Различия между нейронными сетями и работой мозга вопиющим образом нивелировались средствами массовой информации. В газетах, журналах, научных телепередачах нейронные сети называли «подобными мозгу человека» или «функционирующими совершенно по такому же принципу, что и человеческий мозг». В отличие от программируемого искусственного интеллекта нейронные сети обучались на примерах, и на основании этого их считали носителями разума. В качестве наиболее яркого примера могу привести NetTalk – нейронную сеть, способную переводить последовательности буквенных символов в звуки человеческой речи. Обученная работать с печатным текстом, нейронная сеть обрела компьютерный голос, читающий слова, и в федеральных новостях ее тут же окрестили «читающей машиной». В действительности механизм ее действия очень прост: она соотносит буквенные комбинации с предопределенными речевыми сигналами.
Попробую объяснить, используя аналогию, насколько далеки нейронные сети от настоящего мозга. Представьте себе, что, вместо того чтобы разбираться в работе мозга, мы решили исследовать цифровой компьютер. Потратив на это годы, мы придем к выводу, что компьютер состоит из сотен миллионов транзисторов, которые связаны между собой в очень точную и сложную схему. В то же время мы не поймем, ни как работает компьютер, ни почему транзисторы собраны именно в такую схему. И, если однажды мы соберем несколько транзисторов в одну схему, чтобы понять, как они работают, окажется, что три транзистора, собранные в определенную схему, преобразуются в усилитель. Слабый на одном конце сигнал многократно усиливается на другом. Такие усилители сейчас используются в радиоприемниках и телевизорах. Это важное открытие в свое время произвело фурор. Начался промышленный выпуск транзисторных радиоприемников, телевизоров и другой электроники с использованием усилителей транзисторного типа. Все это конечно, замечательно, но не вносит ясности в понимание устройства компьютера. Усилитель и компьютер состоят из транзисторов, но, тем не менее, у них нет практически ничего общего. Точно так же человеческий мозг и простейшая нейронная сеть состоят из нейронов – и это все, что их объединяет.
Летом 1987 года произошел случай, еще больше охладивший мой пыл в отношении нейронных сетей. Я участвовал в работе конференции, посвященной нейронным сетям, и побывал на презентации компании Nestor. Целью презентации была продажа приложения, созданного на основе нейронных сетей и предназначенного для распознавания рукописного текста. Стоимость продукта, безусловно, завоевавшего мое внимание, составляла 3 млн. долл. Хотя Nestor представляла приложение к нейронным сетям как значительно усложненное и модернизированное и говорила о нем как о блестящем научном открытии, я чувствовал, что проблема распознания рукописного текста может быть решена не столь изощренным, а более традиционным способом. В тот день я вернулся домой, непрестанно раздумывая над полученными впечатлениями. Два дня спустя я создал устройство для распознания рукописного текста – быстродействующее, небольшое по размеру и функциональное. В моем изобретении не использовались нейронные сети, да и принцип его работы не был имитацией функционирования головного мозга человека. И, хотя та конференция пробудила во мне интерес к созданию компьютеров с интерфейсом, включающим пишущий элемент (что в конечном счете спустя десятилетие привело к созданию PalmPilot), я убедился в том, что традиционные методы ни в чем не уступают нейронным сетям.
Система распознавания рукописного текста, созданная мною, в конце концов стала основой для системы ввода текста, получившей название Graffiti (последняя применялась в первых версиях «палмов»). А компания Nestor, насколько мне известно, просуществовала недолго.
Море внимания столь простому явлению, как нейронные сети! Большинство их возможностей легко воспроизводятся при помощи иных методов. И вот, наконец, вся эта шумиха вокруг НС потихоньку начинает спадать. Надо отдать должное изобретателям и исследователям нейронных сетей – они хотя бы не утверждали, что их детищу присущ интеллект. Первые нейронные сети были весьма простыми устройствами и значительно уступали программам, базирующимся на искусственном интеллекте. (Я вовсе не хочу, чтобы у вас сложилось впечатление, будто нейронные сети представляют собой упрощенную трехслойную структуру.) Ряд исследователей продолжили изучать нейронные сети различных модификаций. В настоящее время термин нейронные сети применяется для описания широкого диапазона моделей, в разной степени соответствующих биологическому «шаблону». Но не было предпринято даже малейших попыток воспроизвести общий принцип функционирования и архитектуру неокортекса.
По моему мнению, фундаментальной проблемой большинства нейронных сетей является следующая их особенность, присущая также программам, основывающимся на принципе искусственного интеллекта. И программы, базирующиеся на принципах искусственного интеллекта, и нейронные сети отягощены акцентом на поведении. Называют ли его «ответами», «моделями» или «выходными сигналами», предполагается, что именно в поведении, моделируемом НС или ИИ, заключается их «разумность». Об успешности компьютерной программы или нейронной сети судят по тому, выдает она правильный или желаемый выходной сигнал. Со времен Алана Тьюринга между интеллектом и поведением ставят знак равенства.
Но интеллект – это не просто разумный способ действий или разумное поведение. Действительно, поведение является проявлением интеллекта, но ни в коем случае не его ключевой характеристикой и не основным аспектом определения данного понятия. Это легко доказать в одно мгновение: вы остаетесь разумным, лежа в полной темноте, размышляя и осознавая себя самого и окружающий мир. Отрицая важность того, что происходит у вас в голове, и сосредоточиваясь, наоборот, на видимом поведении, ученые создали себе непреодолимое препятствие на пути познания человеческого интеллекта и создания по-настоящему разумных машин.
Прежде чем мы сформулируем новое определение интеллекта, я хочу рассказать вам о другом, коннекционистском, подходе, последователи которого подошли к пониманию работы мозга гораздо ближе. Основная проблема состоит в том, что важность указанного направления познания осознают лишь немногие ученые.
В то время как нейронные сети попали в центр внимания исследователей, небольшая отколовшаяся группа теоретиков разработала НС, положив в ее основу не поведение. Изобретение, названное автоассоциативной памятью, также состояло из простых «нейронов», сообщающихся друг с другом и генерирующих возбуждение при достижении определенного порога. В отличие от нейронных сетей предыдущих поколений (в которых информация проходила только в одном направлении) нейроны автоасссоциативной памяти были соединены большим числом обратных связей. Каждый выходящий сигнал в таких сетях преобразовывался в исходящий – как в телефонном разговоре. Благодаря этой цепи обратных связей ученые получили возможность наблюдать ряд интересных моментов.
Усвоив определенную модель активности, искусственные нейроны запомнили ее. Автоассоциативная сеть ассоциировала модели сами с собой, отсюда ее название – автоассоциативная память.
Результат подобной связи, на первый взгляд, может показаться смехотворным. Для воспроизведения модели, сохраненной в такой памяти, следовало предоставить указанную модель. Проиллюстрирую данный вывод наглядным примером. Допустим, вы пришли в магазин с намерением купить связку бананов. Когда продавец просит вас оплатить покупку, вы говорите ему, что расплатитесь… бананами. «Что же ценного тогда в этом открытии?» – спросите вы. А то, что автоассоциативная память обладает несколькими важными особенностями, присущими головному мозгу человека. Самая важная из них такова: нет необходимости предъявлять системе целую модель, которую вы желаете получить от нее, – достаточно ее фрагмента или видоизмененной по сравнению с желаемой модели. Автоассоциативная память способна воспроизвести сохраненную модель в неизмененном виде, даже если все, что у вас есть в наличии, – ее искаженный вариант.
Вернемся к нашему примеру. Представьте, что вы приходите в магазин с несколькими надкушенными бананами и получаете взамен целую связку. Или обращаетесь в банк с просьбой обменять надорванный и испорченный чек, и ваше желание удовлетворяют: вы получаете новенький, хрустящий документ.
В отличие от большинства нейронных сетей автоассоциативная память может быть разработана таким образом, что будет сохранять целые последовательности моделей, или временные паттерны. Такая ее особенность достигается путем добавления временной задержки к обратной связи. Благодаря этой задержке вы можете предоставлять автоассоциативной памяти последовательности моделей (что подобно звучанию мелодии), и она будет сохранять их.
Таким образом, я могу предоставить автоассоциативной памяти первые несколько нот песни Twinkle Twinkle Little Star, а система воспроизведет ее целиком. Имея в наличии лишь часть усвоенной последовательности, автоассоциативная память воссоздаст ее всю.
Как мы увидим ниже, именно таким способом обучаются люди – усваивая последовательности паттернов. И я предполагаю, что мозг использует эти цепи подобно тому, как это происходит в автоассоциативной памяти.
Принцип действия автоассоциативной памяти навел нас на мысль о потенциальном значении обратной связи и изменяющихся во времени входящих сигналов. Но в подавляющем большинстве машин, обладающих искусственным интеллектом, и в нейронных сетях фактору времени и обратной связи не придается должного значения. Подобную ошибку допускают и специалисты, практикующие в области когнитивной психологии.
Немногим отличаются от них ученые, занимающиеся проблемами головного мозга (нейробиологи, нейрологи). Они знают о том, что существует обратная связь (ведь они сами ее и открыли), но не предлагают теории, которая бы шла дальше неопределенных высказываний о «фазах» и «модуляциях» и которая бы демонстрировала существенную роль данного феномена в функционировании головного мозга в целом. Они склонны описывать мозг в терминах локализации тех или иных процессов, но почти не касаются того, в каких случаях и каким образом нейроны взаимодействуют друг с другом.