Рациональность. Что это, почему нам ее не хватает и чем она важна - Стивен Пинкер

к школьным завтракам пицца будет классифицироваться как «овощи». Почему? Потому что конгрессмены-республиканцы активно лоббируют интересы производителей замороженной пиццы… В этом республиканском Конгрессе продается и покупается практически все — в том числе буквальное значение слова «овощ» — и в этот раз за счет здоровья наших детей. Подпишите эту петицию и расскажите всем: пицца — не овощ.

Логическое вычисление и ассоциация на основе паттернов

Если многие наши суждения настолько нечеткие, что их невозможно выразить средствами логики, как мы вообще думаем? Как — в отсутствие разграничителей необходимых и достаточных условий — мы приходим к общему мнению, что Крис Дженнер, например, мать, футбол — спорт, а пицца, что бы там ни говорили конгрессмены-республиканцы, не овощ? Если рациональность прописана у нас в сознании не в виде перечня высказываний и цепи логических операций, тогда как она там прописана?

Один из ответов может подсказать группа когнитивных моделей, которые называются ассоциаторами паттернов, перцептронами, коннекционными сетями, моделями параллельной распределенной обработки, искусственными нейронными сетями и системами глубокого обучения[142]. Основная идея такова: вместо того, чтобы манипулировать строчками символов по определенным правилам, интеллектуальная система накапливает десятки, тысячи и миллионы градуированных сигналов, каждый из которых отражает степень выраженности какого-либо свойства.

Возьмем на удивление противоречивое понятие «овощ» (vegetable). Это явно категория семейного сходства. Не существует таксономической единицы, которая включала бы одновременно морковь, папоротник и грибы; в строении брокколи, шпината, картошки, сельдерея, горошка и баклажана нет ничего общего; у них нет даже отличительного вкуса, цвета или текстуры. Но, как и с Кардашьянами, мы обычно узнаем овощ, когда видим его, потому что какие-то частично перекрывающиеся характеристики присущи всем таким разным представителям этой семьи. Салат-латук — зеленый, хрустящий и листовой; шпинат — зеленый и листовой; сельдерей — зеленый и хрустящий; краснокочанная капуста — красная и листовая. Чем больше у продукта «овощных» характеристик и чем ярче они выражены, тем с большей вероятностью мы назовем его овощем. Салат-латук — образцовый овощ; петрушка — туда-сюда; чеснок — сомнительный. И напротив, существуют характеристики, которые мешают отнести продукт к овощам. Хотя некоторые овощи, например тыква, сладковаты, если плод слишком сладкий, вроде дыни, мы назовем его фруктом. И хотя шампиньоны мясистые, а тыквенные спагетти в готовом виде напоминают макароны, мясные и мучные продукты из списка овощей исключаются. (Прости-прощай, пицца!)

Это значит, что «овощнистость» можно описать сложной статистической формулой. Каждому свойству (зеленый, хрустящий, сладкий, мучной) дается количественная оценка, которая затем умножается на весовой коэффициент, отражающий, насколько определяющим является это свойство для принадлежности к данной категории: высокий положительный для свойства «зеленый», низкий положительный для свойства «хрустящий», низкий отрицательный для свойства «сладкий», высокий отрицательный для свойства «мучной». Затем все эти взвешенные значения суммируются, и, если сумма превышает пороговое значение, мы говорим, что перед нами овощ, причем чем выше результат, тем ближе овощ к эталону.

Конечно, никто не думает, будто мы формируем свои расплывчатые суждения, буквально выполняя в уме ряд умножений и сложений. Зато это может сделать сеть нейроноподобных вычислительных элементов, которые срабатывают с разной интенсивностью, отражающей плавные изменения значения истинности. Ниже изображена миниатюрная версия такой сети. В нижнем ряду — батарея входных элементов, получающих информацию от органов чувств, которые реагируют на простые признаки вроде «зеленый» или «хрустящий». В верхнем — выходные элементы, отображающие догадку сети о том, к какой категории относится предъявленный образец. Каждый входной «нейрон» соединен с каждым выходным «синапсами» — связями разной силы, которые могут передавать возбуждающие (положительный весовой коэффициент) или подавляющие (отрицательный весовой коэффициент) сигналы. Активированные входные элементы подают взвешенные по силе синапса сигналы на выходные, каждый из которых суммирует набор входящих сигналов и срабатывает с соответствующей интенсивностью. На рисунке возбуждающие связи показаны линиями со стрелками, а подавляющие — линиями с точками; толщина линий отражает силу синапсов (для простоты она показана только для результата «овощ»).

Но кто же, спросите вы, задает эти крайне важные весовые коэффициенты связей? Ответ: никто — это происходит в процессе обучения. Нейронную сеть тренируют, знакомя ее с разнообразными примерами продуктов питания, наряду с названием категории, сообщаемым учителем. Новорожденная сеть со случайно назначенными низкими коэффициентами связей выдает нерешительные догадки, взятые с потолка. Но она снабжена алгоритмом обучения, который работает по принципу тепло/холодно. Алгоритм сравнивает результат каждого выходного элемента с верным значением, подсказанным учителем, и повышает или понижает силу связей, устраняя расхождения. Познакомившись с сотнями тысяч примеров, сеть останавливается на оптимальных значениях весовых коэффициентов для каждого из синапсов и начинает совсем неплохо классифицировать предметы.

Однако сказанное верно только в тех случаях, когда признаки на входе связаны с категориями на выходе линейной зависимостью: суммируйте их, и чем выше итог, тем лучше. Это работает для категорий, где целое представляет собой (взвешенную) сумму частей, но неверно, когда категория определяется компромиссом, золотой серединой, верной комбинацией, ложкой дегтя, камнем преткновения, набором отрицаний или ситуацией, когда слишком хорошо — уже нехорошо. Даже простой логический оператор XOR (исключающее или — «Х или Y, но не то и другое вместе») не под силу двухслойной нейронной сети: свойство Х повышает достоверность определенного результата, и свойство Y тоже, но, проявляясь в совокупности, они ее обнуляют. Простая нейросеть сумеет отличить корнишон от кошки, но расхристанная категория вроде «овощей» ставит ее в тупик. Круглое и красное скорее всего окажется фруктом, если оно хрустящее и у него есть черенок (как у яблока), но, если оно хрустящее и у него есть корни (как у свеклы) или оно мясистое с черенком (как помидор), это уже будет овощ. И существует ли вообще такая комбинация цветов, форм и текстур, которая в итоге объединит грибы, шпинат, цветную капусту, морковь и помидоры сорта «бычье сердце»? Двухслойная нейросеть путается в перекрывающихся паттернах, беспорядочно повышает и понижает весовые коэффициенты связей после знакомства с каждым новым примером и не может установить значения, способные надежно отделять предметы, входящие в множество, от тех, что в него не входят.

С проблемой можно справиться, поместив между входным и выходным слоем нейронов еще один, «скрытый», как показано на следующем рисунке. Теперь нейросеть превращается из стимульно-реактивного устройства в сущность, обладающую внутренними представлениями — понятиями, если угодно. В нашем примере они могут обозначать целостные промежуточные категории вроде «похожее на капусту», «несладкие плоды», «кабачки и тыквы», «зелень», «грибы» или «корнеплоды и клубни», причем каждая обладает набором входящих связей разной силы, позволяющим улавливать соответствующий стереотип,