Единое ничто. Эволюция мышления от древности до наших дней - Алексей Владимирович Сафронов
Рис. 11. Два случайных набора чисел от 1 до 100. А и В
На рисунке 11 можно увидеть вариант двух таких наборов чисел, сформированный с помощью генератора случайных чисел программы Excel. Совершенно очевидно, что оба набора никак не связаны друг с другом. Но как тогда ответить на вопрос? На самом деле, можно ответить двояко. Либо – что связи нет, либо – что эта связь случайна. Почему связи нет? Потому что нет корреляции величин. Значения A и B никак не влияют друг на друга.
А почему связь случайна? Потому, что, скажем, разница между А и В тоже будет набором случайных чисел. То есть можно представить второе из этих двух чисел как сумму первого и некоторого случайного числа. Например: Bi = Ai + RANDi, где RANDi – тоже случайное число. А раз так, то А и В связаны случайно.
То есть в приведённом нами примере отсутствие связи фактически равносильно наличию случайной связи между событиями. Само по себе это утверждение пока не содержит чего-то удивительного, но из него выходит нечто совершенно неожиданное. А именно – что такой категории, как «отсутствие связи», не существует, так как отсутствующая связь тождественна случайной связи.
Может быть (и это всё ещё не кажется нам столь уж вызывающим заявлением), но представим, что две комнаты из нашего эксперимента находятся в разных галактиках, причём расположенных столь далеко друг от друга, что свет от одной из них не достиг вторую за всё время существования нашей Вселенной. И в то же время числа, которые генерируются аппаратами или придумываются сознательными существами в этих столь отдалённых галактиках, связаны друг с другом случайно. Нельзя сказать, что связь между ними полностью отсутствует.
Теперь сказанное должно представляться критически настроенному читателю уже не банальностью, а софизмом. Ну и что, скажет он, что случайность тождественна отсутствию связи? Не является ли определением случайности как раз отсутствие всякой связи? То есть, говоря, что между чем-то есть случайная связь, мы ведь и имеем в виду, что связи нет. Или нет? Не вводит ли нас в заблуждение язык, в котором наличие случайной связи есть попросту оксюморон? И речь на самом деле о наличии отсутствия таковой?
Подобная логика рассуждения действительно являлась бы софизмом в монистическом мире. Но для плюралистического мира это не так. В нём объект нашего рассмотрения может быть комплексным, то есть включать содержание сразу двух комнат-галактик. Например, мы могли бы рассматривать (Аi, Вi) как некий двухкомпонентный (двухсубстанциальный) объект, например в виде его суммы Ai + Bi. И это будет иметь значение, если мы возьмём ещё и третью комнату-галактику с набором цифр Ci и сравним комплексные объекты Ai + Bi и Ai + Сi.
На рисунке 12 мы приводим вариант такого сравнения, тоже созданного с помощью программы Excel. Здесь черная ломаная соединяет набор сумм Ai + Bi, а серая ломаная – набор сумм Ai + Сi.Мы проделали такую процедуру много раз, заставив генератор случайных чисел придумывать всё новые и новые последовательности. Но они всегда выглядят так, будто между ними есть какая-то вероятностная зависимость. И эта связь действительно существует. Она обусловлена общим слагаемым Аi.
Рис. 12. Два случайных набора сумм чисел от 1 до 100. А + В и А + С
Плюралистическая каузальность представляет собой связь комплексных (мультисубстанциональных) объектов, возникающую в не-системе, то есть в совокупности не связанных друг с другом систем. При этом объекты рассмотрения могут быть не только двухкомпонентными, но и трёх– и n-компонентными.
Как мы уже указывали, рассмотрение плюралистических не-систем требует пересмотра принципа всеобщей связи всех явлений природы. Так как в описанной ранее каузальности отсутствие взаимодействия равносильно случайному взаимодействию, то для таких случаев справедлив принцип всеобщей случайной связи всех явлений природы. Он здесь становится более фундаментальным, и из него, как видно, проистекает вероятностная связь.
Мы ограничимся коротким и общим описанием данного подхода к плюралистической каузальности, так как подробное изложение этой теории выходит за рамки данной книги. Здесь мы стремимся не исчерпывающе описать всю концепцию не-систем, а, скорее, подготовить почву для будущего обсуждения приемлемости и целесообразности такой концепции.
Искусственный интеллект. Некоторое замечание о перспективах его изучения
Под искусственным интеллектом (ИИ) сегодня принято понимать в основном системы машинного обучения. Именно они за счёт простоты использования и широты применения завоевали особенно много поклонников. Такие системы обучаются, чтобы решать самые разные задачи: распознавать образы, предсказывать будущее, классифицировать клиентов, писать газетные заметки, доказывать теоремы или даже мгновенно воплощать в жизнь творческие фантазии, преобразуя слова в картинки или видео. Будущее прогресса в этой области уже сегодня выглядит как научная фантастика. Так велики ожидания, и они уже начинают оправдываться.
Тем не менее такой вид ИИ никогда не станет разумным сам по себе. Для этого нет никаких онтологических оснований. Разум возник на нашей планете как результат адаптации к проблемным условиям окружающей среды. У человечества ещё не скоро возникнет необходимый уровень ресурсов, чтобы создать достаточно крупную проблемную среду, к которой передовые системы машинного обучения смогут сами адаптироваться и в которой смогут развиваться, эволюционировать. Такая среда должна по сложности соотноситься с нашей Вселенной. Но можно ли ускорить процесс? Наверное, можно, но дело в том, что разработчики ИИ пока не знают, чтó нужно привнести в устройство нейронной сети, чтó в ней улучшить, чтобы она начала хотеть, думать, рефлексировать и т. д. Всё это особенности живых и разумных организмов и довольно бессмысленно для ИИ, так как лежит далеко за рамками его категорий.
Однако есть кое-что, что мы определённо могли бы улучшить в нашем понимании ИИ уже сегодня. Речь идёт о преодолении разрыва в интерпретации, о котором ещё не принято говорить. Что это такое? Дело в том, что системы машинного обучения, основанные на принципе нейронных сетей, решают задачи с помощью слоистой модели. Разработчики создают программу, моделирующую поведение нейронной сети, которая имеет входной слой «нейронов», куда подаётся входящая информация, некоторое число промежуточных слоёв-операций, анализирующих входящий сигнал, и выходной слой, дающий результат анализа или решение, принятое сетью. Проблема интерпретации заключается в том, что разработчики весьма условно знают, с какими именно объектами работают анализирующие слои нейронной сети.
Например, одна из решаемых с помощью машинного обучения задач – это распознавание
