5. Самообучении искусственного интеллекта.

Многие вопросы, над которыми размышляли крупнейшие умы человеческой цивилизации, по прошествии времени становятся тривиальными и очевидными. Они входят в школьные программы, и непонимание их становится признаком задержки в умственном развитии. Это нормальный процесс эволюции знания. Но остаются проблемы из разряда "вечных", которые не были решены, и неизвестно, существует ли у них решение вообще. К их числу относится понимание того, что такое интеллект, определение искусственного интеллекта и все, связанные с ними практические вопросы. Научным базисом современных разработок в этой области явились работы Норберта Винера, в которых он показал, что основой информационных процессов, происходящих в живом организме, являются сложные отрицательные и положительные обратные связи, которые могут быть смоделированы в искусственном автоматическом устройстве.

Практическая важность темы стала очевидна не так уж давно, если применять временные масштабы истории развития человеческой мысли. Однако сегодня "интеллектуальные агенты" типа Copernic`а или системы распознавания образов установлены уже почти на каждом компьютере. Причиной, почему этот вопрос не нашел своего однозначного решения до сих пор, является то, что для его понимания необходимо применить иные принципы мышления, отличающиеся от тех, которые являются основными для большинства носителей не только "искусственного", но и "естественного" интеллекта. Нельзя понять нечто, находясь внутри. Необходим взгляд извне. Только такой подход может дать объяснение явлению в его взаимодействии с окружающим. Иными словами, для того чтоб понять, как мы думаем, надо думать иначе или не думать вовсе... А понять это необходимо, так как наши "железные" творения уже приблизились к уровню, когда отношение к ним, просто как к техническим приспособлениям, может оказаться недопустимым и привести к стратегическим ошибкам.

Начать анализ существующих систем искусственного интеллекта и сделать предположения об их дальнейшем развитии удобнее всего с программ распознавания графических образов и речи. Эта задача, рассмотренная изолировано, еще не дает ответа на вопрос о том, что же такое искусственный интеллект или способность к мышлению вообще, но позволяет вплотную подойти к нему. Не случайно еще классики марксизма-ленинизма связывали в своих философских работах вопрос появления "человека разумного" с развитием речи.

Если говорить именно об обработке речи, то программное обеспечение от Dragon Systems практически уже решило этот вопрос. Пятая версия Speech SDK от Microsoft, являясь, как и все произведения этой компании, гораздо более громоздким (более 500 Мб на системном диске!) и требовательным к используемым ресурсам, также позволяет обеспечить приемлемое для диктовки качество. Устойчивое распознавание слов и даже целых фраз достигается после нескольких часов тренировки и адаптации системы к особенностям произношения и создания статистической модели речи пользователя. При этом оно может достигать 95-98%. Если сравнить, то, наверное, и человек не сможет разобрать устную речь точнее.

В основе принципа действия упомянутых программных продуктов лежит математическая модель преобразования акустических сигналов в числовые последовательности, каждой из которых соответствует то или иное слово из предварительно загруженного словаря. Словари могут дополняться пользователем, а вероятность выбора из списка близких по своим числовым параметрам слов изменяется в зависимости от частоты их употребления конкретным пользователем. Распознавание графических образов, от стандартных шрифтов до разборчивого рукописного текста, известное большинству читателей по программному обеспечению от фирмы ABBYY (Fine Reader), имеет в своей основе тот же принцип.

Однако сходство между искусственными и естественными или биологическими системами носит чисто внешний характер. Необходимо сразу внести определенность в терминологию. В случае перечисленных программных продуктов мы имеем дело с распознаванием или узнаванием образов, а вот говоря о биологических системах вообще и человеке в частности, правильнее говорить об их понимании. В чем разница?

Диктуя своему скверно русифицированной программе Dragon Systems , легко можно обнаружить напечатанной фразу о том, что "Солнце ярко синело на небе". И "Дракон" может гордиться тем, что определил именно эту символьную последовательность с вероятностью 90%, так как слова "сияло" и "синело", с его точки зрения, почти не различаются. Если программа будет учитывать более полную статистику не только по словам, но и по словосочетаниям, (последние версии ряда Natural Speaking уже это делают), а процесс ее обучения составит не дни, а месяцы, что по человеческим меркам - довольно быстро, то, конечно, в следующий раз она запишет эту фразу правильно. Но принцип "узнавания" все же, останется именно узнаванием, а не пониманием.

С точки зрения "понимания", прежде всего, необходимо исключить вариант того, что повествование идет от лица собаки, которая из всего спектра цветов различает только оттенки синего, и, следовательно, для нее солнце действительно может "синеть", так как ничего иного ему не остается. Но если говорить серьезно, то для правильного понимания сказанной фразы необходимо иметь представление об описываемых образах реальности. Надо иметь опыт и помнить ощущения жары, лета, берега моря или иной ситуации, в которой данное описание могло бы иметь место. При этом слова (неважно, на каком языке, так как для понимания выбор языка не является принципиальным) являются лишь отражением этой реальности. С точки зрения нашего "Дракона" (или иной системы распознавания образов) это было бы возможным, если оснастить его температурными и световыми спектральными датчиками и отправить в отпуск, скажем, в Анталию. Иными словами, обеспечить ему весь набор органов чувств, сходных с человеческими, и позволить пройти процесс обучения с целью накопления базы данных жизненного опыта хотя бы пятилетнего ребенка. Вывод прост - адекватное человеческому понимание речи или иной вводимой информации возможно только при тождественности жизненного опыта и устройств ввода. Ведь программа распознавания может быть достаточно совершенна и адекватна, но только самой себе. Все ее "органы чувств" состоят из микрофона и клавиатуры, а жизненный опыт - это те часы тренировки и запоминания речевой модели при диктовке, которые она, собственно, и "прожила", как уникальное виртуальное "существо" во взаимодействии со своим окружающим миром, ограниченным голосом "хозяина".

Но и этого еще не достаточно для "понимания". Одной из самых важных черт систем искусственного и "естественного" интеллекта является способность к самообучению. В системах распознавания образов, помимо первичной тренировки изначально установленных словарей и таблиц символов, существует еще и процесс исправления ошибок распознавания, который также запоминается и становится частью их "жизненного опыта". Это очень похоже на дрессировку. Правда, возможности стимулирования здесь сильно ограничены. Правильно определенное слово (или символ) проходит "по умолчанию", а вот ошибка требует ручного ввода нужного значения и, возможно, его дополнительной тренировки. При этом системе, в общем-то, все равно, правильно или нет была определена данная последовательность. Отрицательные эмоции приходятся на долю пользователя-дрессировщика. С собачкой Павлова дело обстоит более жестко: за правильную последовательность действий - сахар, а за ошибку - можно и удар электротоком (или просто удар) получить. Справедливее было бы, если ручная коррекция ошибок распознавания (или, в более общем виде, исправление неправильной с точки зрения "хозяина" реакции на команду или сигнал) вызывала "отрицательные эмоции" именно у системы. Представляете - вы вносите исправление в продиктованный текст, а ваш "Дракон" жалобно попискивает от обиды и переживаний за свою некомпетентность (а может, так оно и есть?)!

В природе существует два механизма совершенствования поведенческих реакций (в нашем примере - это вывод в текстовой форме продиктованного и распознанного материала). Для простейших организмов - это, в основном, принцип естественного отбора, когда наиболее адекватно реагирующие на окружающую среду особи оказываются и наиболее плодовитыми, а сами реакции закрепляются в генетическом коде. Для наиболее развитых представителей и, соответственно, для более сложных поведенческих реакций основным становится механизм мотивации за счет эмоций. Уже не просто физическая боль, чувство голода или стремление к размножению, но и весь мир страданий и радостей - часто по совершенно не понятным на первый взгляд причинам - становится той силой, которая движет человеком (или не только человеком?) по пути самообучения и развития.

Вспомним Книгу Иова (глава 5): "Но человек рождается на страдание, как искры, чтоб устремляться вверх". Вопрос только в том, положительная или отрицательная мотивация (кнут или пряник) преобладает в каждой конкретной жизни. Обычно приходится иметь дело с обоими вариантами, а вообще - кому как повезет...

Из этого следует, что, кроме неадекватности мировосприятия, вторым отличием современных систем искусственного интеллекта является отсутствие стимулов или мотивации для развития как на индивидуальном, так и видовом уровне. Но это отличие является вполне преодолимым.

Если говорить о развитии на видовом уровне, то уже известны "мутирующие" вирусы, которые хотя и не являются интеллектуальными в полном смысле, но зато уже вполне способны в процессе естественного отбора в искусственной среде передавать своим "потомкам" наиболее зловредные черты, препятствующие их отлову.

Вопрос мотивации или создания стимулов к развитию на эмоциональном уровне также является вполне разрешимым. Для этого достаточно понять, что эмоция, положительная или отрицательная, - это всего лишь, соответственно, положительная или отрицательная обратная связь, свойственная любому автоматическому устройству. Поясню: отрицательная эмоция, или отрицательная обратная связь, - это процесс, в котором заложено стремление к его прекращению. Соответственно, и положительная эмоция, или положительная обратная связь, - это процесс, несущий тенденцию к своему продолжению или многократному повторению. Варианты их технической реализации многочисленны, и практически любое устройство - от классического сливного бачка с поплавком и клапаном до современного электрочайника - содержит в себе несколько примеров обратных связей. Естественные же и природные системы буквально насыщены их всевозможными вариантами. Важно отметить, что, в отличие от отрицательной, положительная обратная связь всегда склонна к насыщению, то есть прекращению своей "положительности" с течением времени или после повторения нескольких циклов. Это является принципиальной особенностью. Чисто житейский вывод - страдание бесконечно, а удовольствие всегда ограниченно ("вечный кайф" недостижим). Так что в приведенной цитате из Книги Иова, к сожалению, больше правды, чем нам хотелось бы. Да и кто когда-нибудь слышал, чтоб удовлетворенный и довольный субъект создал что-нибудь достойное внимания, кроме как в области кулинарии?

Внутренние противоречия, конфликты и неудовлетворенность всегда были нормой в творческой среде. Можно попытаться вывести общую закономерность о преобразовании количества неудовлетворенности и страдания в импульс развития, но категории являются слишком общими и расплывчатыми. Одно ясно - Господь Бог посредством применения теории эволюции и теории игр в полной мере оснастил нас комплексом взаимоисключающих желаний и связанными с ними переживаниями для нашего же развития на благо общего прогресса. Причем мера персональных страданий каждого из участников процесса значения не имеет и заслугой не является, а что является конечной целью этого самого прогресса - одному Богу ведомо. Как это очевидное положение совместить с образом Христианского Бога, любящего и всепрощающего, мне пока не ясно. Может, кто на форуме разъяснит. У Ирины Богушевской на эту тему есть замечательная песенка со словами: "Небесам все равно, что будет с нами"... Поэтическое и научное восприятие мира часто приводят к одинаковым выводам.

А что если для стимуляции обучения, по примеру Господа Бога, поступившего так с нами, дать им возможность безграничного страдания и кратковременной радости?

Оказывается, подобная работа уже ведется. В качестве стимула выбрано элементарное чувство голода, или - поясню для тех, кто не знает, что это такое, - физиологическое ощущение возможного прекращения существования при отсутствии некоторых внешних компонентов. Речь идет об уникальной серии "Гастророботов", извлекающих электроэнергию из переработки белков и углеводов в специальном биореакторе. Первой машиной в ряду вечно голодных творений человека является "Жуй-жуй" (Chew Chew), сконструированный Стюартом Вилкинсоном (Stuart Wilkinson) в Университете Тампа (Южная Флорида). Сам изобретатель считает мясо идеальным кормом для своего создания, однако пока "Жуй-жуй" ест кусочки сахара, так как при этом, на радость лаборантам, он оставляет минимум "фекалий". Основной стратегией робота является изучение окружающей среды - вполне реальной, с целью обнаружения и потребления пищи. Адекватность восприятия окружающего мира является достаточно условной и достигается при помощи ультразвуковых сонаров. "Жуй-жуй" пока не сможет подкрасться к вам незаметно, так как состоит из трех вагончиков на колесах, длиной около метра каждый, и похож на поезд детской железной дороги. Постоянное чувство голода - его нормальное состояние, так как аккумуляторы требуют непрерывной подзарядки. Продолжением проекта должна стать подводная машина, питающаяся рыбой и предназначенная для патрулирования побережья и защиты купающихся от акул. Как бы здесь программисты не ошиблись и не создали реальные стальные "челюсти", ведь пловец более легкая добыча, чем акула и автономный "Жуй-жуй" может легко переучиться в "Кус-куса". А какие мысли будут в его вечно голодных электронных мозгах, когда он будет наблюдать беззащитного "Творца", проплывающего вверху, на поверхности?

Несомненно, что развитие науки и технологии в области искусственного интеллекта создает целую группу вопросов, требующих своего решения. Среди них есть и морально-этические проблемы. Причем голодающий, жаждущий мяса "Жуй-жуй" - пожалуй, не самая главная из них. Некоторые из них мы рассмотрим в последующих статьях цикла.

Сейчас же я хотел бы сформулировать вывод, который, возможно, поможет по-иному взглянуть на окружающие предметы, животных и людей. Он заключается в следующем - почти все, что находится рядом с вами, наделено в той или иной мере способностью к отражению мира, к страданию или радости и демонстрирует некоторые признаки интеллекта, далеко не всегда искусственного, а чаще - вполне естественного происхождения. То, что вы их не замечаете, не означает, что их нет. Просто они не совместимы с вашим уникальным восприятием мира.

Может, не так уж и не правы индуистские монахи и последователи некоторых древних учений, одушествляющие все окружающие предметы и наделяющие их способностью "мыслить", страдать и радоваться?

1.6 Искусственный интеллект - новая информационная революция.

Глава II

Квантовые компьютеры и нейрокомпьютеры.

Человек уже близко подошел к созданию высокотехнологичных машин, способных мыслить, подобно ему самому. Были изложены принципы работы этих машин. Сегодня полным ходом идут исследования в этой области.

Прежде чем подойти к третьей главе я посчитал целесообразным рассказать о том: что же собой представляют квантовые и нейрокомпьютеры.

2.1. Квантовый компьютер

Ресурс компьютеров, создаваемых сегодня на основе транзисторов, диодов, конденсаторов и прочих элементов, на самом деле ограничен. Это связано с тем, что минимальная ячейка электронной микросхемы не может быть меньше размера атома.

Для решения любой задачи требуется выполнение определенного количества операций. Существующие сейчас суперкомпьютеры способны проделывать где-то десять в двенадцатой степени операций в секунду. Однако есть огромное количество самых разных задач, для решения которых требуется десять в тысячной степени операций. Даже самые мощные суперкомпьютеры будут «молотить» такой результат в течение многих миллиардов лет.

В восьмидесятых годах прошлого века известный американский физик, лауреат Нобелевской премии Ричард Фейнман обнаружил, что обычный компьютер в принципе не сможет рассчитать даже один атом, хотя его структура достаточно простая: ядро, состоящее из нескольких частиц, и электроны. А про систему из многих атомов и говорить нечего. Фейнмана осенила идея: если подобные задачи не под силу электронным машинам, то, может, для этих целей стоит создать компьютер, работающий по квантовым законам?

«Спусковым крючком» для международного ажиотажа вокруг этой идеи стала программа для гипотетического, невообразимо мощного компьютера, которую написал один американский математик. Это дало пищу для бурной фантазии физиков, которые тут же принялись создавать в своих рассуждениях фантастическую вычислительную технику. Появилась масса всевозможной литературы, посвященной тому, как будет работать новый тип машин, получивших название «квантовые компьютеры».

Заинтересовались новой темой и наши соотечественники. В начале девяностых прошлого века в Физико-технологическом институте Академии наук (ФТИАН) вплотную занялся перспективным направлением академик Камиль Валиев. До этого он много лет трудился в области транзисторной микроэлектроники в Зеленограде - в созданных им Институте молекулярной электроники и заводе «Микрон». Еще в те годы его не раз посещала мысль, что мир самых маленьких частиц можно использовать для создания принципиально новой техники.

Несколько лет ушло на то, чтобы разобраться с новой темой. И только затем появились первые результаты, поначалу теоретические - в виде идей, изложенных в статьях, книгах. Стали проводиться и экспериментальные работы. Академик начал «заманивать» на работу по новой теме разные лаборатории, и не только родного ФТИАНа, но и других институтов Москвы, Ярославля, Черноголовки...

Сейчас нашими учеными развиваются идеи разных вариантов новых вычислительных машин.

Квантовый компьютер отличается от обычного тем, что способен выполнить практически любое число операций и буквально за секунду решить задачу, с которой самая мощная из существующих на сегодня электронных машин «мучилась» бы вечность».

В случае классических компьютеров ситуация простая: транзистор либо включен, что соответствует «логической единице», либо выключен - «логический нуль». А в квантовом компьютере дело обстоит иначе. Квантовый аналог транзистора может находиться одновременно и во включенном, и в выключенном состоянии. Чтобы лучше понять это, рассмотрим электрон. Эта частица, являясь неделимой, в одно и то же мгновение может проходить сразу через два отверстия? Наглядная аналогия из нашего, большого мира: брошенный нами мяч никогда не попадет сразу в два окна ближайшего дома, а только в одно. А вот электрон в этом смысле уникален, он находится и здесь, и там, и где угодно в одно и то же время. Это свойство самых маленьких частиц и создает для квантовых компьютеров невообразимые вычислительные возможности. А что является рабочей частью квантового компьютера? Вариантов много, они исчисляются десятками. Один из них - «ионы в ловушках». В этом случае роль кубита играет отдельный ион, обычно рубидия или кальция. Частицы должны находиться в вакууме в «подвешенном» состоянии в виде одномерного кристалла. Это можно сделать с помощью переменных электрических полей. Кстати, во ФТИАНе сейчас занимаются экспериментальной подготовкой для создания подобных ловушек.

Работа непростая. Сложность заключается в том, что для квантового компьютера нужна хотя бы сотня ионов, а в цепочке можно «удержать» максимум 30 частиц. При большем количестве кристалл ломается. Для решения этой проблемы некоторыми учеными была предложена идея соединения ловушек, в каждой из которых по десять ионов. Для того чтобы такая конструкция работала как единое целое, необходимо постоянно перемещать ионы из одной ловушки в другую. Кроме того, лазерным лучом нужно «гонять» ионы с одного энергетического уровня на другой. Это, собственно, и есть процесс квантовых вычислений. Много и других проблем, которые сейчас решают ученые всего мира. Можно использовать также ионы, «висящие» над жидким гелием. Были даже попытки создать квантовый компьютер на специально синтезированной молекуле.

К сожалению сегодня не одно правительство не проявило пока большого интереса к квантовым компьютерам. Все экспериментальные работы ведутся в научных лабораториях маленькими группами ученых. Деньги для этой цели используются из университетских бюджетов, грантов. Но такого финансирования, как, скажем, при реализации атомного проекта или освоении космоса, пока нет. Хотя, стоит сказать, в период своего правления американский президент Билл Клинтон выделил миллиард долларов на развитие нанотехнологий, в том числе и квантовых компьютеров.

Квантовые компьютеры создают буквально на штучных ионах или даже одной молекуле - сотня ионов -вот и весь компьютер. Правда, частицы помещены в специальную оболочку с маленькими электродиками размером меньше сантиметра и сечением в доли микрона. В плане энергопоглощения устройство будет очень экономичное».

Можно ли говорить о замене в будущем электронных компьютеров на квантовые? Большинство учёных считают, что будут и те, и другие. Возможно, в обычном компьютере появится специальный квантовый процессор. Если нужно решить сверхзадачу, то будет использоваться этот процессор, а для остальных случаев достаточно обычного. То есть квантовые компьютеры станут «сверхмощным дополнением» к вычислительным машинам. И благодаря этому «дополнению» наука будет иметь мощнейшее орудие для своего дальнейшего развития, человечество получит колоссальные возможности. Станут реальными вещи, которые раньше казались фантастикой.

2.2 Нейрокомпьютер

Наряду с развитием персональных ЭВМ, сетей ЭВМ и высокопроизводительных суперЭВМ традиционной архитектуры в последние годы существенно повысился интерес к разработке и созданию компьютеров нетрадиционного типа и, прежде всего, нейрокомпьютеров. Связано это с тем, что, несмотря на высокую производительность современных суперЭВМ, приближающуюся к предельно допустимой, все еще остается много практически важных проблем, для решения которых нужны более мощные и более гибкие вычислительные средства. Они необходимы для глобального моделирования процессов в экосистемах, при решении задач нейрофизиологии, искусственного интеллекта, метеорологии, сейсмологии и т. п. Необходимы они и при создании систем управления адаптивных интеллектуальных роботов.

Нейрокомпьютер - это ЭВМ нового поколения, в которой аналогом программирования является перестройка структуры в ходе обучения. Эффективность его работы достигается специфической архитектурой, где элементы работают параллельно. Создание нейрокомпьютера базируется на основе изучения организации нейронных структур мозга.

Нейроинтеллект - это модель реальной сети нейронов, представляющая собой иерархически организованное параллельное соединение простых адаптивных элементов, взаимодействующих с объектами внешнего мира аналогично тому, как это имеет место в биологических объектах. Основные особенности нейрокомпьютеров заключаются в их способности к самоорганизации и обучению на примерах (самопрограммирование и самоорганизация). Наиболее перспективной областью применения является робототехника - создание роботов с элементами искусственного интеллекта. Для создания нейрокомпьютера необходимо решить вопрос об отдельных элементах, топологии связей между элементами и правилах изменения весов связей между элементами.

В качестве отдельных элементов нейрокомпьютера были представлены: предетекторы, детекторы новизны и тождества, модуляторы, мнемонические элементы, семантические элементы и командные нейроподобные элементы.

Основные принципы топологии связей между элементами определяются принципом кодирования, основаннoм на том, что отдельным значениям параметра кодируемого сигнала ставятся в соответствие определенные меченые линии. Правило изменения весов связей определяется принципом Хебба, гласящим, что синоптические контакты, задействованным непосредственно перед разрывом нейрона, повышают свою эффективность. Синапсы, задействованные, но не сопровождаемые разрядом нейрона ее снижают.

Бортовые ЭВМ таких роботов должны воспринимать большие объемы информации, поступающей от многих параллельно функционирующих датчиков, эффективно обрабатывать эту информацию и формировать управляющие воздействия на исполнительные системы в реальном масштабе времени. Более того, управляющие компьютеры интеллектуальных роботов должны оперативно решать задачи распознавания образов, самообучения, самооптимизации, самопрограммирования, т. е. те задачи, которые весьма сложны для традиционных ЭВМ и суперЭВМ. Поэтому остается актуальной необходимость в поиске новых подходов к построению высокопроизводительных ЭВМ нетрадиционной архитектуры. Среди таких подходов центральное место занимает нейрокомпьютерный подход.

Его суть состоит в разработке принципов построения новых мозгоподобных архитектур сверхпроизводительных вычислительных систем - нейрокомпьютеров. Подобно мозгу, такие системы должны обладать глобальным параллелизмом, самообучением, самооптимизацией, самопрограммированием и другими свойствами биологических систем. Ожидается, что нейрокомпьютеры в принципе смогут решить многие из тех проблем, которые сдерживают дальнейшее развитие научнотехнического прогресса.

По современным представлениям нейрокомпьютер (НК) - это система, предназначенная для организации нейровычислений путем воспроизведения информационных процессов, протекающих в нейронных сетях мозга. Структурной единицей НК служит специфический процессор - нейропроцессор (НП), имитирующий информационное функционирование отдельных нервных клеток - нейронов. Нейропроцессоры связываются друг с другом в нейроподобные структуры, имитирующие нейронные сети мозга. По этой причине, чем точнее НП воспроизводит информационную деятельность нервных клеток, и чем ближе конфигурации искусственных нейронных сетей к конфигурациям сетей естественных, тем больше шансов воспроизвести в НК самообучение, самопрограммирование и другие свойства живых систем.

С точки зрения вычислительной техники, каждый нейропроцессор представляет собой специализированное процессорное устройство, реализуемое программным, аппаратным или программно-аппаратным способом. В то же время это устройство имеет ряд особенностей. Во-первых, НП воспроизводит не произвольно выбранный набор операций, а только те операции, которые биологически обусловлены и необходимы для описания процессов переработки информации в нервных клетках. Во-вторых, при аппаратной реализации нейропроцессоров они, подобно нейронам мозга, связываются друг с другом индивидуальными линиями передач последовательных кодов. При большом числе процессорных элементов такая связь более эффективна, чем связь нейропроцессоров по общей шине или посредством индивидуальных параллельных шин.

Эти и другие особенности НП позволяют выделить их в самостоятельный класс процессорных устройств вычислительной техники.

Глава III Основы теории нейроподобных сетей.

Что позволяет человеку анализировать поступающую информацию? В терминологии нейрогенетики введено ключевое понятие - нейросеть. Именно совокупность нейросетей образует отделы нервной системы человека, которые в свою очередь определяют всю деятельность, придают существу разум, интеллект.

Мозг является, пожалуй, самой сложной из известных нам систем переработки информации. Достаточно сказать, что в нем содержится около 100 миллиардов нейронов, каждый из которых имеет в среднем 10 000 связей. При этом мозг чрезвычайно надежен: ежедневно погибает большое количество нейронов, а мозг продолжает функционировать. Обработка огромных объемов информации осуществляется мозгом очень быстро, за доли секунды, несмотря на то, что нейрон является медленнодействующим элементом со временем реакции не менее нескольких миллисекунд.

Пока не слишком понятно, как мозгу удается получить столь впечатляющее сочетание надежности и быстродействия. Довольно хорошо изучена структура и функции отдельных нейронов, имеются данные об организации внутренних и внешних связей между нейронами некоторых структурных образований мозга, совсем мало известно об участии различных структур в процессах переработки информации.

Ниже приводятся некоторые сведения об устройстве и работе нервной системы, которые используются при построении моделей нейронных сетей.

3.2. Нейрон как элементарное звено.

Нервные клетки, или нейроны, представляют собой особый вид клеток в живых организмах, обладающих электрической активностью, основное назначение которых заключается в оперативном управлении организмом. Схематическое изображение нейрона приведено на рисунке 1.

Рисунок 1. Схема строения нейрона

Нейрон имеет тело (сому) - 1, дерево входов (дендриты) - 4 и выходов (аксон и его окончания) - 2. Сома, как правило, имеет поперечный размер в несколько десятков микрон. Длина дендритов может достигать 1 мм, дендриты сильно ветвятся, пронизывая сравнительно большое пространство в окрестности нейрона. Длина аксона может достигать сотен миллиметров. Начальный сегмент аксона - 3, прилегающий к телу клетки, утолщен. Иногда этот сегмент называют аксонным холмиком. По мере удаления от клетки он постепенно сужается и на расстоянии нескольких десятков микрон на нем появляется миэлиновая оболочка, имеющая высокое электрическое сопротивление. На соме и на дендритах располагаются окончания (коллатерали) аксонов, идущих от других нервных клеток. Каждое такое окончание имеет вид утолщения, называемого синаптической бляшкой, или синапсом. Поперечные размеры синапса, как правило, не превышают нескольких микрон, чаще всего эти размеры составляют около 1 мкм.

Входные сигналы дендритного дерева (постсинаптические потенциалы СИНАПТИЧЕСКИЕ ПОТЕНЦИАЛЫ, биоэлектрические потенциалы, возникающие в местах специализированных межклеточных контактов -- синапсах -- во время передачи возбуждения от одной клетки (пресинаптической) к другой (постсинаптической).

) взвешиваются и суммируются на пути к аксонному холмику, где генерируется выходной импульс (спайк) или группа импульсов. Его наличие (или интенсивность), следовательно, является функцией взвешенной суммы входных сигналов. Выходной сигнал проходит по ветвям аксона и достигает синапсов, которые соединяют аксоны с дендритными деревьями других нейронов. Через синапсы сигнал трансформируется в новый входной сигнал для смежных нейронов. Этот входной сигнал может быть положительным и отрицательным (возбуждающим или тормозящим) в зависимости от вида синапсов. Величина входного сигнала, генерируемого синапсом, может быть различной даже при одинаковой величине сигнала, приходящего в синапс. Эти различия определяются эффективностью или весом синапса. Синаптический вес может изменяться в процессе функционирования синапса. Многие ученые считают такое изменение нейрофизиологическим коррелятом (следом) памяти. При этом роль механизмов молекулярной памяти заключается в долговременном закреплении этих следов.

Нейроны можно разбить на три большие группы: рецепторные, промежуточные и эффекторные. Рецепторные нейроны обеспечивают ввод в мозг сенсорной информации. Они трансформируют сигналы, поступающие на органы чувств (оптические сигналы в сетчатке глаза, акустические в ушной улитке или обонятельные в хеморецепторах носа), в электрическую импульсацию своих аксонов. Эффекторные нейроны передают приходящие на них сигналы исполнительным органам. На конце их аксонов имеются специальные синаптические соединения с исполнительными органами, например мышцами, где возбуждение нейронов трансформируется в сокращения мышц. Промежуточные нейроны осуществляют обработку информации, получаемой от рецепторов, и формируют управляющие сигналы для эффекторов. Они образуют центральную нервную систему.

3.3. Нейроподобный элемент.

На нейроподобный элемент поступает набор входных сигналов x1...хn (или входной вектор ), представляющий собой выходные сигналы других нейроподобных элементов. Этот входной вектор соответствует сигналам, поступающим в синапсы СИНАПС (греч. synapsis -- соединение, связь), зона контакта между нейронами и другими образованиями (нервными, мышечными или железистыми клетками), служащая для передачи информации от клетки, генерирующей нервный импульс к другим клеткам. биологиче-ских нейронов. Каждый входной сигнал умножается на соответ-ствующий вес связи w1…wn - аналог эффективности синапса. Вес связи является скалярной величиной, положительной для возбуждающих и отрицательной для тормозящих связей. Взвешенные весами связей входные сиг-налы поступают на блок суммации, соот-ветствующий телу клетки, где осущест-вляется их алгебраическая суммация и определяется уровень возбуждения нейроподобного элемента S:

Выходной сигнал нейрона у определяется путем пропускания уров-ня возбуждения S через нелинейную функцию f:

,

где и -- некоторое постоянное смещение (аналог порога нейрона). Обычно используются простейшие нелинейные функции: бинарная

сигмоидная:

В такой модели нейрона пренебрегают многими известными харак-теристиками биологического прототипа, которые некоторые исследо-ватели считают критическими. Например, в ней не учитывают нелиней-ность пространственно-временной суммации, которая особенно про-является для сигналов, приходящих по возбуждающим и тормозя-щим синапсам, различного рода временные задержки, эффекты син-хронизации и частотной модуляции, рефрактерность РЕФРАКТЕРНОСТЬ (от франц. refractaire -- невосприимчивый), в физиологии -- отсутствие или снижение возбудимости нерва или мышцы после предшествующего возбуждения. Рефрактерность лежит в основе торможения. Рефрактерный период длится от нескольких десятитысячных (во многих нервных волокнах) до нескольких десятых (в мышечных волокнах) долей секунды.

и т. п. Несмотря на это нейроподобные сети, простроенные на основе таких простых нейроподобных элементов, демонстрируют ассоциативные свойства, напоминающие свойства биологических систем.

3.4. Нейроподобные сети (НПС)

Что такое искусственные нейронные сети? Что они могут делать? Как они работают? Как их можно использовать? Эти и множество подобных вопросов задают специалисты из разных областей.

Что же такое нейроподобная сеть? Это искусственный аналог биологической сети, по своим параметрам максимально приближающийся к оригиналу. Нейроподобные сети прошли длинный путь становления и развития, от полного отрицания возможности их применения до воплощения во многие сферы деятельности человека.

Современные цифровые вычислительные машины способны с высоким быстродействием и точностью решать формализованные задачи с вполне определенными данными по заранее известным алгоритмам. Однако в тех случаях, когда задача не поддается формализации, а входные данные неполны, зашумлены или противоречивы, применение традиционных компьютеров становится неэффективным. Альтернативой им становятся специализированные компьютеры, реализующие нетрадиционные нейросетевые технологии. Сильной стороной этих комплексов является нестандартный характер обработки информации. Она кодируется и запоминается не в отдельных ячейках памяти, а в распределении связей между нейронами и в их силе, поэтому состояние каждого отдельного нейрона определяется состоянием многих других нейронов, связанных с ним. Следовательно, потеря одной или нескольких связей не оказывает существенного влияния на результат работы системы в целом, что обеспечивает ее высокую надежность.

Высокая «естественная» помехоустойчивость и функциональная надежность касаются как искаженных (зашумленных) потоков информации, так и в смысле отказов отдельных процессорных элементов. Этим обеспечиваются высокая оперативность и достоверность обработки информации, а простая дообучаемость и переобучаемость НПС позволяют при изменении внешних факторов своевременно осуществлять переход на новые виды решаемых задач.

Приведенные выше преимущества нейросетевой обработки данных определяют области применения НПС:

· обработка и анализ изображений;

· распознавание речи независимо от диктора, перевод;

· обработка высокоскоростных цифровых потоков;

· автоматизированная система быстрого поиска информации;

· классификация информации в реальном масштабе времени;

· планирование применения сил и средств в больших масштабах;

· решение трудоемких задач оптимизации;

· адаптивное управление и предсказание.

Основные положения теории деятельности головного мозга и математическая модель нейрона были разработаны У. Маккалоком и Ч. Питтсом в 1943 году и опубликованы в статье «Логическое исчисление идей, относящихся к нервной деятельности», которая была издана на русском языке в сборнике «Автоматы» только спустя 13 лет. Согласно предложенной модели мозг представляет собой ансамбль нейронов, имеющих одинаковую структуру. Каждый нейрон реализует некоторую функцию, называемую пороговой, над входными значениями. Если значение функции превышает определенную величину - порог (что характеризует суммарную значимость полученной нейроном информации), нейрон возбуждается и формирует выходной сигнал для передачи его другим нейронам. Пройдя путь от рецепторов (слуховых, зрительных и других) через нейронные структуры мозга до исполнительных органов, входная информация преобразуется в набор управляющих воздействий, адекватных ситуации.

Отдельные нейроны, соединяясь между собой, образуют новое качество, которое, в зависимости от характера межнейронных соединений, имеет различные уровни биологического моделирования:

· группа нейронов;

· нейронная сеть;

· нервная система;

мыслительная деятельность;

· мозг.

Другими словами, нейроподобная сеть -- это параллельная связная сеть простых адаптивных элементов, которая взаимодействует с объектами реального мира аналогично биологической нервной системе. С инженерной точки зрения такая сеть представляет собой сильно распараллеленную динамическую систему с топологией направленного графа, которая может выполнять переработку информации посредством изменения своего состояния в ответ на постоянный или импульсный входной сигнал.

В настоящее время основными направлениями реализации НПС являются: программная реализация на цифровых ЭВМ традиционной архитектуры; программно-аппаратная реализация в виде сопроцессоров к ЭВМ общего назначения; аппаратная реализация путем создания нейрокомпьютеров на базе нейроплатв виде параллельных нейроподобных структур.

Ранние варианты реализации НПС относятся к первым двум из указанных направлений. Первое направление характеризуется универсальностью, дешевизной и низкой скоростью обучения и функционирования НПС. Для второго направления характерна высокая скорость моделирования функционирования НПС, но при этом существуют серьезные физические ограничения числа моделируемых элементов и связей между ними, а также возможностей обучения и до обучения. По мере развития элементной базы ЭВМ стало возможным самостоятельное развитие третьего направления, которое положило начало индустрии нейрокомпьютеров, представляющих совокупность аппаратных и программных средств для реализации моделей нейронных сетей.

На сегодняшний день известно уже более 200 различных парадигм ПАРАДИГМА (от греч. paradeigma -- пример, образец), в философии, социологии -- исходная концептуальная схема, модель постановки проблем и их решения, методов исследования, господствующих в течение определенного исторического периода в научном сообществе. Смена парадигм представляет собой научную революцию.

нейронных сетей (не только детерминированных, но и вероятностных), десятки НПС реализованы в специализированных кристаллах и платах, на их основе созданы мощные рабочие станции и даже суперкомпьютеры. Современные технологии достигли того рубежа, когда стало возможным изготовление технической системы из 3…4 млрд. нейронов (именно такое количество их в мозгу человека). Однако их соединение продолжает оставаться проблемой.

3.5 Обучение нейроподобной сети

Одно из важнейших свойств нейроподобной сети -- способность к самоорганизации, самоадапта-ции с целью улучшения качества функционирования. Это достигается обучением сети, алгоритм которого задается набором обучающих правил. Обучающие правила определяют, каким образом изменяются связи в ответ на входное воздействие. Многие из них являются разви-тием высказанной Д. О. Хеббом идеи о том, что обучение основа-но на увеличении силы связи (синаптического веса) между одновремен-но активными нейронами. Таким образом, часто используемые в сети связи усиливаются, что объясняет феномен обучения путем повторения и привыкания. Математически это правило можно записать сле-дующим образом:

,

где wij(t) и wij(t+1) - значение веса связи от i-го к j-му нейрону соответственно до и после его изменения, б -- скорость обучения, yi и yj -выходные сигналы i-го и j-го нейронов. В настоящее время существует множество разнообразных обучающих правил (алгоритмов обучения).

Глава IV

Может ли компьютер мыслить?

4.1 Реально ли компьютерное мышление?

Наконец я подошел к заключительной главе своей работы. В предыдущих главах была изложена сущность построения систем искусственного интеллекта, было рассказано о нейро и квантовых компьютерах, а так же нейронных сетях, здесь же, анализируя полученную мною из различных литературных источников информацию, я попытаюсь окончательно ответить на вопрос: «Может ли компьютер мыслить?»

Уверенно утвердительный ответ на вопрос в заголовке темы моей работы уже давно дали многие выдающиеся ученые, в том числе:

* профессор массачусетского технологического института Норберт Винер «Вопрос. Говорят, что вычислительные машины думают. Так ли это? Ответ. Если иметь в виду нынешнее положение вещей, то вычислительные машины могут обучаться. Вычислительные машины могут учиться улучшать свою работу путем ее анализа. Что вещи такого рода получат гораздо большее развитие в будущем в этом, я думаю, не приходится сомневаться»

* директор киевского института кибернетики академик Виктор Михайлович Глушков «Необходимо, однако, подчеркнуть, что никаких априорных ограничений для автоматизации интеллектуальной деятельности не существует. Нередко в качестве доказательства наличия таких ограничений приводят знаменитую теорему Гёделя о неполноте арифметики… Данный аргумент, однако, неубедителен...» Перед современными учёными, занимающимися сегодня изучением и созданием систем искусственного интеллекта встают сегодня две следующие проблемы:

* может ли компьютер мыслить обычным образом, как все люди, т. е. понимать устную и письменную речь, переводить с одного языка на другой, узнавать людей и др. объекты, отвечать на вопросы и т. п.;

* может ли компьютер мыслить творчески, т. е. решать творческие задачи, которые пока что могут решать только очень немногие из людей.

В эпоху компьютерной эйфории прошлого века этот вопрос занимал всех. Со временем накал дискуссий ослаб: люди решили, что ЭВМ - нечто иное и чуждое и похожей на человека она не будет. Так в чём же отличие компьютерного мышления от мышления человека?

Отвечать на эти вопросы, естественно, нужно порознь. При этом нужно учитывать, что категории простого и сложного в живой природе и человеческой цивилизации зачастую определяются по-разному.

Так, в различного рода созданных человеком машинах широко используются вращающиеся детали, а в живой природе они не используются никогда. Живые летающие существа используют машущие крылья, в созданных же человеком летательных аппаратах они не используются. Живые наземные существа передвигаются на ногах, а в созданных человеком наземных транспортных средствах вместо ног используются колеса.

Еще пример. В математике для человека простейшими являются операции сложения, вычитания, умножения и деления. А дифференцирование и интегрирование полагаются гораздо более сложными математическим операциями. В аналоговой же радиоэлектронике простейшими для реализации являются математические операции дифференцирования, интегрирования, сложения и вычитания, а умножение и деление - гораздо более сложными операциями. И подобных примеров можно привести множество. Поэтому не должен вызывать слишком большого удивления тот факт, что для человека и для компьютера сравнительная сложность разных видов мышления является неодинаковой.

Так, для человека более простым является обычное мышление и гораздо более сложным творческое мышление. А для компьютера, наоборот, обычное мышление является более сложным и более простым - творческое мышление. Поэтому общепринятая в настоящее время последовательность работ, когда преобладающее внимание уделяется соответствующей обычному человеческому мышлению проблеме искусственного интеллекта, позволяющей в перспективе понять работу человеческого мозга, а исследование механизмов творческого мышления откладывается на потом, является неверной. Поскольку проблемы искусственного интеллекта являются очень сложными, они будут решены еще очень не скоро.

По этому поводу директор института имени Алана Тьюринга в Глазго доктор Дональд Мичи в 1984г. писал: «…существует множество … естественных задач; многие из них для человека настолько тривиальны, что решая их он, редко осознает, что проявляет замечательные способности, к которым на современном уровне развития вычислительной техники невозможно даже подступиться. Среди этих задач - владение естественным языком, понимание устной речи, умение разобраться в окружающей обстановке через зрительное восприятие».

Про это же в 2004 г. профессор Харьковского национального университета В. М. Куклин писал: «Природа, конечно, подсказывает нам, как создать искусственный интеллект, но люди пока не способны повторить достижения природы даже в минимальной степени. Похоже, что человек совершает только первые и неуверенные шаги к осознанию того, какими удивительными… способностями он обладает, а также каким уникальным явлением природы он сам по себе является». В то же время проблема использования персональных компьютеров для высокоэффективной помощи человеку в решении его творческих задач, т. е. проблема компьютерного интеллекта, может быть успешно решена в кратчайшие сроки. Почти все необходимые для этого программно-технические средства уже созданы.