логіки. Щоб уявити коло питань, що становлять предмет модельної теорії походження логіки, відзначимо деякі важливі рівні "інтелектуальних винаходів".

Рівень перший – організм розрізняє стани зовнішнього середовища, пам'ять про ці стани записана в геномі й передається в спадщину, організм адекватно використовує різницю середовищ, змінюючи свою поведінку зі зміною середовища. Приклад цього рівня – властивість регулювання синтезу білків у бактеріях у відповідь на зміну поживних речовин у зовнішньому середовищі за схемою Ф. Жакоба і Ж. Моно. Дану властивість можна назвати елементарною сенсорикою.

Другий рівень –тимчасове запам'ятовування організмом стану середовища й адекватне, також тимчасове, пристосування до неї. Приклад цього рівня – звикання, а саме поступове згасання реакції подразнення на біологічно нейтральний стимул.

Третій рівень – запам'ятовування стійких зв'язків між подіями в навколишній для організму природі. Хороший приклад – досліджений І. Павловим класичний умовний рефлекс, у якому відбувається довгострокове запам'ятовування зв'язку між умовним і безумовним стимулами і підготовка до життєво важливих подій у зовнішньому світі. Між класичним умовним рефлексом і логікою лежить ще цілий ряд проміжних рівнів. Наприклад, інструментальний умовний рефлекс відрізняється від класичного тим, що в ньому для одержання заохочення тварина має виконати заздалегідь невідому їй дію. Ланцюг умовних рефлексів – це система реакцій, сформованих на основі умовних зв'язків, що раніше зберігалися в пам'яті тварини.

Розгляд моделей "інтелектуальних винаходів" біологічної еволюції показує їхню надзвичайну фрагментарність і слабку розробленість. Зовсім немає моделей переходів між "винаходами" різних рівнів. Зараз можна тільки попередньо вказати на деякі аналогії. Наприклад, вироблення умовного рефлексу можна розглядати як елементарний висновок, котрий виробляється в нервовій системі тварини – "якщо за умовним стимулом іде безумовний, а безумовний стимул викликає певну реакцію, то умовний стимул також викликає цю реакцію" – далекий попередник формул дедуктивної логіки.

Побудова модельної теорії виникнення логіки може бути загальною науковою основою при створенні штучних інтелектуальних систем на біонічних принципах. У рамках таких робіт потрібно буде модельно зіставити дарвінівську (немає передачі в спадок набутих навичок) і ламарківську (є успадкування набутих навичок) концепції еволюції і з'ясувати класи задач, для яких застосовна та чи інша стратегія. З'являються можливості модельно проаналізувати процес виникнення нервової системи як спеціально призначеної для швидкої та надійної обробки інформації частини керуючої системи.

Залишається підкреслити, що в дослідженнях з нейрокомп'ютерів та еволюційного моделювання приділяється дуже мало уваги тим властивостям систем обробки інформації, завдяки яким організми пристосовуються до навколишнього середовища, а також осмисленню того, як і чому виникали такі властивості. Тому ідейне об'єднання цих досліджень з аналізом еволюції "інтелектуальних винаходів" біологічних організмів дуже актуальне.

Чи буде комп'ютер коли-небудь мислити, як людина? Сьогодні навряд чи хтось зможе переконливо аргументувати позитивну відповідь на це питання. Проте хід розвитку електроніки показує, що дистанція між машиною й істотою розумною поступово скорочується. У перші десятиліття після винаходу комп'ютера в його задачу входили лише обчислювальні роботи. Із 70-х pp. XX ст. комп'ютерну техніку почали переорієнтовувати з цифрової інформації на різні системи символів, у тому числі тексти. Наступний етап – він почався в 90-ті – означав перехід до роботи з широкосмуговою інформацією, що включає розпізнавання ємних інформаційних образів. На думку фахівців, у найближчому майбутньому до 90% інформації, оброблюваної в комп'ютерах, буде пов'язано саме з розпізнаванням образів. Отже, виникає потреба в пристроях нового покоління. Один зі способів вирішення цієї проблеми – створення нейрокомп'ютерів.

Як відомо, людське мислення характеризується функціональною асиметрією мозку. Логічні задачі, пов'язані з обробкою різних символів і складанням послідовних ланцюжків умовиводів, як правило, розв'язуються за допомогою лівої півкулі. Вона ж відповідає за мову. А от образне й асоціативне мислення – це функції правої півкулі. Тому людина з ушкодженою правою півкулею прекрасно логічно мислить, здатна говорити і розуміти мову, але вона не вловлює різних відтінків в інтонації мовця і не може встановлювати різні асоціативні зв'язки між словами. Такий індивід позбавлений почуття гумору, і при спілкуванні з ним виникають певні труднощі.

Нейрокомп'ютер – це пристрій, котрий багато в чому імітує роботу людського мозку, особливо його правої півкулі. Він складається з безлічі штучних нейронів, що нагадують природні. Електронні нейрони, як і їхні аналоги в мозку людини, об'єднані в структури на різних рівнях, між якими здійснюється інформаційний обмін. За допомогою системи інформаційних рівнів, або нейромереж, можна розпізнавати й обробляти величезні обсяги образної інформації. Більше того, такі комп'ютерні мережі мають властивість самонавчання або самопрограмування.

Достоїнство цих технологій також у тому, що вони призначені для розв'язування неформалізованих задач, для яких або ще немає відповідної теорії, або вона в принципі не може бути створена.

Крім того, у процесі свого навчання нейромережа вчиться знаходити оптимальні розв'язки поставлених задач, це ще одна важлива перевага.

Розпізнавання образів, стиск інформації, асоціативна пам'ять – ці функції необхідні для різних пристроїв зі штучним інтелектом. І творці комп'ютерної техніки вже достатньо просунулися в цьому напрямку. Так, якщо порівнювати потужність штучних і природних нейромереж за ємністю пам'яті і швидкістю роботи, то штучні нейромережі вже перевершили рівень мухи, хоча не досягли ще рівня таргана. Однак той, хто намагався піймати муху, може уявити, якого типу задачі вже доступні нейромережам!