9. Нейрокомпьютеры: инновации приходят из биологии

Возможность символьного представления информации, с ее последующей обработкой, используя алгоритмические логико-комбинаторные процедуры, когда-то представлялась неоспоримым свидетельством универсальной применимости традиционных фон Неймановских компьютеров. Приверженцы классической парадигмы искусственного интеллекта утверждали, что не существует такого процесса переработки информации, который не мог бы быть воспроизведен на ЭВМ.

Но, как это часто бывает, время расставило свои коррективы. И на сегодняшний момент уже очевидно, что надежды, возлагаемые на классическую парадигму искусственного интеллекта, оказались излишне оптимистичными. Чем это можно объяснить? Дело в том, что некоторые виды интеллектуальной деятельности почти не поддаются алгоритмизации. Сюда относятся творческие акты, различного рода решения, основанные на интуиции, и в частности, процессы распознавания образов, в их самых разнообразных формах. Приходится признать, что для решения задач такой степени сложности, как задачи распознавания образов, даже самые быстрые суперкомпьютеры являются медленными. А если так, то закономерно возникает вопрос, является ли решение таких задач принципиально возможным? Или же мы оказались в тупике? В принципе, задача эффективного моделирования таких процессов разрешима, что подтверждается самим фактом существования эффективных реализаций данных процессов в нейронных сетях мозга. Биология, а точнее, нейрофизиология уже решила за нас эту проблему. Несмотря на довольно медленное время работы нейронов, наш мозг быстро распознает образы именно потому, что использует в своей работе другой принцип обработки информации, нежели традиционные компьютеры.

Инновации приходят из биологии

Итак, кризис традиционного подхода к искусственному интеллекту, заставляет исследователей искать новые пути развития компьютерных архитектур. Одно из перспективных направлений развития современных ЭВМ - нейрокомпьютинг - связано с переходом от логического базиса булевских элементов к нейросетевому логическому базису, что обеспечивает параллельную обработку информации на алгоритмическом уровне. Кроме того, в нейронных сетях, как технических устройствах, имитирующих биологические нейросети, учтены следующие информационные принципы их функционирования:

• Несимвольное, аналоговое представление и обработка информации. Именно аналоговая обработка объясняет большую устойчивость нейронных сетей к помехам разного рода.

• Предельный параллелизм и одномоментность обработки информации с последовательной передачей информации от слоя к слою.

• Адаптивность, перестраиваемость межнейронных связей.

Следствием введения в вычислительную технику выше обозначенных биологических инноваций являются следующие преимущества нейрокомпьютеров перед традиционными ЭВМ.

1).В нейрокомпьютерах во главу угла ставится не столько вычислительная эффективность, сколько адаптируемость и пластичность в решении задач разного уровня сложности.

2). Место программирования в нейросетях занимает обучение. В этом смысле можно говорить о нейронных сетях как об индуктивных устройствах: они обучаются на примерах выявлять даже сложные нелинейные нерегулярности. Последнее позволяет нейрокомпьютерам, как непрограммируемым, адаптивным системам обработки информации, разрабатывать собственные алгоритмы поведения в ответ на воздействия окружающей среды.

3). Нейросетевой подход не требует готовых алгоритмов и правил обработки: система должна уметь вырабатывать правила и модифицировать их в процессе решения конкретных задач обработки информации. Для многих задач, где такие алгоритмы неизвестны, или же известны, но требуют значительных затрат на разработку программного обеспечения, нейрокомпьютинг дает эффективные, легко и быстро реализуемые методы решения.