Добавил:

ivanov666 Опубликованный материал нарушает ваши авторские права? Сообщите нам.

Вуз:

Башкирский Государственный Аграрный Университет

Предмет:

[НЕСОРТИРОВАННОЕ]

Файл:

Многомерный образ человека. На пути к созданию единой науки о человеке

.pdf

Скачиваний:

Добавлен:

07.09.2026

Размер:

1 Мб

Скачать

☆

<<< < Предыдущая 1 2 3 4 5 67 / 377 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 > Следующая >>>

Рис. 4. Структура функциональной системы. ОА – обстановочная афферентация, ПА – пусковая афферентация.

Работа функциональной системы (рис. 4) может быть описа

на следующим образом.

Сначала происходит афферентный синтез, который включает

в себя нейронные возбуждения, обусловленные: 1) доминирую щей мотивацией, 2) обстановочной и пусковой афферентацией,

3) врожденной и приобретаемой памятью. За афферентным синтезом следует принятие решения, при

котором происходит уменьшение степеней свободы для эффе рентного синтеза и выбор конкретного действия в соответствии с доминирующей потребностью животного и с другими соста вляющими афферентного синтеза.

Затем следует формирование акцептора результата действия,

то есть прогноза результата. Прогноз включает в себя оценку параметров ожидаемого результата.

Эфферентный синтез – подготовка к выполнению действия.

При эфферентном синтезе происходит генерация определенных нейронных возбуждений перед подачей команды на выполнение действия.

Все этапы достижения результата сопровождаются обратной

афферентацией. Если параметры фактического результата отли чаются от параметров акцептора результата действия, то действие прерывается и происходит новый афферентный синтез. В этом случае все операции повторяются до тех пор, пока не будет достигнут конечный потребный результат.

Мотивация

Память

Эфферентные возбуждения

Обратная афферентация

Программа

действия

Акцептор

результата

действия

Принятие

решения

ОА ПА

Результат

действия

Параметры

результата

Действие

ОА

Афферентный синтез

Таким образом, функциональная система имеет циклическую (с обратными афферентными связями) саморегулирующуюся ар хитектонику.

Теория П.К. Анохина подразумевает динамизм функциональных систем. Для каждого конкретного поведенческого акта может быть сформирована своя функциональная система.

Функциональные системы формируются в процессе системо генеза. Теория системогенеза, которая исследует закономерности формирования функциональных систем в эволюции, индивидуаль ном развитии и обучении [39], может рассматриваться как отдель ная ветвь теории функциональных систем.

Каждая функциональная система ориентирована на достиже ние конечного потребного результата.

Необходимо подчеркнуть, что теория функциональных сис тем была разработана в первую очередь для интерпретации ней робиологических данных и зачастую сформулирована в очень интуитивных терминах. Поэтому, хотя она и хорошо известна, она не общепризнана и практически не использовалась при раз работке серьезных моделей адаптивного поведения. Можно ска зать, что попытки формализации теории функциональных систем только начинаются [40–42]. Тем не менее эта теория бази руется на многочисленных биологических экспериментальных данных и представляет собой хорошую концептуальную основу для исследования широкого спектра проблем адаптивного пове дения.

Что же можно делать сразу сейчас? Какие интересные задачи можно исследовать, отталкиваясь от теории функциональных систем?

Важное понятие функциональной системы – мотивация. Роль мотивации состоит в формировании цели и поддержке целена правленных форм поведения. Мотивация может рассматриваться как активная движущая сила, которая стимулирует нахождение такого решения, которое адекватно потребностям организма в рассматриваемой ситуации. И имеет смысл провести модели рование эволюционного возникновения целенаправленного адап тивного поведения и анализ роли мотиваций в формировании целенаправленного поведения. Также следует отметить, что целе направленность могла возникнуть на очень ранних стадиях эволюции, до появления какихлибо форм индивидуально прио бретаемой памяти [43], поэтому, следуя пути, пройденному эволюцией, разумно начать с анализа этого свойства. Кроме того,

свойство целенаправленности важно само по себе – это суще ственная особенность поведения именно живых существ.

Модель эволюционного возникновения целенаправленного

адаптивного поведения была построена и исследована в работах [44, 45]. Охарактеризуем основные результаты этого моделиро вания.

6. Модель эволюционного возникновения

целенаправленного адаптивного поведения

В данной модели исследовался возможный механизм эволю

ционного возникновения целенаправленного поведения, обусло вленного мотивациями.

Основные предположения модели состоят в следующем:

– Имеется популяция агентов (искусственных организмов),

имеющих естественные потребности: 1) потребность энергии и 2) потребность размножения.

– Популяция эволюционирует в одномерной клеточной среде

(рис. 5), в клетках может эпизодически вырастать трава (пища агентов). Каждый агент имеет внутренний энергетический ре сурс R, который пополняется при съедании травы и уменьшается при выполнении какихлибо действий. Уменьшение ресурса до нуля приводит к смерти агента. Агенты могут скрещиваться, рож дая новых агентов.

– Потребности характеризуются количественно мотивациями.

Если энергетический ресурс агента уменьшается, то возрастает мотивация к пополнению энергетического ресурса (характери зующая потребность энергии) и уменьшается мотивация к раз множению. При увеличении энергетического ресурса мотивация к пополнению ресурса уменьшается, а мотивация к размножению растет.

– Поведение агента управляется его нейронной сетью. Сеть

имеет один слой нейронов. На входы нейронов подаются сигна

Рис. 5. Агенты в одномерной клеточной среде.

Поле зрения

Агент

Трава

лы, характеризующие внешнюю и внутреннюю среду агента, выходы нейронов определяют действия агента. Каждому возмож ному действию соответствует ровно один нейрон. В каждый такт времени совершается действие, соответствующее максимальному сигналу на выходе нейрона.

– Агенты «близорукие» – агент воспринимает состояние вне шней среды только из трех клеток его поля зрения (рис. 5): той клетки, в которой агент находится, и двух соседних клеток.

– Агент может выполнять следующие действия: 1) быть в состоянии покоя («отдыхать»), 2) двигаться, то есть перемещать ся на одну клетку вправо или влево, 3) прыгать через несколько клеток в случайную сторону, 4) есть (питаться), 5) скрещиваться.

– Нейронная сеть имеет специальные входы от мотиваций. Если имеется определенная мотивация, то поведение агента меняется, с тем чтобы удовлетворить соответствующую потреб ность. Такое поведение можно рассматривать как целенаправлен ное (есть цель удовлетворить определенную потребность).

– Популяция агентов эволюционирует. Веса синапсов нейрон ной сети, управляющей поведением агента, составляют геном агента. Геном потомка (рождаемого при скрещивании) формиру ется на основе геномов родителей при помощи рекомбинаций и мутаций.

В проведенных компьютерных экспериментах моделирова лась эволюция популяции агентов. Нейронная сеть агентов исходной популяции определяла некоторые простые изначаль ные инстинкты, обеспечивающие питание и размножение аген тов. Далее наблюдалось, как в процессе эволюции изменялись нейронная сеть агентов и определяемое ею поведение агентов.

Для того чтобы исследовать влияние мотиваций на поведение агентов, были проведены две серии экспериментов. В первой серии моделировалась эволюция популяции агентов с «выклю ченными» мотивациями (входы нейронов от мотиваций были «задавлены»), во второй серии мотивации «работали» (так, как это изложено выше).

Основные результаты проведенного моделирования таковы:

– Мотивации играют важную роль в исследованных эволюци онных процессах. А именно: если сравнить популяцию агентов без мотиваций с популяцией агентов с мотивациями, то, как показывают компьютерные эксперименты, эволюционный про цесс приводит к тому, что вторая популяция (с мотивациями)

имеет значительные эволюционные преимущества по сравнению с первой (без мотиваций).

Рис. 6. Схема управления агента без мотиваций. Поведение аген та состоит из одних только простых безусловных рефлексов, при котором выбор действия напрямую определяется текущим состоянием окружающей среды.

– Результаты моделирования также демонстрируют (рис. 6, 7),

что управление поведением агента без мотиваций можно рассма

Рис. 7. Схема управления агента, обладающего мотивациями. Мотивации формируют новый уровень иерархии в системе упра вления агентами.

ВИЖУ

ЕДУ

ЕСТЬ

НЕ ВИЖУ

НИЧЕГО

ОТДЫХАТЬ

ВИЖУ

СОСЕДА

СКРЕЩИВАТЬСЯ

ВИЖУ

ЕДУ

ЕСТЬ

ВИЖУ

СОСЕДА

СКРЕЩИВАТЬСЯ

НЕ ВИЖУ

НИЧЕГО

ОТДЫХАТЬ

тривать как набор простых инстинктов (несколько отличающих ся от изначально заданных), а управление агентом с мотивация ми – как иерархическую систему управления, состоящую из двух уровней: уровня простых инстинктов и метауровня, обусловлен ного мотивациями. При этом иерархическая система управления обеспечивает более эффективное управление, чем одноуровневая система, в которой поведение определяется одними лишь про стыми инстинктами.

Понятно, что очерченная модель только лишь характеризует роль мотиваций, целенаправленности в адаптивном поведении и еще далека от моделей реальных когнитивных процессов. Тем не менее она дает определенный вклад в понимание работы функциональных систем и опору для развития моделей более интеллектуальных процессов.

7. Некоторые концептуальные аспекты

Как уже отмечалось выше, целесообразно сочетание постро ения базовых математических моделей с развитием концептуаль ных подходов к этому моделированию. Отметим некоторые кон цептуальные аспекты, которые могут быть полезны при модели ровании когнитивной эволюции.

Два метасистемных перехода. Отметим два ключевых перехода, которые было бы интересно осмыслить в рамках работ по анали зу когнитивной эволюции: 1) переход от физического уровня обработки информации в нервной системе животных к уровню обобщенных образов и 2) переход от первобытного мышления к критическому.

Оба перехода можно характеризовать термином «метасистем ный переход» [9]. Очень упрощенно и кратко метасистемный переход можно определить как возникновение качественно нового уровня управления поведением в результате объединения систем управления предыдущего уровня иерархии.

1) Переход от физического уровня обработки информации в нервной системе животных к уровню обобщенных образов можно рассматривать как появление в «сознании» животного свойства «понятие». Обобщенные образы можно представить как мысленные аналоги наших слов, не произносимых животными, но реально используемых ими. Например, у собаки явно есть понятия «хозяин», «свой», «чужой», «пища»... И было бы интерес но постараться осмыслить, как такой весьма нетривиальный «метасистемный переход» мог произойти в процессе эволюции.

2) Переход от первобытного мышления к критическому. Кри

тическое мышление отличается от первобытного тем, что возни кает оценка мыслительного процесса самим мыслящим субъек том. «Критическое мышление рассматривает каждое объяснение (языковую модель действительности) наряду с другими, конкури рующими объяснениями (моделями), и оно не удовлетворится, пока не будет показано, чем данное объяснение лучше, чем кон курирующее» [9, гл. 8]. Здесь уместно упомянуть «Феномен чело века» П. Тейяра де Шардена [46], где этот переход называется возникновением рефлексии. Концептуально этот процесс хоро шо представлен в книге [8].

Повидимому, первый переход можно рассматривать как воз

никновение простейших когнитивных способностей, а второй – как возникновение высших форм когнитивной деятельности.

Внутренняя модель, предсказание. Подчеркнем важность двух

понятий, которые можно использовать при анализе когнитивной эволюции: модель и предсказание [9]. Здесь под моделями мы будем понимать внутренние модели в «сознании» животных, те модели, которые формируются в «базе знаний» животных и на основе которых делается предсказание, позволяющее животным предвидеть будущие ситуации и адекватно использовать прогноз для принятия решений в постоянно меняющемся внешнем мире. Смысловое содержание моделей может быть охарактеризовано уже отмеченным термином «семантическая сеть», которую опре деляют как сеть внутренних понятий, сформированных в «базе знаний» животного, объединенных в структуры посредством смысловых связей между этими понятиями. Семантические сети и модели внешнего мира постоянно совершенствуются в резуль тате обучения.

Здесь обратим внимание на аналогию выработки условного

рефлекса с процессом формирования связи между причиной и следствием, обсуждавшимся Д. Юмом [3]. Как отмечал Юм, у нас есть некоторое внутреннее чувство, заставляющее нас после множества наблюдений последовательной пары событий А и В делать вывод о том, что первое событие А есть причина второго В. Можно полагать, что и при выработке условного рефлекса у животного есть внутреннее чувство, которое заставляет его формировать в его семантической сети долговременную связь между узлами «условный стимул» (событие А) и «безусловный стимул» (событие В). Можно даже попытаться выявить мате риальный субстрат этого внутреннего чувства – «чувства причин

ности» – в нервной системе животных. Интуитивно чувствуется, что формирование таких связей между причиной и следствием должно обеспечить способность делать предсказания и строить модели внешнего мира.

Итак, мы можем использовать понятие «модель» для характе ристики моделей ситуаций и общей модели внешнего мира, кото рые существуют в «базе знаний» животного. Эти модели исполь зуются животными для прогнозирования ситуаций, результатов действий, для адекватного управления своим поведением.

Человек, естественно, тоже имеет свои модели ситуаций и модели, характеризующие его общие представления о внешнем мире. Более того, общая научная картина мира – создаваемая всем международным научным сообществом – также может рас сматриваться как совокупность моделей. Наиболее четкие и общие из этих моделей мы называем законами природы – например, закон всемирного тяготения или законы электродина мики, описываемые уравнениями Максвелла. Используя науч ные модели, мы можем делать предсказания будущих событий во внешнем мире. Часто эти модели настолько абстрактны, что они трудно воспринимаются нашей интуицией – например, модели квантовой механики.

Таким образом, используя понятие «модель» и анализируя способы формирования моделей и методы использования моде лей, мы можем попытаться проследить эволюцию познаватель ных способностей на разных ступенях эволюции: от условного рефлекса до процессов научного познания.

8. Заключение

Итак, в настоящей работе очерчены подходы к моделирова нию когнитивной эволюции. Аргументируется, что такие иссле дования, в конечном итоге направленные на осмысление пробле мы происхождения мышления, логики, интеллекта человека, очень интересны и важны с точки зрения развития научного миропонимания.

И в конце концов, есть ли в современной науке более глубокая и более серьезная проблема, чем проблема эволюционного про исхождения мышления человека?

Литература

1. Искусственный интеллект. – В 3х кн. Кн. 2. Модели и

методы. Справочник / Под ред. Д.А. Поспелова. М.: Радио и связь, 1990. С. 304.

2. Воронин Л.Г. Эволюция высшей нервной деятельности.

М.: Наука, 1977. С. 128.

3. Юм Д. Исследование о человеческом познании. Соч. в 2х

томах. Т. 2. М.: Мысль, 1966. С. 5–169.

4. Кант И. Критика чистого разума. Соч. в 6ти томах. Т. 3.

М.: Мысль, 1964. С. 69–695.

5. Кант И. Пролегомены ко всякой будущей метафизике,

могущей появиться как наука. Соч. в 6ти томах. Т. 4, часть 1. М.: Мысль, 1965. С. 67–210.

6. Lorenz K. Kant’s doctrine of the a priori in the light of contem

porary biology (1941) // Plotkin H. (Ed.) Learning, Development and Culture. N.Y., 1982.

7. Карл Поппер. «Эволюционная эпистемология» // Сб. «Эво

люционная эпистемология и логика социальных наук: Карл Поп пер и его критики.» Составление Д.Г. Лахути, В.Н. Садовского, В.К. Финна. М.: Эдиториал УРСС, 2000.

8. Меркулов И.П. Когнитивная эволюция. М.: Наука, 1999.

9. Турчин В.Ф. Феномен науки. Кибернетический подход к

эволюции. М.: Наука, 1993. С. 295 (1е изд). М.: ЭТС, 2000. С. 368 (2е изд). См. также: http://www.refal.ru/turchin/phenomenon/

10. Red’ko V.G. Evolution of cognition: Towards the theory of ori

gin of human logic // Foundations of Science, 2000. V. 5. № 3. P. 323–338.

11. Редько В.Г. Эволюционная кибернетика. М.: Наука, 2001.

С. 156. См. также: http://www.keldysh.ru/pages/BioCyber/Lectu res.html

12. Meyer J.A., Wilson S. W. (Eds) From animals to animats. Pro

ceedings of the First International Conference on Simulation of Adap tive Behavior. The MIT Press: Cambridge, Massachusetts, London, England, 1990.

13. Meyer J.A., Guillot, A. From SAB90 to SAB94: Four years of

Animat research. // In: Proceedings of the Third International Confe rence on Simulation of Adaptive Behavior. The MIT Press: Cambridge, Cliff, Husbands, Meyer J.A., Wilson S. W. (Eds) 1994.

14. Donnart J.Y., Meyer J.A. Learning Reactive and Planning Rules

in a Motivationally Autonomous Animat // IEEE Transactions on

Systems, Man, and Cybernetics – Part B: Cybernetics, 1996. V. 26, № 3. P. 381–395.

15. Цетлин М.Л. Исследования по теории автоматов и модели

рование биологических систем. М.: Наука, 1969. С. 316.

16. Варшавский В.И., Поспелов Д.А. Оркестр играет без дири

жера. М.: Наука, 1984.

17. Бонгард М.М., Лосев И.С., Смирнов М.С. Проект модели организации поведения – «Животное» // Моделирование обуче ния и поведения. М.: Наука, 1975. С. 152–171.

18. ГаазеРапопорт М.Г., Поспелов Д.А. От амебы до робота: модели поведения. М.: Наука, 1987. С. 288.

19. Непомнящих В.А. Аниматы как модель поведения живот ных // IV Всесоюзная научнотехническая конференция «Нейро информатика–2002». Материалы дискуссии «Проблемы интел лектуального управления – общесистемные, эволюционные и нейросетевые аспекты». М.: МИФИ, 2003. С. 58–76. См. также: http://www.keldysh.ru/pages/BioCyber/RT/Nepomn.htm

20. Непомнящих В.А. Поиск общих принципов адаптивного поведения живых организмов и аниматов // Новости искусствен ного интеллекта. 2002. № 2 (50). С. 48–53.

21. Сайт AnimatLab: http://animatlab.lip6.fr/index.en.html

22. Guillot A., Meyer J.A. From SAB94 to SAB2000: What’s New, Animat? // In Meyer et al. (Eds). From Animals to Animats 6. Proce edings of the Sixth International Conference on Simulation of Adapti ve Behavior. The MIT Press, 2000.

23. Сайт AI Laboratory of Zurich University: http://www.ifi.u nizh.ch/groups/ailab/

24. Pfeifer R., Scheier C., Understanding Intelligence. MIT Press,

1999.

25. Сайт Laboratory of Artificial Life and Robotics: http://gral.ip.rm.cnr.it/

26. Nolfi S., Floreano D. Evolutionary Robotics: The Biology, Intelligence, and Technology of SelfOrganizing Machines. Cambrid ge, MA: MIT Press/Bradford Books, 2000. Р. 384.

27. Сайт MIT Artificial Intelligence Laboratory: http://www.ai. mit.edu/

28. Brooks R.A. Cambrian Intelligence: The Early History of the New AI. MIT Press, 1999.

29. Редько В.Г. Адаптивный сайзер // Биофизика. 1990. Т. 35. Вып. 6. С. 1007–1011.

<<< < Предыдущая 1 2 3 4 5 67 / 377 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 > Следующая >>>

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]