Философия науки. Выпуск 6

6. Новейшие достижения в области искусственного интеллекта. В 80—90-х гг. XX в. в когнитивной науке был разработан и успешно применен новый компьютерный подход к моделированию мозга — коннекционизм (от англ. connection — соединение, связь). Этот подход использует искусственные нейронные сети, которые позволяют моделировать и объяснить некоторые процессы познания живых существ (включая человека) и их интеллектуальные способности. Оказалось, что искусственные нейронные сети, использующие принцип параллельной и распределенной обработки информации, с гораздо большей степенью адекватности воспроизводят выявленные нейробиологами механизмы функционирования мозга — например, наличие в организации нейронов промежуточных, “скрытых” слоев, при участии которых происходит внутренняя переработка поступающих извне сигналов, способность определенным образом соединенных групп нейронов к постепенному изменению своих свойств по мере получения новой информации (т.е. к обучению) и т.д. Сознание, разумное мышление, память, с точки зрения коннекционистских моделей, возникают в результате самоорганизации как эмержентное свойство нейронных сетей, когнитивной системы в целом, а не как свойство ее отдельных элементов.

Согласно взглядам современных коннекционистов, нейронные сети — это упрощенные модели мозга, состоящие из большого числа модулей (аналогов нейронов), которым приписываются веса, измеряющие силу соединений между модулями. Эти веса моделируют действия синапсов, обеспечивающих информационный обмен между нейронами. Модули нейронной сети, соединенные вместе в паттерне подключений, обычно делят на три класса: входные модули, которые получают необходимую для обработки информацию; выходные модули, где содержатся результаты обработки информации; и модули, находящиеся между входными и выходными, получившие название скрытых модулей. Если нейронную сеть рассматривать как модель человеческого мозга, то входные модули аналогичны сенсорным нейронам, выходные — моторным нейронам, а скрытые модули — всем другим нейронам. Каждый входной модуль имеет величину возбуждения, репрезентирующую некоторое свойство, внешнее к сети. В конечном счете сигнал от входных модулей распространяется всеми путями через сеть и определяет величины возбуждения во всех скрытых и выходных модулях. Установленный сетью паттерн возбуждения определяется весами или силой соединений между модулями. Величина возбуждения для каждого получающего сигнал модуля рассчитывается согласно функции возбуждения. Так как допускается, что все модули вычисляют в значительной мере ту же самую простую функцию возбуждения, то успешное моделирование человеческих интеллектуальных действий зависит прежде всего от параметров настройки весов между модулями. Поэтому нахождение правильного набора значений, необходимых для выполнения данной задачи, — главная цель в исследованиях коннекционистов. Для этого были изобретены соответствующие алгоритмы, которые позволяют вычислять правильные значения, необходимые для решения многих задач. Как оказалось, успешное применение коннекционистских методов зависит от весьма тонкой корректировки таких алгоритмов и используемых для обучения значений. Обучение обычно включает сотни тысяч попыток корректировки значений и может занимать дни или даже недели.

Уже первые попытки применения нейронных сетей для решения когнитивных задач — для чтения английского текста (NETtalk, сеть, разработанная Сейновским и Розенбергом в 1987 г.), для предсказания форм прошедшего времени английских глаголов (Румелхарт и Мак Клелланд, 1986 г.), для оценки грамматических структур (Элман, 1991 г.) — показали их эффективность в качестве моделей человеческого интеллекта. Они особенно хорошо адаптированы к обработке информации, касающейся ассоциаций, к когнитивным проблемам, которые возникают в случае параллельно действующих противоречивых команд, — например, распознавание объектов, планирование, координирование движений, оценка тонких статистических паттернов, оперирование нечеткими понятиями и т.д.