Радость познания

Другой интересный пример — машины, играющие в шахматы. Просто удивительно, что мы можем создавать машины, которые играют в шахматы лучше, чем почти все присутствующие здесь. Но они делают это, перебирая множество вариантов. Компьютер двигает фигуру, я могу передвинуть фигуру, потом опять он и так далее. Компьютеры просматривают каждую альтернативу и выбирают лучший вариант. Они пересматривают миллионы альтернатив, однако человек, владеющий шахматной игрой, делает это иначе. Он распознает рисунок, структуру. Перед тем как сделать ход, он просматривает только тридцать или сорок позиций. Поэтому, хотя правила при игре в Го проще, машины играют в Го довольно плохо, поскольку в каждой позиции существует слишком много возможностей сделать ход и слишком много вещей, которые надо проверить, — машины не могут смотреть так глубоко. Проблема распознавания рисунка, структуры и что делать в данных обстоятельствах — это то, что пока инженерам (они любят называть себя учеными-компьютерщиками) дается с трудом. Это, безусловно, одна из важнейших задач компьютеров будущего — возможно, более важная, чем то, о чем я говорил. Заставим машины эффективно играть в Го!

Вопрос: Думаю, что всякий метод вычислений не будет плодотворным, пока он не начнет сам составлять такие устройства или программы. Я размышлял над статьей Фредкина по консервативной логике, она очень интригующая, но как только я подумал о составлении простой программы, используя такие устройства, я запутался, так как подобная программа значительно сложнее обычной программы. Думаю, мы легко получим некоторую бесконечную регрессию, поскольку процесс создания определенной программы будет более сложным, чем сама программа, и при попытке автоматизировать программу автоматизированная программа будет намного сложнее и так далее, особенно если программа жестко смонтирована, а не отделяется от компьютера, как обычные программы. Полагаю, это основной вопрос — понять методику построения.

Ответ: У нас несколько иной опыт. Нет никакой бесконечной регрессии: она останавливается при некотором уровне сложности. Машина, о которой так ясно говорит Фредкин, и та, о которой рассказывал я в случае квантовой механики, представляют универсальные компьютеры в том смысле, что они могут быть запрограммированы и выполнять различную работу. Это не жестко смонтированная программа. Они являются не более жестко смонтированными, чем обычный компьютер, в который можно заложить информацию — программа представляет часть входных данных, — и машина решает поставленные задачи. Она с жестко смонтированной программой, но она и универсальна, как обычный компьютер. Такие вещи очень неопределенны, но я нашел алгоритм. Если у вас есть программа, написанная для необратимой машины — обычная программа, — тогда я могу преобразовать ее в обратимую машинную программу с помощью схемы прямого преобразования, которая очень неэффективна и использует много больше пошаговых операций. В реальных ситуациях число шагов может оказаться гораздо меньше. Но я по крайней мере знаю, что могу взять программу с 2n шагами, которая необратима, и преобразовать ее в обратимую программу с 3n шагами. Появилось гораздо больше шагов. Я сделал очень неэффективную программу, поскольку не пытался найти минимум — единственный разумный способ для создания более эффективной программы. Я в самом деле не думаю, что вы нашли регрессию, о которой упомянули — может быть, вы правы, но я не уверен.

Вопрос: Разве мы не жертвуем многими достоинствами таких устройств — ведь обратимые машины работают достаточно медленно? Я весьма пессимистически настроен на этот счет.