На первый взгляд это сходство кажется весьма обнадеживающим. Разве эта языковая система не описывает физический, неодушевленный механизм по аналогии с биологической системой? А неудача попыток такого описания - разве не то, о чем я сожалел, говоря о картезианских представлениях XVII века? Увы, нет. В дальнейшем станет понятно, что практический и идеологический потенциал техники превосходит возможности биологии, так что метафора инверсируется. Вместо биологизации компьютера мы сталкиваемся с настойчивыми утверждениями, что человеческая память - это всего лишь менее совершенный вариант компьютерной памяти, и если мы хотим понять, как работает наш мозг, нам следует больше сил отдавать исследованию и конструированию компьютеров.
Это отнюдь не заблуждение отдельных энтузиастов научной фантастики. Такая мысль с самого начала была центральной в программе создателей компьютеров и разделявших их взгляды философов. Сам Тьюринг обосновал ее в 1950 году, незадолго до самоубийства, с помощью одной из своих многочисленных логических игр. Предположим, что вы связаны через телетайп с другим телетайпом, находящимся в соседней комнате. Этот второй телетайп может контролироваться либо оператором, либо машиной. Как определить, кто поддерживает с вами связь: человек или машина? Очевидно, что машина должна быть достаточно умна, чтобы имитировать возможные ошибки человека, а не демонстрировать безупречное выполнение задач, с которыми машины справляются лучше человека (быстроту и точность вычислений). В то же время машина должна не хуже человека делать то, что последний выполняет безукоризненно, а в случае неудачи должна достаточно правдоподобно лгать, чтобы оправдать ее. В этом суть так называемого теста Тьюринга, который верил, что "через 50 лет" можно будет таким образом запрограммировать компьютер, чтобы у него были все шансы выдержать подобное испытание.
Для поколений, которые после 1950 года искали пути создания машины, отвечающей условиям Тьюринга, это стало поиском священного Грааля или поисками искусственного интеллекта, как они скромно называли свою работу. Но как решить эту задачу? С самого начала обозначились два совершенно разных подхода, которые можно грубо определить как редукционистский и холистический. Вспоминая то время и имея все преимущества ретроспективного взгляда, один из пионеров и провозвестников холистического подхода описывает события в стиле сказочного повествования:
В один прекрасный день у новой науки кибернетики родились две дочери. Одна дочь была настоящая, она унаследовала черты науки о мозге, черты истинно природные. Другая дочь поддельная, она была плодом начавшегося использования компьютеров. Обе сестры старались построить модели разума, но из разного материала. Настоящая сестра строила модели (названные нервными сетями) из математически идеализированных нейронов. Другая создавала свои модели из компьютерных программ.
В цветущей юности обе имели успех, за обеими одинаково ухаживали представители других отраслей знания, и они прекрасно уживались вместе. Отношения изменились в начале шестидесятых годов, когда появился новый король с такой казной, какую никогда раньше не видели в королевстве наук. То был король ОАПНП... В поддельной сестре проснулась ревность, и она присвоила себе одной право доступа к деньгам ОАПНП. А настоящей сестре предстояло умереть.
Палачами вызвались быть два верных друга поддельной сестры:
Марвин Минский и Сеймур Пейперт, которым досталась роль охотников, отправленных, чтобы убить Белоснежку и в качестве подтверждения принести ее сердце. Их орудием был не кинжал, а искусное перо, с которого сошла книга под названием "Персептроны"; цель ее состояла в том, чтобы доказать, что создатели нервных сетей никогда не смогут выполнить свое обещание построить модель разума: это смогут сделать только компьютерные программы. Казалось, победа обеспечена... [17].
Разумеется, сказка Сеймура и Пейперта кончается торжеством холистики, хотя теперь многие из создателей искусственного интеллекта не разделяют его оптимизма. Как будет ясно, я считаю сказочную метафору Пейперта такой же неудачной, как и его метафоры памяти и разума. Ни ту, ни другую сестру нельзя сравнивать с Золушкой или хотя бы с Прекрасным Принцем. Оба подхода к моделированию нельзя признать правомерными, если их задача - поиски структурных метафор работы реального мозга и реальной памяти. Тем не менее стоит более внимательно присмотреться к притязаниям обеих сторон.
Как правильно пишет Пейперт, одна группа разработчиков моделей, которых я называю редукционистами, утверждает, что для создания искусственного интеллекта надо с помощью компьютера имитировать известные свойства мозга. Функциональными единицами мозга они считают нервные клетки, или нейроны; сети из этих нейронов хранят, обрабатывают и преобразуют информацию. Задача состояла в том, чтобы создавать математические модели функции нейронов, объединять их в сеть и выяснять, к каким результатам приводят разные способы соединения клеток, в том числе и такие, при которых сети могли бы изменять свои свойства и функции в результате приобретаемого опыта, т. е. "обучаться" и "запоминать". Впервые такую имитацию осуществил Франк Розенблатт в середине 50-х годов с помощью модельной системы "Персептрон". Персептроны были триумфом компьютерного моделирования, однако скоро стало ясно, что они далеко не адекватно отображают функцию реальных нейронов мозга. Хотя они, по-видимому, могли обучаться, т. е. изменять свойства в ответ на введение новой информации (например, узнавать и классифицировать простые рисунки), они были совершенно неспособны решать более сложные задачи, хотя бы отдаленно напоминавшие реальные жизненные ситуации.
Непреодолимые трудности, с которыми столкнулось моделирование нейронов, и теоретические ограничения, выявленные Пейпертом и Минским, привели к тому, что в 60-х и 70-х годах этот подход был практически оставлен. Именно в это время оценка будущих перспектив искусственного интеллекта, проведенная при финансовой поддержке британского правительства, показала, что они были сильно преувеличены, и объем таких работ был значительно сокращен.
Однако в конце 80-х годов интерес к этой области опять пробудился в связи с появлением совершенно новых возможностей. Компьютеры первых поколений были, по существу, последовательными процессорами, т. е. в каждый данный момент осуществляли только одну операцию; переработка информации носила линейный характер, хотя и шла с невероятно большой скоростью. Однако сам принцип линейных операций накладывал ограничение на скорость работы машины, так как сигналы из одной части компьютера в другую не могут передаваться быстрее, чем со скоростью света. Этот предел получил название ограничения фон Неймана. Когда новые поколения супермашин приблизились вплотную к этому пределу, разработчики компьютерных моделей обратили, наконец, внимание на то, что настоящий мозг работает совсем иначе. Он производит множество операций одновременно, причем в осуществлении какой-то одной функции участвуют разные части нейронной сети, а каждая отдельная клетка может выполнять разные функции. Ограничение, накладываемое скоростью передачи сигналов, можно бьию бы преодолеть, если бы удалось создать компьютеры, более сходные с мозгом, т. е. способные осуществлять различные операции не только последовательно, но и параллельно.
Результатом был взрыв интереса к новым конструктивным решениям, основанным на принципе параллельной и распределенной обработки информации (ПРО). Появилось новое перспективное поколение машин, заинтересовавшее и военных, и промышленность, и разработчиков искусственного интеллекта, хотя, разумеется, только два первых члена этой триады несли расходы по их созданию. Вот один из показателей масштабов этого интереса: в конце 80-х годов Директорат Европейского сообщества по научным исследованиям посчитал, что Европа отстает от США и Японии в эксплуатации этих новых систем, и выделил 50 млн. экю (около 50 млн. долларов США) на работы по моделированию нервной функции на основе ПРО. Когда в 1986 году Дэвид Румелхарт и Джеймс Клелланд с их коллегами из Массачусетского технологического института выпустили большой двухтомник статей по перспективам применения ПРО для моделирования мозга, в день поступления его в продажу, говорят, было продано 6000 экземпляров.
Новый подход к моделированию известен под названием "коннекционизма". Подобно прежнему подходу, он основан на предположении, что мозг состоит из ансамблей нейронов с многочисленными связями между ними. Надлежащим образом' соединенные группы нейронов могут обучаться таким образом, что они будут сортировать и классифицировать входные сигналы и постепенно изменять свои свойства по мере поступления новой информации. Однако в отличие от моделей прежнего, персептронного типа каждый элемент "памяти" не заключен здесь в одной-единственной клетке или паре связанных клеток: вместо этого функция памяти является свойством нейронной сети как целого. Кроме того, если в персептронных моделях отдельные функциональные единицы сети должны были получать сигналы прямо из внешнего мира и соответственно изменять свои свойства, то в новых коннекционистских моделях нейронные сети более сложны - они включают слои "клеток", расположенных между входными и выходными элементами (разработчики называют их "скрытыми слоями"). Это резко повышает эффективность системы. Первые поколения моделей искусственного интеллекта были организованы таким образом, будто мозг - это простой телефонный коммутатор с прямыми связями между органами чувств, например глазами и ушами, и исполнительными органами, такими как мышцы. Эти модели фактически игнорировали тот факт, что большинство нейронов в достаточно сложном мозгу не связано непосредственно с внешним миром через сенсорные входы и двигательные выходы; такие нейроны соединены лишь между собой: они получают сигналы от других нейронов и отвечают на них. Иными словами, обычно происходит сложнейшая внутренняя переработка любых поступающих извне сообщений при участии промежуточных нейронов, и только после этого могут приниматься решения о внешних реакциях. "Скрытые слои" в моделях ПРО действуют наподобие промежуточных нейронов, и это намного повышает способность системы к обучению, обобщению и прогнозированию.