Охота на электроовец. Большая книга искусственного интеллекта - Марков Сергей Николаевич

Вклад Эшби в развитие того направления науки, которое мы называем сегодня искусственным интеллектом, оказался в первую очередь философским и методологическим. Помимо идеи единства адаптирующейся системы и внешней среды, Эшби подчёркивал, что к мозгу следует подходить не только как к мыслящей, но и как к действующей машине. За одно только это утверждение его можно считать одним из основателей современного агентного подхода в ИИ. Возможно, именно поэтому Эшби предпочёл действовать там, где другие стремились сперва в полной мере осмыслить существующие проблемы, прежде чем приступить к созданию моделей. Унаследовали деятельный подход Эшби и его ученики. Например, Стаффорд Бир стал пионером в области создания кибернетических систем для управления хозяйственными процессами. Под его руководством в Чили во времена Сальвадора Альенде была начата работа над первым в мире проектом централизованного компьютерного управления плановой экономикой — знаменитым проектом «Киберсин» (Cybersyn).

Хотя участники девятой конференции Мейси и критиковали гомеостат Эшби, они не могли не понимать, что наличие какой-никакой действующей системы было серьёзным шагом вперёд. Полемика на конференции показала, что научное сообщество занято активным поиском механизмов, которые могли бы обеспечивать самообучение в нейросетевых моделях. Кроме того, к 1952 г. гомеостат уже не был единственным устройством, претендующим на реализацию принципа самообучения.

Практически одновременно с Эшби работу над собственной реализацией самообучающейся системы вёл другой классик кибернетики — нейрофизиолог Грей Уолтер.

Ещё в юности Уолтер познакомился с работами Ивана Павлова и его учеников. Влияние взглядов Павлова ясно прослеживается в дальнейших исследованиях Уолтера. Кроме того, он посетил лабораторию Ханса Бергера и позже сконструировал собственные улучшенные версии электроэнцефалографа, благодаря которым получил ряд важных научных и медицинских результатов [1205]. Сочетание интересов к изучению поведения живых существ, к электрической активности мозга и к электротехнике было весьма удачным для того, чтобы внести своё имя в список первопроходцев новой междисциплинарной области исследований.

Весной 1948 г. Уолтер начал работу над конструкцией «кибернетической черепахи». Первые экземпляры, получившие имена Элмер и Элси, были завершены к Рождеству 1949 г. Эти имена Грей составил из акронимов: ELectro MEchanical Robots, Light Sensitive with Internal and External stability [чувствительные к свету электромеханические роботы с внешней и внутренней стабильностью]. Уолтер считал Элмера и Элси представителями нового вида — Machina speculatrix [механизм изучающий]. По аналогии со своими машинами Уолтер присвоил «мыши» Шеннона видовое обозначение Machina labyrinthia, а гомеостату Эшби — Machina sopora [механизм спящий], подчёркивая постоянное стремление гомеостата к покою.

Каждая черепашка Уолтера двигалась на трёх колёсах, приводимых в движение двумя электромоторами, один из которых отвечал за передвижение, а второй — за рулевое управление. «Мозг» машины состоял из двух электронных ламп, которые, по словам Уолтера, служили эквивалентами двух нейронов. Машины были оснащены фотоэлементами, выполнявшими роль источника обратной связи. Обнаружив свет, черепашка двигалась к его источнику, но при превышении определённой яркости отходила назад. Также черепашки были снабжены ходовыми огнями. Изначально они были предназначены для того, чтобы сообщать наблюдателям о процессах, происходящих в «электронном мозге» машины. Но быстро выяснилось, что наличие собственного источника света порождало довольно интересные последствия. Если черепашка замечала себя в зеркале, то она начинала приближаться к изображению, но когда свет становился слишком ярким, то она начинала отходить. Если две черепашки находились в одной комнате и видели огни друг друга, то они тоже сначала начинали сближаться, но, как только оказывались слишком близко, отворачивали и расходились. Уолтер, любивший биологические аналогии, назвал это брачным танцем.

Если черепашка сталкивалась с препятствием, срабатывал датчик нажатия, который заставлял машину изменить направление движения. Когда заряд аккумулятора черепашки подходил к концу, она самостоятельно отправлялась на подзарядку. В общем, её поведение выдавало в ней предка современных роботов-пылесосов. Поведение Элмера и Элси было полностью основано на заложенных в них «инстинктах», но для Уолтера это был только первый шаг в его экспериментах. Следующей «ступенью эволюции» стало появление Machina docilis [механизм обучаемый]. Идея заключалась в том, чтобы реализовать в машинах механизм формирования условных рефлексов. Там, где Павлов использовал собак, еду и звуки (а иногда и свет), Уолтер решил попытать счастья с кибернетическими черепахами, светом и свистком. «Мозгом» нового вида черепашек была схема CORA (COnditioned Reflex Analog, аналог условных рефлексов), распознававшая повторяющееся поступление одновременных сигналов по разным каналам. Фиксируя определённое количество повторений, CORA формировала связь стимула с результирующим поведением, что Уолтер описывал как аналог формирования условного рефлекса. Таким образом, черепашки обучались воспринимать звук свистка как свет и двигаться на свист даже при отсутствии света. CORA могла как выучить новое поведение, так и забыть его (т. е. если оператор «дразнил» черепашку, не включая свет при звуке свистка, то CORA вскоре отменяла установленную связь между событиями) [1206]^, [1207]^, [1208].

Демонстрация подобных устройств производила большое впечатление на современников, но необходимость менять аппаратное устройство машин для того, чтобы опробовать новые модели, существенно замедляла прогресс в области создания самообучающихся устройств. Поэтому некоторые исследователи решили прислушаться к совету Тьюринга и организовать эксперименты при помощи универсальных вычислительных машин.

В 1954 г. Бельмонт Фарли и Уэсли Кларк из MIT осуществили первые симуляции нейронных сетей при помощи цифрового компьютера. Фарли и Кларк смогли обучить хеббовские сети (т. е. сети, обучение которых производится в соответствии с правилом Хебба), содержащие до 128 нейронов, для распознавания простых паттернов [1209]. В ходе экспериментов они обнаружили, что случайное удаление по крайней мере до 10% нейронов в обученной сети не влияет на её способность успешно выполнять стоящую перед ней задачу [1210]^, [1211]^, [1212]. Это свойство искусственной нейронной сети напоминало способность мозга до некоторой степени переносить ущерб, причинённый хирургической операцией, несчастным случаем или болезнью.

В 1955–1956 гг. группа из исследовательской лаборатории IBM в Покипси (Нью-Йорк, США) под руководством Натаниэля Рочестера провела ряд вычислительных экспериментов с хеббовскими сетями, используя машину IBM 704, при этом размер сетей доходил до 512 нейронов. В ходе этих экспериментов было подтверждено формирование клеточных ансамблей в процессе хеббовского обучения [1213].

4.4.5 Перцептрон Розенблатта

Закономерным итогом ранних теоретических работ, а также первых экспериментов в области искусственных нейронных сетей стало появление перцептрона (perceptron, в русскоязычной литературе иногда используется альтернативное написание этого термина — «персептрон») — модели искусственной нейронной сети, опыты с которой были начаты в 1957 г. под руководством Фрэнка Розенблатта в Авиационной лаборатории Корнелла. Перцептроны Розенблатта отличались лишь в некоторых деталях от нейронных сетей, предложенных ранее Фарли и Кларком, а также рядом британских исследователей, таких как Реймонд Бёрл, Уилфред Тейлор и Альберт Аттли. Вклад Розенблатта заключался в развитии математического аппарата теории нейронных сетей, а также в обширных экспериментальных исследованиях в этой области. Именно Розенблатт, стремясь подчеркнуть особую важность связей между нейронами, изобрёл термин «коннекционизм», используемый сегодня для обозначения подхода в области искусственного интеллекта (а также когнитивистики, нейробиологии, психологии и философии сознания), в рамках которого мыслительные или поведенческие явления моделируются при помощи процессов, происходящих в сетях, состоящих из связанных между собой простых элементов (введённое позже более общее понятие «параллельная распределённая обработка» отражает тот факт, что в искусственных нейронных сетях и подобных им моделях большое количество относительно простых процессоров работает параллельно, и то, что сети хранят информацию распределённым образом).