Модели разума. Как физика, инженерия и математика сформировали наше понимание мозга - Lindsay Grace
Шрифт:
Интервал:
Закладка:
Реализованная таким образом искусственная нейронная сеть была большой и громоздкой, полной переключателей, штепсельных плат и газовых трубок. Такая же сеть, состоящая из настоящих нейронов, была бы меньше крупинки морской соли. Но достижение такой физической реализации было важно. Это означало, что теории о том, как вычисляются нейроны, можно будет проверить в реальном мире на реальных данных. Если работа Маккаллоха-Питтса была направлена на теоретическое доказательство, то перцептрон воплотил ее на практике.
Еще одно важное различие между перцептроном и сетью Маккаллоха-Питтса заключается в том, что, как рассказал Розенблатт в интервью New York Times, перцептрон обучается. В работе Маккаллоха и Питтса авторы не упоминают о том, как возникает связь между нейронами. Она просто определяется в зависимости от того, какую логическую функцию должна выполнять сеть, и остается неизменной. Однако для того, чтобы перцептрон обучался, он должен изменять свои связи.4 Фактически, перцептрон получает всю свою функциональность от изменения силы связи до тех пор, пока она не станет оптимальной.
Тип обучения, в котором участвует перцептрон, известен как "контролируемое" обучение. В пары входов и выходов - например, серию картинок и определяя, есть ликаждой из них реактивный самолет или нет, - перцептрон учится принимать это решение самостоятельно. Для этого он изменяет силу связей - их еще называют "весами" - между ассоциативными блоками и считывающими устройствами.
В частности, когда в сеть поступает изображение, она активирует блоки сначала во входном слое, затем в ассоциативном слое и, наконец, в слое считывания, указывая на решение сети. Если сеть ошибается в классификации, веса изменяются в соответствии с этими правилами:
1. Если блок считывания "выключен", когда он должен быть "включен", соединения от "включенных" ассоциативных блоков к этому блоку считывания усиливаются.
2. Если блок считывания "включен", когда он должен быть "выключен", ослабляются связи от "включенных" ассоциативных блоков к этому блоку считывания.
Следуя этим правилам, сеть начнет правильно ассоциировать изображения с категориями, к которым они относятся. Если сеть научится делать это хорошо, она перестанет совершать ошибки, и веса перестанут меняться.
Эта процедура обучения во многих отношениях была самой замечательной частью перцептрона. Это был концептуальный ключ, который мог открыть все двери. Вместо того чтобы объяснять компьютеру, как именно нужно решать ту или иную задачу, достаточно показать ему несколько примеров решения этой задачи. Это могло произвести революцию в вычислительной технике, и Розенблатт не стеснялся говорить об этом. Он рассказал New York Times, что перцептроны "смогут узнавать людей и называть их имена", "слышать речь на одном языке и мгновенно переводить ее вречь или письмо на другом языке". Он также добавил, что "можно будет создать перцептроны, которые смогут воспроизводить себя на конвейере и которые будут "осознавать" свое существование". Это было, мягко говоря, смелое заявление, и не все были довольны публичной бравадой Розенблатта. Но дух заявления - что компьютер, способный обучаться, ускорит решение практически любой проблемы, - был верен.
Однако за силу обучения пришлось заплатить. Позволяя системе самой определять свою связность, мы фактически отделили эти связи от концепции булевых операторов. Сеть могла научиться связям, которые Маккалох и Питтс определили как необходимые для "и", "или" и т. д. Но не было ни требования, чтобы она это сделала, ни необходимости понимать систему в этом свете. Более того, хотя ассоциативные единицы в перцептроне были спроектированы так, чтобы быть только "включенными" или "выключенными", правило обучения на самом деле не требует, чтобы они были такими. Фактически, уровень активности этих искусственных нейронов может быть любым положительным числом, и правило все равно будет работать.5 Это делает систему более гибкой, но без бинарной реакции "включено"-"выключено" становится сложнее сопоставить активность этих единиц с бинарными истинностными значениями предложений. По сравнению с четкой и ясной логикой сетей Маккаллоха-Питтса, перцептрон представлял собой не поддающийся интерпретации беспорядок. Но он работал. Интерпретируемость была принесена в жертву способностям.
Машина "Перцептрон" и связанная с ней процедура обучения стали популярным объектом изучения в развивающейся области искусственного интеллекта. При переходе от конкретного физического объекта (перцептрона) к абстрактной математической концепции (алгоритму перцептрона) были упразднены отдельные входной и ассоциативный слои. Вместо этого входные блоки, представляющие входящие данные, подключались непосредственно к блокам считывания, и в процессе обучения эти связи менялись, чтобы сеть лучше справлялась со своей задачей. Как и чему может научиться перцептрон в такой упрощенной форме, изучалось со всех сторон. Исследователи изучали его работу математически, используя перо и бумагу, или физически, строя собственные перцептроны, или - когда цифровые компьютеры наконец стали доступны - электронно, моделируя его.
Перцептрон породил надежду на то, что люди смогут создать машины, которые будут обучаться так же, как и мы; таким образом, он сделал перспективу искусственного интеллекта досягаемой. Одновременно он дал новый способ понимания нашего собственного интеллекта. Он показал, что искусственные нейронные сети могут вычислять, не подчиняясь строгим правилам логики. Если перцептрон может воспринимать информацию без использования предложений или операторов, то, следовательно, каждый нейрон и связь в мозге не должны иметь четкой роли с точки зрения булевой логики. Вместо этого мозг может работать в более небрежном режиме, когда, подобно перцептрону, функция сети распределяется между нейронами и возникает из связей между ними. Этот новый подход к изучению мозга стал известен как "коннекционизм".
Работа Маккалоха и Питтса стала важной ступенькой. Будучи первой демонстрацией того, как сети нейронов могут мыслить, она стала причиной того, что нейронаука отошла от берегов чистой биологии и вошла в море вычислений. Именно этот факт, а не правдивость его утверждений, обеспечивает ему место в истории. Можно сказать, что интеллектуального предка работы Маккаллоха и Питтса, Principia Mathematica, постигла похожая участь. В 1931 году немецкий математик Курт Гёдель опубликовал работу "О формально неразрешимых предложениях Principia Mathematica и связанных с ней систем". В этой работе Principia Mathematica была взята за отправную точку, чтобы показать, почему сама ее цель - объяснить всю математику из простых предпосылок - оказалась недостижимой. Рассел и Уайтхед
