Чеширская улыбка кота Шрёдингера. Мозг, язык и сознание

Итак, предельно сложно организованный человеческий мозг — зеркало для мира или он сам формирует мир? Важен он миру или только самому индивидууму для обеспечения жизнеспособности? Зачем нам его повторять? Чтобы дублировать что — себя или мир? Чтобы узнать, как работает сам мозг или каковы законы мира в целом? А разве мы можем дублировать то, что организовано сложнее, чем мы даже можем себе вообразить? Создавать модели, чтобы проверить правильность гипотез? — Да, но ведь, например, обучая искусственные нейронные сети, мы узнаем не то, как действует мозг, а то, как происходит обучение. Точно так же, как, обучая приматов человеческому жестовому языку, мы выясняем лишь до чего их можно доучить, не более того (см. [Зорина, Смирнова, 2006]).

Сейчас ясно, что процессы работы с памятью (запись, считывание, поиск) у человека и компьютера сильно отличаются (ср. [Кузнецов, 1995]). В основе организации компьютерной памяти лежит адресация — указание места информации в памяти. Различные виды поиска по содержанию (по ключам, наборам признаков и т. д.) обеспечиваются системой адресных ссылок. Человеческая память также располагает большим набором ключей, позволяющих быстро считывать нужную информацию. Однако, даже если мы получаем сопоставимые результаты, у нас нет никакой уверенности, что сами процессы были те же! Например, уже был создан робот, который может компенсировать у себя непредсказуемые нарушения моторики за счет непрерывного перемоделирования себя в зависимости от ситуации [Bongard, Zykov, Lipson, 2006]. Следует ли из этого, что у робота теперь есть самосознание и субъективная реальность? Свобода воли для принятия решений о себе?

Исследования К. В. Анохина [Анохин, 2001] дают нам конкретные сведения о том, что высокая степень сложности процессов памяти отрабатывается природой на животных, стоящих на разных ступенях эволюционной лестницы, и наиболее успешные ходы закрепляются генетически. Человек имеет несопоставимо больше степени свободы выбора алгоритмов как фиксации, так и считывания информации, что на порядок увеличивает уровень сложности. Вспомним Т. де Шардена: «Как только в качестве меры (или параметра) эволюционного феномена берется выработка нервной системы, не только множество родов и видов строятся в ряд, но вся сеть их мутовок, их пластов, их ветвей вздымается как трепещущий букет. Распределение животных форм по степени развитости мозга не только в точности совпадает с контурами, установленными систематикой, но оно придает древу жизни рельефность, физиономию, порыв, в чем нельзя не видеть признака истинности» [Шарден, 1987].

Мозг принято моделировать как классическую физическую систему, которая по определению является вычислительной. Однако очевидно, что это не так, а значит, в будущем, когда такие подходы станут возможны, к моделированию будут, вероятно, подходить в рамках иной научной парадигмы (ср. гипотезу Экклза о том, что для описания функций некоторых структур мозга необходимо привлечение квантовых представлений).

Обозначим свойства психических процессов, которые, на наш взгляд, делают компьютерную метафору совершенно нерелевантной, оглянувшись перед этим на Р. Пенроуза, писавшего, что сознание не может быть сведено к вычислению, так как живой мозг наделен способностью к пониманию (что такое понимание? Не фиксация и соотнесение с чем-то, а именно понимание? Вопрос не праздный, в первую очередь относительно иных видов интеллекта, не человеческого типа) [Penrose, 1994]. Согласно Пенроузу, мозг действительно работает как компьютер, однако компьютер настолько невообразимой сложности, что его имитация не под силу научному осмыслению. Основная сложность видится в следующем: вычислительные процедуры имеют нисходящую организацию, которая может содержать некий заданный заранее объем данных и предоставляет четкое решение для той или иной проблемы. В противоположность этому существует восходящие алгоритмы, где четкие правила выполнения действий и объем данных заранее не определены, однако имеется процедура, определяющая, каким образом система должна «обучаться» и повышать свою эффективность в соответствии с накопленным «опытом»; правила выполнения действий подвержены постоянному изменению. Наиболее известные системы восходящего типа — искусственные нейронные сети, основанные на представлениях о системе связей между нейронами в мозгу и о том, каким образом эта система обучается в реальности.