БИОФИЗИЧЕСКИЕ ОСНОВЫ КИБЕРНЕТИКИ

В следующей главе будет приведено описание работ в иной области. Модели, к созданию которых направ­лены эти работы, уже очень близки к промышленному применению.

Глава 14

ОБУЧАЮЩИЕСЯ И ОБУЧАЮЩИЕ МАШИНЫ

Рассмотрим прежде всего новый тип биофизической модели, совершенно непохожий на модели, описанные в предыдущей главе. Этот тип принадлежит к классу машин, предназначенных для исследования нейрофизио­логии мозга. На чем основана способность мозга рас­познавать образы, ассоциировать один предмет с дру­гим, или, короче говоря, классифицировать? Чтобы по­лучить ответ на этот вопрос, связанный с построением машины, имитирующей такой вид поведения живых организмов, обратимся к работам таких ученых, как Ф. Г. Джордж (F. Н. George) и А. М. Аттли (А. М. Uttley). Вполне естественно, что прототипами таких машин яв­ляются конечный автомат и описывающая его теория сетей, ибо сеть нервных тканей с ее нейронами, прини­мающими два состояния, способна каким-то образом осуществлять классификацию, а этот процесс, в свою очередь, должен поддаваться некоторому описанию в терминах статистического поведения логической сети, и, следовательно, можно, по крайней мере в принципе, по­строить машину, имитирующую эту способность.

Вышедшая сравнительно недавно работа Аттли [26], в которой он исследует эту проблему, уже успела стать классической. Любой образ, по существу, нетрудно опи­сать с помощью совокупности двоичных индикаторов, так же как и представить себе, что при помощи той же совокупности индикаторов такой образ можно запомнить и сравнить со входом, представляющим собой случайно меняющуюся последовательность образов. Можно было бы определить распознавание образа как совпадение одного из образов меняющейся последовательности с запомненным образом. Однако такой принцип построе­ния модели механизма распознавания образов живот­

157

ными содержит две основные неясности. Во-первых, сложный образ обычно не возникает в мозгу мгновенно, его формирование растянуто во времени. Простейшим примером этого является музыкальная мелодия. Совер­шенно справедливо, что каждая нота представляет со­бой мгновенный образ, но форма всей музыкальной фразы является образом, растянутым во времени. Во- вторых, для мозга любой образ «распознаваем» даже тогда, когда он не точно совпадает с запомненным ори­гиналом. Мы не ошибемся в распознавании стола именно как стола, если допустим, что одна ножка подпилена, точно так же как не ошибемся в распознавании первых аккордов из какой-нибудь известной всем симфонии, если одна нота взята фальшиво. Таким образом, спо­собность классифицировать, очевидно, должна быть ос­нована на механизме, который может распознавать си­стему, имеющую протяженность как в пространстве, так и во времени, а также может оценивать неполные образы.

Классифицирующая машина Аттли отвечает обоим этим требованиям. Прежде всего, она воспринимает об­раз как нечто, имеющее протяженность во времени, т. е. ее вход задается нажатием -некоторой последователь­ности кнопок. При этом через линию задержки прохо­дит последовательность сигналов, кодируемая в виде пространственного образа. Следовательно, информация представляется в такой форме, что эту информацию можно рассматривать как совмещенную во времени, т. е. как обычную картину. Но можно ли получить при этом два идентичных образа, создаваемых не совпадаю­щими во времени последовательностями? При мгновен­ном представлении два индикатора могут одновременно фиксировать сигналы, и информация о том, который из них (в отношении исходной последовательности) зафик­сировал сигнал первым, была бы потеряна. Следова­тельно, необходимо добавить другой образ, представ­ляющий собой кодированное сообщение о моментах, когда каждый индикатор перешел из одного состояния в другое. Все эти функции машина Аттли может выпол­нять, снимая тем самым первое затруднение.

Далее, проблема неполноты также преодолевается благодаря использованию сети, способной сравнивать

БИОФИЗИЧЕСКИЕ ОСНОВЫ КИБЕРНЕТИКИ

неполные образы с полными. Именно здесь в систему проникает элемент случайности. Ответ на вопрос, «при­надлежит ли действительно» неполное множество к пол­ному «запомненному» множеству, безусловно, не может быть непогрешимым. Теория информации показывает, что количество информации, передаваемое неполным множеством носителей, является недостаточным, чтобы дать полностью детерминированный ответ на этот во­прос; математика доказывает, что в этом случае остают­ся такие степени свободы, на которые нельзя наложить ограничения, и, наконец, логика поясняет, что рассма­триваемый процесс является индуктивным по самой своей природе, а следовательно, в определенном смысле произвольным. С какой бы точки зрения мы ни подхо­дили к этому вопросу, результат всегда один и тот же: вполне определенного ответа дать нельзя. Субъективный опыт, полученный на основе непосредственных наблю­дений, безусловно, подтверждает этот теоретический вывод. И действительно, как легко ошибиться при рас­познавании образов, например, радостно окликнув ка­кого-нибудь совершенно незнакомого человека, идущего по противоположной стороне улицы, внезапно приняв его за своего приятеля. Однако, с другой стороны, я лично еще никогда не принимал книгу за бутылку вина. Таким образом, очевидно, что даже неполный образ обладает своими собственными вероятностными харак­теристиками, отличающими его от всех прочих образов. Классифицирующая машина должна обладать способ­ностью оценивать вероятность принадлежности данного неполного образа к известному более полному. В этом случае она может классифицировать вход с большей или меньшей степенью уверенности. Именно так осу­ществляет свои функции мозг, именно эти функции вы­полняет также машина Аттли.

По мере того как такая машина накапливает опыт в отношении вероятностных характеристик объектов, с которыми она сталкивается, она приобретает все боль­шую уверенность в своих собственных действиях. Она, естественно, будет классифицировать вход все более быстро и с меньшим риском ошибки в случае, когда вероятности принадлежности образов к данному классу