Гай Клакстон - Развитие интуиции. Как принимать верные решения без сомнений и стресса
Даже если мы сконцентрируемся только на зрительных образах (а понятия, о которых я говорю, формируются всеми пятью чувствами), мы обнаружим, что есть несколько аспектов зрительного восприятия – цвет, размер, движения, пространственное расположение, – и все они обрабатываются в разных областях мозга. Согласно оценкам ученых, известно, что существует по крайней мере 30–40 отдельно расположенных областей мозга, где обрабатываются зрительные сигналы. А также, что разные системы нейронов между собой тесно связаны, даже, я бы сказал, спутаны. Добавьте сюда другие чувства, а также память, эмоции и способность планировать, и получится, что «Джейн-нейроны» находятся в каждом уголке мозга. Близость нейронов отражается в их функциях, им совсем не обязательно находиться рядом друг с другом, точно так же как в современном мире «быть ближе друг к другу» означает не географическое положение, а крепость отношений между людьми.
Еще до рождения человека нейроны его мозга связаны вместе в функциональные группы, которые действуют так, чтобы привлечь и удержать поток нейронного возбуждения. И в свою очередь эти центры возбуждения скрепляются вместе, как будто их один за другим нанизали на струну. Они образуют пути, по которым преимущественно и проходит нейронное возбуждение. Вследствие этого в мозгу развивается своеобразный рельеф. Чтобы лучше понять данную идею, можно представить, что такие понятия, как «Джейн», «кошка» или «студент», образуют некую «нейронную впадину», в которую, точно так же как вода стекает в долину по склонам, «стекается» возникшее поблизости нейронное возбуждение. Опыт сглаживает кочки и ямки в мозгу, образуя «пути наименьшего сопротивления», по которым (равно как и вдоль которых) течет поток нейронного возбуждения.
На дне этой «долины» собраны характеристики, по которым мы узнаём понятие, причем происходит этого независимо от того, знаем мы об этом или нет. По «склонам» располагаются базовые характеристики, а еще выше, по «краю», находятся случайные и необязательные ассоциации. Время и опыт обтачивают скопления нейронов и вырезают своеобразный объемный «мозговой ландшафт», где по оси вертикали отображается степень взаимосвязанности и взаимной чувствительности нейронов, связанных одним понятием. И чем глубже эта «впадина», тем больше связаны между собой нейроны и тем сильнее, скажем так, укореняются понятия об этой части реальности. Но эти «впадины» очень отличаются друг от друга размером, глубиной и крутизной склонов. «Долины» с крутыми склонами означают, что понятие довольно четко определено и «нанесено на карту» мозга и здесь будет очень мало неопределяющих, или неважных связей. Пологие склоны указывают на более широкий диапазон более свободных связей и понятий. Технически совершенно невозможно исследовать живой мозг и узнать, как в процессе познания и обучения образуются такие огромные скопления нейронов и как они распределяют функции между собой. Однако возможно написать компьютерные программы, которые воспроизводят свойства нейронов, и уже с их помощью можно исследовать путь познания, для которого достаточно небольшого количества искусственных нейронов. Выясняется, что так называемые нейронные сети удивительно «разумны». Например, они могут очень близко воспроизводить пути познания, которые мы обсудили в главах 2 и 3, когда знания без какого-то осознанного понимания или объяснения того, что было изучено, превращаются в опыт.
В качестве примера можно рассмотреть задачу, где нужно выявить наличие подводных мин при помощи гидролокатора. Основная проблема: по отраженному сигналу отличить мину от камня или какого-нибудь другого предмета на дне. Невооруженным ухом сделать это практически невозможно. При этом, разумеется, отраженные эхо-сигналы мины и камня различны, но точно так же отличаются сигналы от камней из разных пород, от мин разного размера и конструкции или от предметов из других материалов. Размер, форма, расположение на дне – все эти факторы влияют на параметры отраженного эхо-сигнала. Так что эта задача, актуальная во время военных действий или при очистке акватории от мин после них, очень непроста. Некоторые устойчивые признаки есть, но они носят комбинаторный характер, то есть включают в себя множество комбинаций подобных характеристик. Мы не сможем свести различия эхо-сигналов от разных предметов (мин и камней) к каким-либо единичным характеристикам – например, мощности сигнала и его частоте. Для того чтобы отличить мину от камня, мы должны оперировать совокупностью параметров.
Предположим, нам надо проанализировать определенный эхо-сигнал на 13 частотных диапазонах и измерить амплитуду сигналов в каждом диапазоне. Обозначим частоты буквами латинского алфавита: А, В и далее до М – и чисто теоретически скажем, что мощность сигнала в каждом диапазоне может варьироваться от 0 до 10 баллов. Маловероятно, что данные, полученные хотя бы в одном из диапазонов, были достаточны для принятия четкого решения – камень или мина. В данном случае решить эту задачу, то есть установить отличительные признаки камней и мин, совсем не так просто. Недостаточно сказать – все камни отражают сигнал мощностью выше 7 баллов в диапазоне Н, а все мины – меньше 7 или, скажем, «если эхо-сигнал обнаружил камень, то мощность его в диапазоне С будет в 2–3 раза больше мощности в диапазоне J», тогда задача решалась бы просто. Единственная вразумительная схема, благодаря которой можно отличить камень от мины, должна выглядеть примерно следующим образом: «Есть вероятность, что эхо-сигнал получен от мины, если либо суммарное значение в диапазонах A, D и L в 6 раз превышает значения, полученные в диапазонах E и F, и в то же время H минус K меньше, чем половина J деленное на B; либо суммарное знание G, H, K и L более чем в 3,5 раза превышает суммарное значение A, B и C, поделенное на разницу между I и M». Чтобы точно определить разницу между миной и камнем, если это вообще возможно, нам нужны схемы именно такой степени сложности: их очень трудно обнаружить, распознать и еще труднее описать.
На самом деле операторы, которые обрабатывают данные эхолотов, временами могут довольно точно отличать камень от мины, однако, как участники экспериментов на познание путем впитывания, не могут четко выразить, что именно они знают. И все же человек не безупречен, а подобные ошибки могут стоить очень дорого. Чтобы научить искусственный интеллект отличать мины от камней, мы должны сделать так, чтобы он столкнулся с такой ситуацией на практике и накопил собственный опыт.
Нейронная сеть, включающая в себя только 22 разных нейрона, смогла на удивление верно показать, как осуществляется этот процесс. Нейроны расположены в три яруса (см. рис. 9). На первом ярусе находятся 13 чувствительных, или сенсорных, нейронов, соответствующих 13 диапазонам, на которые раскладывается звуковой спектр эхо-сигнала. Они настроены на определение мощности сигнала внутри определенного диапазона, а также излучают сигнал, пропорциональный их мощности, как настоящие нейроны передают потенциал действия. Все 13 нейронов посылают сигналы каждому из семи, находящихся на следующем ярусе, а каждый из них, в свою очередь, посылает отраженный сигнал каждому из двух нейронов с последнего яруса, обратный сигнал которых распознается как «мина» или «камень». Такая упрощенная модель мозга не способна построить больше связей, при этом она может четко продемонстрировать избирательную чувствительность каждого нейрона ко всем сигналам, которые он получает, именно так, как это происходит с настоящими нервными клетками.
Рис. 9. Простая нейронная сеть, помогающая отличить подводные камни от мин
Задача сети заключается в том, чтобы на основе опыта постепенно отрегулировать эту чувствительность так, чтобы поток возбуждения через связи гарантированно возбудил нейрон «камень», если там камень, и нейрон «мина», если есть мина. Ни программист, ни тем более компьютер изначально не знают, какая именно нужна чувствительность. Они даже не знают, существует ли такая чувствительность, которая нужна, чтобы справиться с задачей. Самое лучшее, что может сделать программист, – взять много разных настоящих эхо-сигналов, которые точно были получены от мины или камня, и один за другим запустить их в сеть. После того как сеть сформирует решение, программист должен определить, правильное оно или ошибочное. На этапе подготовки компьютеру задают несколько простых правил, с их помощью он может отрегулировать или подстроить чувствительность нейронов, основываясь на информации об успешности выполненной операции. Например, можно запрограммировать сеть таким образом, чтобы она определяла чувствительность после каждой попытки, исходя из того, был ли сигнал связан с правильным или ошибочным ответом. Величина поправки сигнала зависит от его отклонения в ту или иную сторону: правильные сигналы подстраиваются лишь немного, ошибочные – сильнее. Сначала «мозг» получает большое количество ответных реакций, после которых ему говорят – правильные это реакции или ошибочные. После этого его можно протестировать, используя новую серию сигналов, с которыми он никогда не встречался, и посмотреть на результат.
