Путешествие от частицы до Вселенной. Математика газовой динамики

Нейронные сети не программируются в привычном смысле этого слова, а обучаются. Алгоритмы глубинного обучения обеспечивают, что каждый из нейронов берет на себя обработку входящей информации, усваивая ее примерно таким же образом, как это происходит в человеческом мозге.

В нашем мозге нейроны связаны друг с другом, образуя слои. Каждый нейрон имеет несколько входных каналов и только один исходящий. Уровень электрического импульса, поступающего со всех входных каналов, определяет, активируется ли нейрон и передаст ли он сигнал. Способность мозга к обработке информации заключается в регулировании силы связей между нейронами и декодировании сигналов, поступающих из внешнего мира.

Нейронные сети работают так же: у каждого нейрона есть несколько входов и один выход; от интенсивности входящего сигнала зависит, активируется ли нейрон. Каждый слой нейронов представляет собой различный когнитивный аспект: так, в нейронных сетях для обработки изображений первый слой используется для обнаружения базовых форм, второй — для более сложных форм, и так далее, пока очередь не дойдет до таких понятий, как «собака» или «мама».

Преимущество обучаемых нейронных сетей состоит в том, что для процесса глубинного обучения не требуется вмешательство человека — достаточно поступающих данных. Компьютер «Уотсон» компании IBM, например, был запрограммирован на поиск в интернете информации, которая позволила ему выиграть в программе “Jeopardy!” и понимать своих людей-собеседников, но этот поиск производился без вмешательства человека. Нейронная сеть с подходящими параметрами может научиться узнавать элементы на основе набора картинок, и человек при этом не должен будет сообщать ей: «Это камень». Недавно Google добился того, чтобы такая нейронная сеть научилась обнаруживать на фотографиях котов. Другое достижение нейронных сетей — программа, способная распознавать капчу — искаженные изображения, которые используются в интернете для проверки, является ли пользователь человеком.

Нейронные сети — самоорганизующаяся система: на основе случайной начальной конфигурации, следуя простым правилам, они способны программировать себя для осуществления таких сложных задач, как распознавание голоса. Этот тип систем — первый шаг к тому, что можно назвать искусственным интеллектом.

Способность простых систем к самоорганизации была использована и в робототехнике: роботы с невысокими возможностями обработки информации научились вести себя подобно упомянутым выше живым существам. Как и термиты, роботы с ограниченными техническими возможностями, взаимодействуя друг с другом, стали способны решать довольно сложные задачи. Этот вид распределенного интеллекта можно рассматривать как очередной пример сложного поведения системы, опирающейся на простые правила.

Несмотря на то что люди — существа с высоким интеллектом, их поведению в совокупности также характерны черты самоорганизующейся системы. Общество в целом ведет себя словно одна из таких систем: несмотря на то что отдельные люди живут и умирают, структуры, в которых это происходит, также ведут себя подобно диссипативной системе — город потребляет энергию и производит энтропию, подобно жидкости, в которой формируются ячейки Бенара. Социальная и экономическая жизнь также могут быть рассмотрены как динамическая система, которая начинается с некоторого гомогенного состояния и в итоге принимает конечную форму, заданную исходными условиями. Социоантрополог Эдмунд Лич (1910–1989) создал математическую модель политических изменений племен качинов в Бирме в статье 1954 года «Политические системы Северной Бирмы: исследование социальной структуры качинов».

Другой пример самоорганизации в наши дни — интернет, который представляет собой безмасштабную сеть. Такая сеть имеет структуру, в которой серия узлов, называемых хабами, обладает большим количеством связей, ведущих к субхабам, и так далее. Безмасштабные сети характеризуются толерантностью к ошибкам: даже если часть сети перестанет работать, совокупность в целом довольно устойчива и не испытает проблем в функционировании.

Существует несколько теорий безмасштабных сетей. Одна из них, предложенная Альбертом-Ласло Барабаси (1967), предполагает, что в основе такой сети лежит механизм предпочтительного присоединения, в котором число связей узла стимулирует появление новых связей. В некоторой степени это похоже на такую ситуацию: богатому человеку намного легче заработать денег, чем бедному. Структура безмасштабных сетей — это продукт самоорганизации, при которой новые узлы, подобно домашнему роутеру, необходимому для соединения с интернетом, подключаются к другим узлам, формируя устойчивую структуру.

Другие диссипативные системы: лазер