Можно провести еще одну параллель между работой человеческого мозга и компьютера при решении проблем. Речь идет о применении тех стратегий, которые мы рассмотрели в главе 8.

Поскольку компьютер может работать только по программе, рассматривать здесь случайный перебор бессмысленно. В случае если речь идет об игре, в которой такая стратегия не используется, было бы неэкономно «заставлять» компьютер искать решение задачи с помощью этой стратегии.

Остальные две стратегии используются как человеком, так и компьютером.

Рациональный перебор соответствует эвристическому методу, при котором процессор занимается поисками частичных решений, чтобы максимально повысить вероятность нахождения приемлемого решения, сведя к минимуму время и усилия на его поиск.

Систематический перебор соответствует алгоритмическому методу; в этом случае систематически просматриваются все возможные (при имеющемся наборе данных) решения с целью найти то из них, которое наиболее эффективно. Однако компьютер, так же как и человек, не использует эту последнюю стратегию для решения сложных задач. Например, при игре в шахматы алгоритмический метод потребовал бы того, чтобы компьютер для полной уверенности в выигрыше каждый раз просматривал 10¹²⁰ возможностей. В подобных случаях выгоднее использовать эвристический метод, позволяющий с помощью ряда подпрограмм ограничивать поиски решений конкретными «узкими» задачами, такими как захват центра шахматной доски или атака на короля противника.

Искусственный интеллект и человеческое мышление

Искусственный интеллект — это специальная область науки, опирающаяся на информатику и другие дисциплины; ее главной задачей является разработка таких программ, которые придали бы компьютеру интеллект.

Существуют два подхода к проблеме искусственного интеллекта. Чаще всего исследователи используют подход «сверху вниз», при котором разрабатываются экспертные системы, или «мыслящие машины». Такие машины представляют собой настоящий электронный мозг, способный формулировать правила организации знаний, создавать гипотезы и сопоставлять их с реальной действительностью с целью выработки новых решений. Второй подход — это путь «снизу вверх». При этом ученые разрабатывают системы, улавливающие различные виды информации (по типу глаза или уха), соединяют эти системы с обучающимися сетями и с помощью таких моделей пытаются понять, как действует мозг при декодировании и интерпретации входных данных.

По мнению Моравеца (Университет Карнеги — Меллона), об «искусственном интеллекте» можно будет по-настоящему говорить только тогда, когда эти два подхода, развивающиеся пока независимо, объединятся.

1. Мыслящие машины. Компьютеры, о которых мы до сих пор говорили, — это обычные электронные вычислительные машины, действующие по принципу цифровой обработки информации. Они имеют, с одной стороны, блок памяти, а с другой — обрабатывающее устройство; эти два блока по программе, составленной человеком, обмениваются двоичными сигналами, каждый из которых может принимать значения либо «да», либо «нет». Даже для таких машин уже созданы экспертные системы, благодаря которым они работают по меньшей мере так же эффективно, как лучшие специалисты различных областей человеческого знания.

В последние годы некоторые биофизики — например, Хопфилд из Калифорнийского технологического института, — заинтересовались разработкой так называемых нейрокомпьютеров, функционирование которых гораздо ближе к работе человеческого мозга. Такие компьютеры состоят из сетей, образованных соединенными между собой кремниевыми «нейронами». Роль синапсов здесь играют сопротивления в местах контактов между «нейронами». Преимущество таких сетей состоит в том, что им не обязательно нужно обладать всеми входными данными, чтобы предложить возможное решение проблемы. Их память, как и наша, функционирует по ассоциативному принципу: эти машины способны ассоциировать неполную входную информацию с информацией, уже имеющейся в памяти, и благодаря этому могут формулировать вероятные ответы гипотетического характера («может быть…»). Память диффузно распределена по всей нейронной сети, и при уничтожении части этой сети она не разрушается, а становится лишь менее четкой или более подверженной ошибкам.

С помощью подобной сети из нескольких десятков искусственных нейронов, соединенных с матрицей фоточувствительных элементов, Хопфилд смог добиться распознавания, например, буквы А независимо от конкретного варианта ее написания. Именно так ребенок усваивает алфавит. Для этого Хопфилду достаточно было сделать так, чтобы сеть сама могла изменять сопротивление своих связей при каждом предъявлении буквы А, написанной несколько различными способами. На одиннадцатом предъявлении машина распознала букву А за долю секунды.

Сайновски и Розенберг из Университета Джонса Гопкинса достигли еще большего: их машина NETtalk за одну ночь усвоила 1000 слов, прочитанных вслух из текста на английском языке. При использовании классических методов программирования это потребовало бы нескольких лет.

Подобные сети способны обучаться самостоятельно, и им не надо указывать, верен или неверен их ответ. Машине достаточно лишь запомнить состояние сети при предъявлении ей той или иной информации (например, буквы А), и тогда конфигурация, характерная для этой информации, автоматически воспроизводится при ее новом предъявлении. Такие сети способны в рекордное время выявить из 10³² возможных вариантов наиболее краткий путь, соединяющий между собой 30 точек (обычный компьютер решал бы такую задачу несколько дней). Ученые рассматривают уже возможность строить сети, разделенные, подобно мозгу, на области, у каждой из которых будет своя специфическая функция. Это позволит решать задачи вроде только что упомянутой за минимальное время, причем число точек может достигать 1000.

2. Сенсоры. Некоторых исследователей особо заинтересовал второй подход — путь «снизу вверх». Они пытаются создать машины, способные видеть и слышать. В качестве примера можно привести кремниевую «сетчатку», разработанную Карвером Мидом (Mead) из Калифорнийского технологического института. Эта сетчатка представляет собой сеть из 100 тысяч транзисторов, собранных в микросхеме размером в несколько квадратных миллиметров. В этом устройстве имеются фоточувствительные датчики, соединенные с несколькими слоями «нейронов», каждый из которых выполняет вполне определенную роль (как и в сетчатке животного; см. приложение А). Такая сеть преобразует входную информацию в электрические сигналы, и это позволяет непрерывно и в режиме реального времени регистрировать изменения яркости и перемещения световых пятен. Далее устройство по кадрам анализирует входную картину, включая перемещения объектов и все изображение в целом (что обычная камера делать не может). Была разработана также «улитка» (для анализа звуков), более эффективная, чем у низших животных, обладающих этим органом. Кроме того, как уже говорилось выше (досье 8.1), Псалтис разрабатывает световые нейрокомпьютеры, в которых информация памяти записывается на голографические пластинки.

Таким образом, остается лишь соединить выходы подобных сенсоров с обучающейся сетью, играющей роль мозга и способной использовать получаемую информацию и вновь подавать ее в сеть, т. е. функционировать так же, как живые нервные клетки. Возможно, это уже дело ближайшего будущего.

Компьютер и ускорение умственного развития

Теория умственного развития ребенка, разработанная Пиаже, носит чисто описательный характер. В этой теории раскрываются этапы, через которые должен пройти ребенок, чтобы у него сформировалось «взрослое» мышление, но она мало что говорит о том, как можно развивать интеллект практически у каждого человека уже с самого раннего возраста.

Именно этим поиском основных принципов развития интеллекта занялись Пейперт и его сотрудники, изучавшие проблему искусственного интеллекта в Массачусетском технологическом институте.