Чтение онлайн

В качестве примера можно рассмотреть задачу, где нужно выявить наличие подводных мин при помощи гидролокатора. Основная проблема: по отраженному сигналу отличить мину от камня или какого-нибудь другого предмета на дне. Невооруженным ухом сделать это практически невозможно. При этом, разумеется, отраженные эхо-сигналы мины и камня различны, но точно так же отличаются сигналы от камней из разных пород, от мин разного размера и конструкции или от предметов из других материалов. Размер, форма, расположение на дне – все эти факторы влияют на параметры отраженного эхо-сигнала. Так что эта задача, актуальная во время военных действий или при очистке акватории от мин после них, очень непроста. Некоторые устойчивые признаки есть, но они носят комбинаторный характер, то есть включают в себя множество комбинаций подобных характеристик. Мы не сможем свести различия эхо-сигналов от разных предметов (мин и камней) к каким-либо единичным характеристикам – например, мощности сигнала и его частоте. Для того чтобы отличить мину от камня, мы должны оперировать совокупностью параметров.

Предположим, нам надо проанализировать определенный эхо-сигнал на 13 частотных диапазонах и измерить амплитуду сигналов в каждом диапазоне. Обозначим частоты буквами латинского алфавита: А, В и далее до М – и чисто теоретически скажем, что мощность сигнала в каждом диапазоне может варьироваться от 0 до 10 баллов. Маловероятно, что данные, полученные хотя бы в одном из диапазонов, были достаточны для принятия четкого решения – камень или мина. В данном случае решить эту задачу, то есть установить отличительные признаки камней и мин, совсем не так просто. Недостаточно сказать – все камни отражают сигнал мощностью выше 7 баллов в диапазоне Н, а все мины – меньше 7 или, скажем, «если эхо-сигнал обнаружил камень, то мощность его в диапазоне С будет в 2–3 раза больше мощности в диапазоне J», тогда задача решалась бы просто. Единственная вразумительная схема, благодаря которой можно отличить камень от мины, должна выглядеть примерно следующим образом: «Есть вероятность, что эхо-сигнал получен от мины, если либо суммарное значение в диапазонах A, D и L в 6 раз превышает значения, полученные в диапазонах E и F, и в то же время H минус K меньше, чем половина J деленное на B; либо суммарное знание G, H, K и L более чем в 3,5 раза превышает суммарное значение A, B и C, поделенное на разницу между I и M». Чтобы точно определить разницу между миной и камнем, если это вообще возможно, нам нужны схемы именно такой степени сложности: их очень трудно обнаружить, распознать и еще труднее описать.

На самом деле операторы, которые обрабатывают данные эхолотов, временами могут довольно точно отличать камень от мины, однако, как участники экспериментов на познание путем впитывания, не могут четко выразить, что именно они знают. И все же человек не безупречен, а подобные ошибки могут стоить очень дорого. Чтобы научить искусственный интеллект отличать мины от камней, мы должны сделать так, чтобы он столкнулся с такой ситуацией на практике и накопил собственный опыт.

Нейронная сеть, включающая в себя только 22 разных нейрона, смогла на удивление верно показать, как осуществляется этот процесс. Нейроны расположены в три яруса (см. рис. 9). На первом ярусе находятся 13 чувствительных, или сенсорных, нейронов, соответствующих 13 диапазонам, на которые раскладывается звуковой спектр эхо-сигнала. Они настроены на определение мощности сигнала внутри определенного диапазона, а также излучают сигнал, пропорциональный их мощности, как настоящие нейроны передают потенциал действия. Все 13 нейронов посылают сигналы каждому из семи, находящихся на следующем ярусе, а каждый из них, в свою очередь, посылает отраженный сигнал каждому из двух нейронов с последнего яруса, обратный сигнал которых распознается как «мина» или «камень». Такая упрощенная модель мозга не способна построить больше связей, при этом она может четко продемонстрировать избирательную чувствительность каждого нейрона ко всем сигналам, которые он получает, именно так, как это происходит с настоящими нервными клетками.

Рис. 9. Простая нейронная сеть, помогающая отличить подводные камни от мин

Задача сети заключается в том, чтобы на основе опыта постепенно отрегулировать эту чувствительность так, чтобы поток возбуждения через связи гарантированно возбудил нейрон «камень», если там камень, и нейрон «мина», если есть мина. Ни программист, ни тем более компьютер изначально не знают, какая именно нужна чувствительность. Они даже не знают, существует ли такая чувствительность, которая нужна, чтобы справиться с задачей. Самое лучшее, что может сделать программист, – взять много разных настоящих эхо-сигналов, которые точно были получены от мины или камня, и один за другим запустить их в сеть. После того как сеть сформирует решение, программист должен определить, правильное оно или ошибочное. На этапе подготовки компьютеру задают несколько простых правил, с их помощью он может отрегулировать или подстроить чувствительность нейронов, основываясь на информации об успешности выполненной операции. Например, можно запрограммировать сеть таким образом, чтобы она определяла чувствительность после каждой попытки, исходя из того, был ли сигнал связан с правильным или ошибочным ответом. Величина поправки сигнала зависит от его отклонения в ту или иную сторону: правильные сигналы подстраиваются лишь немного, ошибочные – сильнее. Сначала «мозг» получает большое количество ответных реакций, после которых ему говорят – правильные это реакции или ошибочные. После этого его можно протестировать, используя новую серию сигналов, с которыми он никогда не встречался, и посмотреть на результат.

В этом примере сеть ведет себя точно так же, как участники экспериментов на познание путем впитывания. Простые нейронные сети отлично моделируют этот путь познания. Сеть начинает угадывать, делая при этом много ошибок, но постепенно начинает работать все лучше и лучше, пока, в конце концов, не научится точно различать камень и мину по эхо-сигналу, чего раньше ей не удавалось. Такая модель ясно показывает, что мозг делает то же, что делают люди: сначала он обнаруживает запутанные схемы, которые нельзя описать словами, и эти схемы включены в огромный спектр разных событий и ощущений, затем схемы используются для определения подходящего действия. Ни реальный человек, ни искусственный мозг не знают, что именно они делают и чем при этом руководствуются. Эти знания – весь наш опыт и мудрость – зависят от настроек, которые определяются взаимодействием нейронов мозга друг с другом. Эти настройки просто направляют поток возбуждения по разным каналам и по-разному их комбинируют. Все, что нужно нашему мозгу, – это пища: впечатления, обратная реакция и неосознанное широкое внимание к тому, что происходит вокруг. Все остальное мозг сделает сам.

Стоит отметить, что в модели определения разницы между минами и камнями искусственный мозг лучше справился с задачей и дал большую точность, чем оператор гидролокатора на подводной лодке за всю свою долгую карьеру. Несмотря на простоту схемы, нейронная сеть превосходит человека не потому, что компьютер умнее, а в силу того, что за весь период эволюции у нас так и не развились настолько чувствительные уши, чтобы они могли разложить все эхо-сигналы на множество частотных диапазонов. Можно совершенно уверенно предположить, что если бы в задаче вместо сигналов слышался плачь младенца и нужно было определить, малыш хочет есть или у него болит живот, то матери дали бы компьютеру сто очков вперед. При этом есть шанс, что если научить дельфина определять разницу между камнями и минами, то он бы выиграл и у компьютера, и у оператора локатора.

Наше несовершенство лишний раз напоминает о том, что, безусловно, существуют пределы сложности задач, с которыми может справляться «расслабленный» мозг. В мире существует множество неуловимых сигналов и случайностей, которые не может вместить даже «четко отрегулированный» человеческий мозг, в особенности это касается ситуаций, которые в прошлом не были связаны с выживанием либо относятся к технологическим, фармацевтическим или социологическим моделям, которые наш биологический приемник не приспособлен улавливать. А также есть масса ситуаций, с которыми мы хотели бы справляться, но в них не содержится никакой информации или схем, которые можно взять на вооружение. При этом совершенно ясно, что основные технические характеристики бессознательного мозгового биокомпьютера позволяют обнаружить, запомнить и использовать информацию гораздо менее уловимую, чем та, о которой мы можем говорить или думать. Если мы не способны воспринять разум целиком, как нечто сознательное и размышляющее, и не придаем значения ценности или даже существованию неосознанных путей познания, нас это сделает глупее и беднее духовно.

Передача возбудительных сигналов от одного нейронного кластера к другому зависит от того, как наш мозг проложил каналы и настроил в данный момент чувствительность. По мнению нейробиолога из Оксфорда Сьюзан Гринфилд, как от брошенного в озеро камушка по воде начинают разбегаться круги, так и импульс в одной части мозга образует эпицентр, от которого возбуждение распространяется дальше, взаимодействует с другими потоками, активируя новые эпицентры. Можно увидеть, как это происходит на деле. Израильские ученые Рон Фростиг и Амирам Гринвальд вместе с другими коллегами провели исследование с использованием специальных красящих веществ, которые можно ввести в нейроны коры. Когда клетка становится активной и в ней появляется электрический заряд, вещество начинает светиться. Если вспышка света направлена на глаз животного, то можно видеть, как мгновенно формируется кластер, а через 10 миллисекунд он может удвоиться. Через 300 миллисекунд может образоваться очень большая группа активных клеток, которая будет занимать довольно широкую область мозга.

Немецкий нейрофизиолог Вольф Зингер продемонстрировал рассредоточенный характер нейронных кластеров. Он обнаружил, что даже нейроны, расположенные далеко друг от друга по всей зрительной коре, могут синхронизировать импульсы в ответ на стимуляцию. Таким образом, как я уже излагал, возбуждение протекает не буквально от места к месту, а между отдельными схемами, которые постоянно перетекают одна в другую. Я настаиваю, что «мозговой рельеф» – это понятие, связанное с функциями нейронов, а не с расположением. Если бы можно было проследить за работой мозга и упростить ее, вряд ли мы увидели бы «ярко освещенный поезд, несущийся сквозь ночь»; скорее всего, зрелище больше напоминало бы «калейдоскоп со светящимися стеклышками, который постоянно трясут». Однако, к сожалению, у нас нет технической возможности продемонстрировать все эти мерцания и переливы, и не только потому, что клетки движутся очень быстро. Эд Эрстон и Джордж Герштейн показали, что кластеры нейронов очень подвижны, они всего за несколько миллисекунд формируются и снова расходятся. Более того, в любую минуту один и тот же нейрон может быть задействован разными кластерами. Несмотря на большие технические трудности, все-таки есть подтверждение существования нейронных схем и описание их свойств {132} .

Кроме долгосрочных, или, иначе говоря, структурных, изменений мозга существуют временные воздействия на его способность быстро реагировать. Изменения мозгового рельефа происходят под влиянием менее постоянных причин. Например, на реакции мозга могут определенным образом влиять потребности. Если животное хочет есть, пить, чувствует опасность или находится в состоянии полового возбуждения, группы нейронов принимают аналогичную схему действия. Другими словами, начинают работать согласованно и более активно, чем в мозгу отдохнувшего, сытого и удовлетворенного животного.

Похоже, что сильное возбуждение прочно связывает группы нейронов в «кластеры специального назначения», и это, по словам Сьюзан Гринфилд, имеет ряд любопытных последствий, кроме того, что такие кластеры становятся весьма легко возбудимыми.

Учитывая, что между нейронами существуют не только возбуждающие, но и тормозящие связи, слишком сильная активность может оказать на соседние клетки смешанный эффект, когда одни близлежащие клетки будут лучше возбуждаться, а другие – подавляться. В частности, между нейронами кластера, которые в данный момент активны, и теми, что находятся за его пределами, возникает так называемое взаимное, или реципрокное, торможение. И степень такого торможения способствует образованиям более или менее конкурентных связей между разными центрами деятельности. Когда вокруг одного кластера создается сильное торможение, оно подавляет другие потенциальные эпицентры и в то же время усиливает границы собственной схемы. Вместо того чтобы воздействовать на окружающие нейроны, торможение способствует образованию более четко очерченных каналов, а нейронные воздействия любого центра активности становятся более ограниченными. Под действием бикукулина – вещества, которое блокирует взаимное торможение между нейронами, – скорость мозговой деятельности может увеличиться на порядок. Таким образом, когда степень возбуждения ниже, одновременно могут быть стимулированы несколько различных центров деятельности, потому что конкуренция не такая жесткая, и в то же время схемы, по которым идет возбуждение, начатое в разных центрах, могут переходить одна в другую, как разводы акварельных красок на мокрой бумаге. Сьюзан Гринфилд утверждает, что от этих эффектов может возникнуть третье последствие возбуждения: именно из-за большей конкуренции любая «победившая» группа нейронов не в состоянии сохранять стабильность, поэтому может быть подавлена следующим эпицентром в любой момент, что увеличит скорость цепочки мыслей.