Далее, ограничивая объем поступающей в машину информации, исключая все "ненужное", мы опять-таки выполняем за нее часть работы и при этом ограничиваем ее возможности. Ведь то, что в одной ситуации несущественно, в другой может оказаться весьма существенным.
Итак, для моделирования процесса опознавания необходимо создать машину, которая сама составляла бы для себя программу, сама определяла бы, что существенно для решения данной задачи, и не обращала бы внимания на избыточную (для данной задачи) информацию. Иными словами, конструировать обучающуюся машину следует так, чтобы она могла, подобно человеку, накапливать в процессе обучения некоторый опыт и в соответствии с ним самостоятельно выбирать линию поведения и сортировать получаемую информацию по степени ее важности. Устройство, справляющееся с такими обязанностями, будет весьма близко к мозгу человека.
Однако моделирование психической деятельности человека — чрезвычайно трудная задача. Дело в том, что люди сами не знают достаточно подробно — а в этом случае именно подробности определяют успех дела, — как они учатся, как приобретают опыт, каким образом и какие именно признаки образов, хранящиеся в памяти человека, используются в процессе опознавания, как протекает этот процесс и т. д. Мозг функционирует "сам по себе", "автоматически", его работа проходит мимо нашего сознания, и ее очень трудно анализировать. Для того чтобы разобраться в деятельности мозга, необходимы обстоятельные физиологические и психологические исследования. Но уже тех сведений самого общего характера, которыми располагают специалисты сегодня, оказалось достаточно для создания первых, еще очень несовершенных, но тем не менее действующих обучающихся машин, которые могут опознавать образы. У нас и за рубежом уже построены машины, которые по окончании курса обучения могут уверенно опознавать рукописные знаки и простые геометрические фигуры, например круг и прямоугольник.
Рис. 11. Упрощенная схема перцептрона, поясняющая принцип его действия. Р — рецепторные (чувствительные) ячейки; A — ассоциирующие ячейки; Э — эффекторная ячейка
Одна из первых систем для опознавания геометрических образов была создана в США группой ученых под руководством доктора Розенблата. Система была названа перцептроном (от английского "perception" — восприятие), а ее первая модель — "Марк-1". Очень упрощенная схема модели представлена на рис. 11.
Электроннооптические преобразователи системы, воспринимающие световые сигналы от изображения и преобразующие их в электрические сигналы (эта часть системы воспроизводит функции светочувствительных элементов глаза — рецепторов), образуют матрицу из 400 рецепторов (фотоэлементов), каждый из которых имеет два выхода. При освещении фотоэлемента на одном из его выходов появляется положительный, а на другом — отрицательный сигнал. Каждый выход рецептора соединен с несколькими ассоциирующими ячейками (ячейками памяти), которых в системе 512. Эти соединения имеют совершенно случайный, беспорядочный характер: ведь физиологи, как известно, считают, что связи между ассоциирующими клетками мозга также организованы без определенной системы, случайно.
Таким образом, сигнал от одного рецептора, скажем Рз, возбуждает не отдельный ассоциирующий элемент, в котором накапливается определенная информация, а, как видно из рис. 11, большинство элементов памяти. Если алгебраическая сумма сигналов, поступающих в какую-либо ассоциирующую ячейку от рецепторных, больше нуля и превышает некоторую пороговую величину (в простейшем случае — положительное напряжение, снимаемое с соответствующего выхода рецептора), то такая ассоциирующая ячейка возбуждается и посылает сигнал в эффекторную (реагирующую) ячейку. Суммарная величина сигналов, поступающих в эффекторную ячейку, сравнивается в ней с заранее установленным пороговым значением, и, если она оказывается больше порога, эффекторная ячейка срабатывает.
При этом может произойти ложное срабатывание (учитывая случайный характер монтажных соединений, оно вполне возможно), т. е. эффекторная ячейка может сработать, когда предъявленный перцептрону объект не должен опознаваться. Тогда оператор, занимающийся "обучением" перцептрона, изменяет параметры ассоциирующих ячеек (служащих аналогами нейронов) и добивается от устройства правильной реакции. Таким же методом вырабатывается правильная реакция перцептрона и в противоположном случае, когда подлежащий опознаванию объект остается неопознанным. После некоторого периода "обучения" перцептрон в дальнейшем "самостоятельно" принимает правильные решения. Блок-схема перцептрона приведена на рис. 12.
Рис. 12. Блок-схема перцептрона. 1 — поле рецепторов; 2 — случайные соединения; 3 — блок ассоциирующих ячеек; 4 — эффекторные ячейки
Американские военные проявили к новой машине живейший интерес. По заданию Управления исследований ВМФ США ее эффективность проверяли при расшифровке фотоснимков. Эксперименты показали, что перцептрон обеспечивает надежное опознавание "одиночных целей и целей, окруженных другими по форме объектами". Было отмечено, в частности, что опыты по опознаванию самолетов и ангаров оказались весьма успешными (100% случаев опознавания ангаров и 92% случаев опознавания самолетов в укрытиях). Исследования были проведены с целью повышения эффективности использования фотоснимков, сделанных с метеорологических и разведывательных спутников — "воздушных шпионов". Дело здесь в том, что в настоящее время для расшифровки фотографий, сделанных за один час работы аппаратуры разведывательного спутника "Самос", требуется затратить десятки тысяч человеко-часов. Поэтому результаты, подтвердившие эффективность первого перцептрона, были должным образом оценены и спустя некоторое время была начата разработка новой его модели "Марк-2"; число фоторецепторов в ней было увеличено в 10 раз, а емкость памяти — в 20 раз. Предполагается, что это должно значительно увеличить опознавательные способности перцептрона.
Но вернемся к модели "Марк-1". Она оказалась способной опознавать любую букву после того, как последняя была показана устройству 15 раз; после каждого верного ответа перцептрон получал "подтверждение" от эффекторов в ассоциирующие ячейки (за этим следил оператор, обучавший машину).
Читающие машины типа "перцептрон" до недавнего времени успешно справлялись только с печатными буквами или с буквами, написанными от руки, но печатным, очень четким шрифтом. При этом текст оказывался "по плечу" машине, если каждая буква или цифра была отделена от соседних промежутком. В противном случае перцептрон "терялся".
Это ограничение возможностей машины, вытекающее из несовершенства ее конструкции, уже преодолено: создана машина, способная читать обычный рукописный текст, в котором одна буква непосредственно переходит в следующую. Машина читает слова, написанные любым почерком, лишь бы он был разборчив. Интересен принцип построения, позволивший создать такую машину.
Следящий штифт воспринимающего устройства как бы сам собой, а на самом деле с помощью весьма сложной автоматики, следует за темной линией, образующей букву. Электронное устройство учитывает, анализирует и ненадолго запоминает движения штифта. Далее машина сравнивает длину, высоту и кривизну отдельных элементов букв, а также расстояние между ними и порядок их следования с соответствующими элементами, которые она запомнила в процессе обучения, и, наконец, опознает буквы, читает их одну за другой.
Интересно, что при чтении рукописных текстов успех дела очень часто зависит от способности читающего угадать смысл небрежно написанного слова из связи с предыдущими и последующими, а угадывать приходится из-за одной-двух непонятных букв в слове. Машина справляется и с этой задачей. Когда читающее устройство сообщает о том, что написана некая буква, которая лишает слово смысла, другое устройство, которое следит за порядком в словах, заставляет штифт вернуться и прочесть ее заново. При чтении русского текста это устройство стало бы принимать меры, если бы ему было сообщено о слове, начинающемся с буквы "ь", сочетаниях типа "врж", "счп" и т. д.
Перцептроны представляют собой новый класс "интеллигентных" машин. Это определение может вызвать сомнения, но тем не менее оно отражает существо дела. Новые машины обучаются. При этом они запоминают, "усваивают" не все подряд, а только то, что необходимо для успеха дальнейшей "деятельности". Они анализируют, сопоставляют, обобщают. А это и есть то самое мышление, которое "выводит всеобщее из отдельных вещей", как говорил великий Авиценна. Машины, опознающие буквы и цифры, отличающие круги от треугольников, "мыслят", но еще в очень скромных масштабах.
Рис. 13. Блок-схема электронной модели глаза
По последним сообщениям американской печати, в Лаборатории применения вычислительных методов в биологии Иллинойского университета разрабатывается электроннооптическая модель нервной сети человеческого глаза. В основу создаваемой модели будет положен метод параллельного счета, воспроизводящий особенности передачи информации от ганглиозных узлов сетчатки в соответствующие нервные центры коры больших полушарий головного мозга. Однако в настоящее время на первом этапе исследований отрабатывается экспериментальный образец последовательной модели нервной сети глаза, состоящей из ряда запоминающих электроннолучевых трубок (ЭЛТ) (рис. 13). Информация от соседних элементов изображения, попадающих в поле зрения телекамеры, будет считываться двухкоординатным сканирующим устройством и накапливаться на мишенях запоминающих ЭЛТ. С мишени предыдущей трубки она будет налагаться на мишень последующей трубки системы. Таким образом, на мишени последней трубки будет накоплена вся информация, соответствующая характеристике контура в целом. Идея параллельной модели нервной сети человеческого глаза заключается в одновременной параллельной обработке элементарной информации, на основе которой накапливаются уже исчерпывающие сведения, необходимые для опознавания. По словам руководителя работ доктора Форстера, в дальнейшем предполагается создать еще и компактные усовершенствованные образцы систем, обрабатывающих информацию за очень короткий срок (примерно за 10