ИНТЕЛРОС > №8, 2015 > Какая машина сможет мыслить?

Иван Поздняков
Какая машина сможет мыслить?


21 мая 2015

Психология мышления — одна из самых нераз­витых областей психологической науки. Всё, к чему она пришла в ходе продолжительной истории попыток грамотно сформулировать исследуемые проблемы, так это к тому, что мышление не похоже ни на случайный поток ассоциаций, ни на выведение силлогизмов. Последнее часто и берётся на вооружение при ответе на вопрос «может ли машина мыслить?». Подавляющее большинство рассуждений на эту тему содержит в себе следующую цепочку суждений:

1) Машина выполняет заданные программистом алгорит­мы; 2) Эти алгоритмы основаны на известных законах ло­гики; 3) Человек не мыслит как машина для силлогизмов; 4) Следовательно, машина мыслить не может.

Эта основная цепочка украшается разными идеями типа вычислимости/невычислимости, трудной проблемы сознания, системных свойств, которые присущи живым существам, и т.д. Однако ошибка кроется в первой посылке, а именно — в представлении о том, как работает компьютер. Но прежде, чем выявить её, уместно обратиться к истории когнитивной науки и метафоры «мозг-компьютер».

Когнитивная психология возникла в контексте критики бихевиоризма и появления компьютеров. Метафора, что мозг работает примерно как компьютер, как бы напра­шивалась сама собой: вот устройства ввода (сенсорные системы), устройства вывода (мышцы), долговременная и рабочая память, процессор где-то в лобных долях. То, что называется «психикой» — это software, мозг — hardware. Совершенно очевидное сравнение. Психологи, поряд­ком уставшие от бихевиоризма, но не желавшие мисти­ки психоанализа, с радостью восприняли этот подход и начали увлеченно строить схемы с блоками и стрелоч­ками. Такой подход получил название символьного и стал самым что ни на есть мейнстримом в когнитивной психологии. Мы говорим «когнитивная психология» — подразумеваем «символьный подход»; говорим «символь­ный подход» — подразумеваем «когнитивная психология». Сейчас представители этого подхода пытаются исправить его недостатки, а заодно и все неувязки сравнения мозга с компьютером. Когнитивные психологи вовсю исследуют социальные аспекты познания, эмоциональное позна­ние, «включенное» (во внешнюю среду) и «воплощенное» (в костях и мясе нашего тела) познание, и всё остальное, что отличает человеческое мышление от компьютерной обработки информации. Они обращаются к помощи психофизиологов: хотя поначалу их игнорировали, в наше время радетели за «чистую психологию» без фМРТ и ЭЭГ выглядят как выжившие из ума деды. От оригинальной метафоры осталось не так уж и много: лишь дух раци­онализма (в противовес «гуманитарным» психологиям — психоанализу, гуманистической, экзистенциальной психологии и т.д.) и «компьютационализма» (в противовес идеологии стимула и рефлекса бихевиоризма), ну и преем­ственность от когнитивизма старой школы, конечно.

Но вот уже лет 70 существует альтернатива классиче­скому символьному подходу как в когнитивистике, так и в computer science и исследованиях ИИ, получившая на­звание «коннекционизм». Начался коннекционизм с того, что нейрофизиолог Маккалох и юный логик Питц попы­тались создать математическую модель нервной клетки.

Общее представление о том, как работает нейрон, в те времена не сильно отличалось от современного: нейрон — это клетка, отличающаяся тем, что обладает, помимо основного тела (сомы), еще и отростками — ден­дритами, которые получают импульс и передают его по соме до аксона — длинного отростка, который, в свою очередь, возбуждает следующие нейроны. Нейроны почти вплотную соединены друг с другом синапсами, в которых и происходит передача информации с одного нейрона на другой (обычно — с аксона на дендрит). В основном это происходит за счет того, что возбуждение преси­наптического нейрона приводит к выбросу химических соединений (нейромедиаторов), которые соприкасаются с белками-рецепторами постсинаптического нейрона, изменяя потенциал мембраны. Одного медиатора редко бывает достаточно, поэтому нейромедиаторов требуется достаточно много. К тому же существуют и тормозные синапсы, выброс нейромедиаторов в которых приводит к еще большему снижению потенциала мембраны. Поэто­му для возбуждения нейрона обычно необходима передача возбуждения сразу с нескольких других нейронов. Еще одно важное правило передачи сигнала в нервной си­стеме — это принцип «всё или ничего»: если потенциал мембраны переходит определенное пороговое значение, то нейрон возбуждается и сигнал переходит дальше (от ден­дритов к соме, от сомы к аксону). Если же порогового значения потенциал не достигает, то нейрон так и продол­жает «молчать».

Маккалок и Питтс пытались представить работу нейрона математически: представим, что есть определенная функ­ция, которая перемножает приходящее возбуждение в виде некоторого вектора чисел (вектор возбуждения) на вектор связи (синаптические веса дендритов). Если скалярное произведение этих двух векторов больше определенного значения, то на выходе такой «нейрон» дает 1, если мень­ше — 0 (этакая реализация принципа «всё или ничего»). Вектор возбуждения — это как бы нейромедиаторы, выбрасываемые из пресинаптических клеток, вектор связи — белки-рецепторы на постсинаптических нейронах. Вот такое вот грубое, но крайне милое представление живой клетки как функции-сумматора приходящих импульсов.

Если мы сделаем много таких формальных нейронов, то сможем связать их друг с другом в так называемую «искусственную нейронную сеть». Но самое интересное, что такую сеть мы сможем обучать. Для этого нам нужно будет лишь давать какое-то возбуждение на входе и ре­акцию на ответ сети на выходе. При неверном ответе мы будем менять вектор связей до тех пор, пока он не станет верным для большинства примеров. Например, мы можем таким образом научить сеть различать буквы. И главная прелесть в том, что нам здесь вообще не нужно будет по­нимать, что и как именно эта сеть обрабатывает. Мы даем ей вход, требуем определенный выход, а что происходит внутри — мы сами не задаем и не обязаны этого знать. Та­кую искусственную нейронную сеть практически реализо­вал в 1958 году Розенблатт, и пошло-поехало… Со време­нем использование искусственных нейронных сетей стало одним из ключевых методов в машинном обучении. Само по себе развитие машинного обучения наглядно показало, что программисту не обязательно все знать заранее.

Однако в дальнейшем искусственные нейронные сети не показали тех революционных результатов, которые от них ожидались. Как оказалось, задачи менее узконаправлен­ные, нежели классификация паттернов, для них уже не­подъёмны. Хотя с их помощью и можно решать стандарт­ные задачи типа арифметических, обычный компьютер делает это быстрее и эффективнее. Распознание речи, лиц, текста — все те вещи, что с трудом делает компьютер, но с которыми легко справляется человек, стали основной областью применения искусственных нейронных сетей.

Вероятно, мышление у человека устроено примерно так же: сформированные на основе прошлого опыта связи позволяют генерировать быстрые решения задач, которые уже потом проходят проверку. Подобный механизм может лежать в основе формирования «интуитивных» действий, при этом сам человек может и не понимать, как он при­шел к тому или иному решению.

В современной когнитивной психологии коннекционизм занимает довольно скромное место, в том числе потому что модели, построенные с помощью тех или иных алго­ритмов машинного обучения, мало помогают понять их механизмы. Однако значительным его достижением стала демонстрация того, что компьютер не обязательно дол­жен работать как некоторый записанный программистом алгоритм. Он может сам обучаться, ему нужно для этого лишь задать общую архитектуру (которая тоже может быть пластична). Это не говорит напрямую о том, что машина может мыслить, однако я не вижу никаких принципиаль­ных ограничений для развития искусственного интеллек­та. А это означает, что мы, возможно, увидим интеллект сильнее человеческого — и кто знает, к чему это может нас привести.


Вернуться назад