Введение - Структура глобальной катастрофы
реклама
Искусственный интеллект: современное состояние и наиболее перспективные направления. к.ф.-м.н., научный сотрудник Института Систем Информатики СО РАН им. А.П. Ершова Пальянов Андрей Юрьевич Новосибирск 2011 Оглавление Предисловие............................................................................................................................................................. 2 Введение ........................................................................................................................................ 2 1. Небольшой, но познавательный исторический экскурс ........................................... 4 2. Почему попытки построить искусственный интеллект потерпели неудачу? ...... 8 3. Об исследованиях в нейробиологии и предпосылках для моделировании биологических нейронных сетей ............................................................................................ 12 4. О моделировании биологических нейронных сетей ................................................. 19 5. Успехи в остальных направлениях ИИ ...................................................................... 22 Заключение ................................................................................................................................. 28 Литература: ................................................................................................................................ 28 1 Предисловие В настоящее время ситуация вокруг проблемы искусственного интеллекта сложилась довольно непростая. Более того, к «искусственному интеллекту» сегодня относят такое обширное множество разного рода направлений деятельности, что в них теряется сама суть исходной глобальной проблемы – понять, как работает реализация разума, «предложенная» природой в животных и человеке (включая феномен сознания), и попытаться создать искусственный действующий вариант, предположительно на машинном носителе. Джон Маккарти - автор термина «искусственный интеллект» (1955), выдающийся американский информатик, изобретатель языка Лисп (1958), основоположник функционального программирования, лауреат Премии Тьюринга (1971) за огромный вклад в область исследований искусственного интеллекта – в 2007 г. опубликовал современный обзор на тему «What is Artificial Intelligence?» («Что такое Искусственный Интеллект?»), http://www-formal.stanford.edu/jmc/whatisai/whatisai.html. Он наводит определенный порядок во всем спектре направлений исследований в этой области и систематизирует существующие знания. Мы же в данном обзоре не будем претендовать на всеобъемлющее описание ситуации, преследуя несколько иную цель. Мы проведем небольшой экскурс в историю науки об искусственном интеллекте, рассмотрим основные подходы, которые были опробованы, и которые, как мы знаем, по большому счету окончились провалом, а затем детально остановимся на еще одном, о котором всерьез заговорили относительно недавно и который мне в сложившейся сегодня ситуации кажется наиболее перспективным и жизнеспособным. Речь идет о том, чтобы наконец-то отбросить амбиции насчет возможности создания искусственного разума во-первых в короткие сроки, а вовторых сразу сравнимого по мощности с человеческим, и начать наконец детально и всесторонне изучать работу биологической нервной системы, в основе которой, как мы уже сейчас знаем, лежит множество различных механизмов, порой обладающих удивительной сложностью. Именно этому подходу будет посвящен главным образом данный обзор – его обоснованию, истории, текущим успехам и наметившимся перспективам. Там, где это покажется мне рациональным, я буду иногда использовать небольшие отрывки из книг и других материалов со ссылкой на источник – многое уже написано до нас, и порой настолько безупречно, что попытки сделать это лучше вряд ли будут оправданы. Введение Для начала попробуем определиться с терминологией. Стоит сразу предупредить, что идеально это сделать у нас не получится – четкого определения, как и полного понимания, в этом и ряде сопутствующих вопросах до сих пор нет. Термин интеллект (intelligence) происходит от латинского intellectus — что означает ум, рассудок, разум, мыслительные способности человека. Интеллектом называется способность мозга решать (интеллектуальные) задачи путем приобретения, запоминания и целенаправленного преобразования знаний в процессе обучения на опыте и адаптации к разнообразным обстоятельствам. Под искусственным интеллектом обычно понимается свойство автоматических систем брать на себя отдельные функции интеллекта человека, например, выбирать и принимать оптимальные решения на основе ранее полученного опыта и рационального анализа внешних воздействий. Согласно определению автора термина, Джона Маккарти (1955), иску́сственный интелле́кт (ИИ, англ. Artificial intelligence, AI) — наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ. ИИ связан со сходной задачей использования компьютеров для понимания человеческого интеллекта, но не обязательно ограничивается биологически правдоподобными методами 2 (http://ru.wikipedia.org/wiki/Искусственный_интеллект). Поясняя своё определение, Джон Маккарти указывает: «Проблема состоит в том, что пока мы не можем в целом определить, какие вычислительные процедуры мы хотим называть интеллектуальными. Мы понимаем некоторые механизмы интеллекта и не понимаем остальные.» (http://wwwformal.stanford.edu/jmc/whatisai/whatisai.html). Под термином "знания" подразумевается не только та информация, которая поступает в мозг через органы чувств. Такого типа знания чрезвычайно важны, но недостаточны для интеллектуальной деятельности. Объекты окружающей нас среды обладают свойством не только воздействовать на органы чувств, но и находиться друг с другом в определенных отношениях. Ясно, что для того, чтобы осуществлять в окружающей среде интеллектуальную деятельность (или хотя бы просто существовать), необходимо иметь в системе знаний модель этого мира. В этой информационной модели окружающей среды реальные объекты, их свойства и отношения между ними не только отображаются и запоминаются, но и могут мысленно "целенаправленно преобразовываться". При этом существенно то, что формирование модели внешней среды происходит "в процессе обучения на опыте и адаптации к разнообразным обстоятельствам". Мы употребили термин «интеллектуальная задача». Для того, чтобы пояснить, чем отличается интеллектуальная задача от просто задачи, необходимо ввести термин "алгоритм". Под алгоритмом понимают точное предписание о выполнении в определенном порядке системы операций для решения любой задачи из некоторого данного класса (множества) задач. Термин "алгоритм" происходит от имени узбекского математика Аль-Хорезми, который еще в IX веке предложил простейшие арифметические алгоритмы. В математике и кибернетике класс задач определенного типа считается решенным, когда для ее решения установлен алгоритм. Нахождение алгоритмов является естественной целью человека при решении им разнообразных классов задач. Отыскание алгоритма для задач некоторого данного типа связано с тонкими и сложными рассуждениями, требующими большой изобретательности и высокой квалификации. Принято считать, что подобного рода деятельность требует участия интеллекта человека. Задачи, связанные с отысканием алгоритма решения класса задач определенного типа, будем называть интеллектуальными. Что же касается задач, алгоритмы решения которых уже установлены, то, как отмечает известный специалист в области ИИ М. Мински, "излишне приписывать им такое мистическое свойства, как «интеллектуальность»". В самом деле, после того, как такой алгоритм уже найден, процесс решения соответствующих задач становится таким, что его могут в точности выполнить человек, вычислительная машина (должным образом запрограммированная) или робот, не имеющие ни малейшего представления о сущности самой задачи. Требуется только, чтобы лицо, решающее задачу, было способно выполнять те элементарные операции, из которых складывается процесс, и, кроме того, чтобы оно педантично и аккуратно руководствовалось предложенным алгоритмом. Такое лицо, действуя, как говорят в таких случаях, чисто машинально, может успешно решать любую задачу рассматриваемого типа. Поэтому представляется совершенно естественным исключить из класса интеллектуальных такие задачи, для которых существуют стандартные методы решения. Примерами таких задач могут служить чисто вычислительные задачи: решение системы линейных алгебраических уравнений, численное интегрирование дифференциальных уравнений и т. д. Для решения подобного рода задач имеются стандартные алгоритмы, представляющие собой определенную последовательность элементарных операций, которая может быть легко реализована в виде программы для вычислительной машины. В противоположность этому для широкого класса интеллектуальных задач, таких, как распознавание образов, игра в шахматы, доказательство теорем и т. п., напротив, это формальное разбиение процесса поиска решения на отдельные элементарные шаги часто оказывается весьма затруднительным, даже если само их решение несложно. Таким образом, мы можем перефразировать 3 определение интеллекта как универсальный сверхалгоритм, который способен создавать алгоритмы решения конкретных задач. Деятельность мозга (обладающего интеллектом), направленную на решение интеллектуальных задач, мы будем называть мышлением, или интеллектуальной деятельностью. Интеллект и мышление связаны с решением таких задач, как доказательство теорем, логический анализ, распознавание ситуаций, планирование поведения, игры и управление в условиях неопределенности. Характерными чертами интеллекта, проявляющимися в процессе решения задач, являются способность к обучению, обобщению, накоплению опыта (знаний и навыков) и адаптации к изменяющимся условиям в процессе решения задач. Благодаря этим качествам интеллекта мозг может решать разнообразные задачи, а также легко перестраиваться с решения одной задачи на другую. Таким образом, мозг, наделенный интеллектом, является универсальным средством решения широкого круга задач (в том числе неформализованных) для которых нет стандартных, заранее известных методов решения. Ну и конечно, остается термин «сознание», пожалуй, самый проблематичный из всех благодаря особенностям своей природы. Например, «сознание - форма отражения объективной действительности в психике человека, характеризующаяся тем, что в качестве опосредствующего, промежуточного фактора выступают элементы общественно–исторической практики, позволяющие строить объективные (общепринятые) картины мира. Исходный источник общественно–исторической практики — это совместно осуществляемый труд. В индивидуальном развитии отдельные составляющие труда последовательно присваиваются ребенком в совместной со взрослыми деятельности» (Философский словарь). И еще один вариант: «сознание высший уровень психической активности, обеспечивающий целенаправленное поведение человека. Признаками сознания являются: наличие идеалов, нравственных и эстетических ценностей; осознание своей сущности, сущности других людей и отношений между ними; способность к абстрактному мышлению, к языку, как способу выражения мыслей; способность к прогнозированию в любых видах поведения; наличие внимания» (Психологический словарь). Оба определения содержат ряд терминов, так же нуждающихся в четком определении, и, как мне кажется, далеко не в полной мере выражают то, что мы привыкли считать своим сознанием и не отражают всех присущих ему свойств, однако довольно легко убедиться, что попытки предложить что-то принципиально более подходящее сталкиваются с существенными сложностями. 1. Небольшой, но познавательный исторический экскурс Природа человеческого разума, и в частности феномена сознания, является объектом неиссякаемого интереса мыслителей с давнейших времен. Еще Демокрит (ок. 460 – 370 до н.э.) 25 веков назад полагал, что существа, обладающие сознанием и разумом, обязаны этим «особо тонкой организации специфических атомов, взаимодействующих друг с другом и с окружающей средой, производя тем самым внутреннюю и внешнюю деятельность сознательного существа. Разум образуется при рождении и распадается после смерти, чтобы никогда больше не возродиться». Согласитесь, кажется удивительным, что были люди, которые это понимали по меньшей мере за 25 веков до нас? Кстати, с утверждением насчет «никогда больше не возродиться» мы как раз попробуем ниже поспорить. Ближе к нашему времени важный вклад внесли работы Декарта (1596-1650, «Мыслю, следовательно, существую»), а затем Ж. Ламетри (1709–1751), который, основываясь на новейших открытиях физиологов, анонимно опубликовал сочинение Человек-машина (1748), в котором изложил свою точку зрения, согласно которой ментальная деятельность, отличающая человека, является чисто физическим феноменом. И, наконец, финальный этап, ознаменовавший необратимое наступление эпохи мозга – открытие нейрона как основной его структурной единицы: в 1837 г. Ян Пуркинье исследовал и описал клетки 4 мозга, идентифицировав ядро нейрона (сам термин появился позднее, в 1891 г.) и отростки нервной клетки, названные впоследствии аксонами и дендритами. Сегодняшний технологический прогресс, по сути, был предопределен более полувека назад. После второй мировой войны появились устройства, казалось бы, подходящие для достижения заветной цели – моделирования разумного поведения; это были электронные цифровые вычислительные машины. За этим последовало бурное развитие компьютерных технологий и ряда сопутствующих областей, которые теперь тесно вошли в нашу жизнь, радикальным образом изменив прежний мир. Однако, несмотря на все успехи, на сегодняшний день в мире не существует искусственной компьютерной системы, которая на самом деле могла бы быть названа обладающей интеллектом, а тем более сознанием. Предполагаемые причины мы рассмотрим чуть ниже, а перед этим кратко пройдемся по основным событиям и тенденциям, происходившим во временном интервале от создания первых электронных вычислительных машин до наших дней, во многом для того, чтобы поучиться на ошибках, проследить исторические корни многих событий сегодняшнего дня, увидеть невероятный оптимизм исследователей того времени, их прогнозы на ближайшее будущее и то, каким образом все получилось на самом деле. Итак… 1.1. Рождение науки об искусственном интеллекте. 1943 – 1956 В течение этого периода группа ученых из широкого спектра областей науки начали обсуждать возможность создания искусственного мозга. Недавние, на тот момент, исследования в нейрологии показали, что мозг представляет собой сеть из нейронов, обменивающихся между собой электрическими сигналами по принципу «все или ничего», 0 или 1. Кибернетика Норберта Винера описала основы управления и стабильности в электрических сетях. Теория информации Клода Шеннона описала цифровые сигналы. Теория вычисления Алана Тьюринга показала, что любое вычисление может быть выполнено с помощью цифровых операций. Уолтер Питтс и Уоррен МакКаллок проанализировали сети, состоящие из идеализированных искуссвенных нейронов и показали, как они могут выполнять простейшие логические функции. Они были первыми, кто описал то, что исследователи впоследствие назовут нейронной сетью. Одним из студентов, вдохновленных их идеями был Марвин Мински, которому тогда было 24 года. Впоследствии он стал одним из наиболее заметных лидеров и инноваторов в области ИИ на последующие 50 лет. В 1951 были написаны программы для игры в шашки и шахматы, что стало мерой прогресса в ИИ на долгие годы. 1.2. Дартмутская конференция 1956 Была организована Марвином Мински, Джоном МакКарти, Клодом Шенноном и Натаном Рочестером (IBM). План конференции включал рассмотрение тезиса о том, что «каждый аспект обучения или любого другого свойства интеллекта может быть описан настолько детально, что может быть смоделирован на компьютере». Здесь был предложен термин «искусственный интеллект», определена миссия этой области знаний и определились первые и основные игроки в ней. 1.3. Золотые годы: 1956-1974 Годы после 1956 были эрой открытий, спринта по новой местности. Программы, разработанные в это время, для большинства людей казались просто ошеломляющими, подобное «интеллектуальное» поведение машин казалось невероятным. Исследователи проявляли небывалый оптимизм как в личном общении, так и в публикациях, предсказывая, что полноценная интеллектуальная машина будет создана менее чем за 20 лет. Правительственные агентства, напр., ARPA(Advanced Research Projects Agency), вкладывали значительные средства в развитие этой новой области. Многие программы, созданные в те годы, использовали общий алгоритм. Для достижения некоторой цели 5 (выигрыш в игре или доказательство теоремы), они двигались к цели подобно движению в лабиринте, возвращаясь к точке ветвления и выбирая другой путь, если этот оказался тупиковым. Оптимизм Первое поколение исследователей в области ИИ делало такие предсказания о своей работе: 1958 – H. Simon, A. Newell: «в течение десяти лет цифровой компьютер будет чемпионом мира по шахматам» и «в течение десяти лет компьютер откроет и докажет новую важную математическую теорему» 1965 – H. Simon: «машины будут способны, в течение 20 лет, выполнять любую работу, на которую способен человек» 1967 – М. Мински: «в течение поколения проблема создания искусственного интеллекта будет практически полностью решена» 1970 – М. Мински: «в интервале от 3 до 8 лет мы будем иметь машину с интеллектом, сравнимым со средним человеческим уровнем» Финансирование В 1963 MIT(Массачусетский Технологический Университет), «AI Group», Minsky & McCarthy, получили грант на $2.2 млн. от ARPA, которое продолжало финансирование в размере $3 млн./год до 70-х. Такого же масштаба финансирование оказывалось в отношении «Stanford AI Project», John McCarthy и программе Newell-а и Simon-а, Carnegie Mellon University. Еще одна лаборатория по исследованию ИИ была основана в Эдинбургском Университете в 1956. Эти четыре института стали основными центрами разработки и исследований в области ИИ на долгие годы. 1.4. Перцептроны и темные времена коннекционизма Перцептроном была названа разновидность нейронной сети, предложенная Фрэнком Розенблаттом в 1958 г. Как и большинство исследователей ИИ, он был оптимистично настроен относительно потенциальных возможностей перцептронов, предсказывая, что «перцептрон может оказаться способен обучаться, принимать решения, переводить с одного языка на другой». Активная исследотвательская программа в этой области была начата в 60х годах, но она была внезапно прервана вскоре после публикации Мински и Папертом в 1969 году книги «Перцептроны». В ней утверждалось, что существуют значительные ограничения на возможности перцептронов, и что предсказания Розенблатта были чрезмерным преувеличением. Эффект от этой книги был разрушительным – более чем на 10 лет исследования в этой области были практически полностью приостановлены. 1.5. Первая «зима» искусственного интеллекта, 1974 – 1980 (The first AI Winter) В 70-х годах ИИ стал предметом критики и урезания финансирования. Исследователи ИИ не смогли адекватно оценить сложность проблем, с которыми они столкнулись. Их оргомный оптимизм породил невероятно высокий уровень надежд и ожиданий, и когда обещанные результаты не смогли материализоваться, финансирование ИИ прекратилось. В то же время, направление ИИ, называемое коннекционизм (нейронные сети) было полностью закрыто на 10 лет в результате разрушительной критики перцептрона Марвином Мински. Несмотря на трудности (ограниченная вычислительная мощь, эффект «комбинаторного взрыва» в большинстве алгоритмов, огромные объемы данных, необходимых для обработки в задачах, связанных с распознаванием речи и образов), с которыми столкнулись в 70-е годы, были высказаны новые идеи в областях логического программирования, рассуждений на основе «здравого смысла» и многих других. 1.6. Бум 1980 - 1987 6 В 80-х годах разновидность ИИ-программ, названная «экспертные системы» была принята рядом крупных корпораций и стала мэйнстримом в ИИ-исследованиях. В 1980 экспертная система XCON была закончена в CMU для Digital Equipment Corporation. Она приносила компании $40 миллиардов в год до 1986 г. До 1985 они выделяли миллиард $ в год на исследования ИИ. Тогда же японское правительство начало «агрессивное» финансирование проекта по созданию ИИ на основе компьютера пятого поколения. Другим обнадеживающим событием стало возрождение коннекционизма в работах Джона Хопфилда (сети Хопфилда) и Дэвида Румельхарта (backpropagation – алгоритм обратного распространения ошибки). 1.7. Вторая «зима» ИИ, 1987 – 1993 (The second AI winter) Интерес и участие бизнес-сообщества в исследованиях ИИ (их спонсировании) претерпела всплеск и спад согласно классической схеме экономического пузыря. Рынок специализированного «железа» для ИИ коллапсировал в 1987. Персональные компьютеры от Apple и IBM неуклонно наращивали скорость и мощность и в 1987 стали более производительными по сравнению с более специализированными и более дорогими компьютерами. 1.8. 1993 – наши дни Область исследования, связанная с ИИ, в возрасте уже почти полвека от рождения, наконец достигла некоторых из своих старейших целей. Определенные разработки заняли свою нишу в технологической индустрии. Отчасти успех был достигнут благодаря возросшей вычислительной мощности, отчасти благодаря фокусировке на специфических проблемах. Мечта об интеллекте, равном человеческому, обратилась в полный провал, исследователи ИИ стали гораздо более осмотрительны и осторожны в своих прогнозах и суждениях. Значительные события и даты 1991 г. Во время кризиса в Персидском заливе в армии США была развернута система DART (Dynamic Analysis and Replanning) для обеспечения автоматизированного планирования поставок и составления графиков перевозок. Работа этой системы охватывала одновременно до 50 000 автомобилей, единиц груза и людей; в ней приходилось учитывать пункты отправления и назначения, маршруты, а также устранять конфликты между всеми параметрами. Методы планирования на основе искусственного интеллекта позволяли вырабатывать в течение считанных часов такие планы, для составления которых старыми методами потребовались бы недели. Представители агентства DARPA (Defense Advanced Research Project Agency — Управление перспективных исследовательских программ) заявили, что одно лишь это приложение сторицей окупило тридцатилетние инвестиции в искусственный интеллект, сделанные этим агентством. 1995 г. Система компьютерного зрения Alvinn была обучена вождению автомобиля, придерживаясь определенной полосы движения. В университете CMU эта система была размещена в микроавтобусе, управляемом компьютером NavLab, и использовалось для проезда по Соединенным Штатам; на протяжении 2850 миль (4586,6 км) система обеспечивала рулевое управление автомобилем в течение 98% времени. Человек брал на себя управление лишь в течение остальных 2%, главным образом на выездных пандусах. Компьютер NavLab был оборудован видеокамерами, которые передавали изображения дороги в систему Alvinn, а затем эта система вычисляла наилучшее направление движения, основываясь на опыте, полученном в предыдущих учебных пробегах. 11 мая 1997 – компьютер Deep Blue стал чемпионом мира по шахматам, победив чемпиона мира Гарри Каспарова. После того как она обыграла Гарри Каспарова со счетом 7 3,5:2,5 в показательном матче. Каспаров заявил, что ощущал напротив себя за шахматной доской присутствие "интеллекта нового типа". 24 октября 1998 – запущен экспериментальный автоматический космический аппарат система Deep Space 1, которая могла тестировать технологии 12-й степени риска, включая пролет кометы и тестирование для будущих космических полетов. DS1 включала в себя систему искусственного интеллекта под названием Remote Agent, которой на большое время предоставлялось управление космическим кораблем. Обычно такая работа выполнялась командой ученых посредством терминалов. Remote Agent продемонстрировала, что искусственная система способна управлять сложным космическим кораблем, позволяя ученым и экипажам кораблей сконцентрироваться на решении других задач. 2005 г. – Стэндфордская разработка – роботизированный автомобиль выиграл DARPA Grand Challenge, проехав автономно 131 милю по пересеченной местности. 2009 – Blue Brain Project объявил о том, что они успешно смоделировали часть мозга крысы на суперкомпьютере Февраль 2011 г. Суперкомпьютер IBM Watson выиграл у сильнейших игроков во втором матче интеллектуальной викторины Jeopardy (российский аналог - "Своя игра"), став победителем трехдневного турнира. По сумме двух игр Watson заработал 77 тысяч долларов, более чем втрое обогнав сильнейших участников Jeopardy - Кена Дженнингса (Ken Jennings) и Брэда Руттера (Brad Rutter). Список, разумеется, можно расширить Однако, эти и многие другие успехи были достигнуты не благодаря какой-то революционной новой парадигме, а в основном в результате кропотливого применения инженерного мастерства, а также многократно возросшей мощности современных компьютеров. Deep Blue был в 10 миллинов раз быстрее, чем компьютер, который «учили» играть в шахматы в 1951-м. Как мы помним, уже довольно давно выполняется тенденция, в соответствии с которой каждые два года происходит удвоение скорости и емкости памяти компьютеров (закон Мура). Несмотря на многообещающие перспективы, ни одну из разработанных до сих пор программ ИИ нельзя назвать "разумной" в обычном понимании этого слова. Даже среди исследователей ИИ теперь многие сомневаются, что большинство подобных изделий принесет существенную пользу. Немало критиков ИИ считают, что такого рода ограничения вообще непреодолимы, и решение проблемы ИИ надо искать не в сфере непосредственно электроники, а где-то за ее пределами. 2. Почему попытки построить искусственный интеллект потерпели неудачу? Как мне кажется, для дальнейших серьезных исследований, которые могли бы привести к реальному прорыву в этой области необходимо предварительно провести тщательный анализ произошедшего за эти полвека. К счастью, некоторое время назад нашелся человек, который это уже осуществил, и на мой личный взгляд, весьма проницательно и точно. P. Singh, сотрудник Массачусетского Технологического Института (MIT), одной из наиболее влиятельных организаций в области ИИ, 9 июня 1996 г. опубликовал следующий документ (манифест): «Why AI Failed – The Past 10 Years. (почему ИИ потерпел неудачу – прошедшие 10 лет) (перевод с англ. – Пальянов А.Ю.) За последнее десятилетие в области ИИ наблюдался некоторый прогресс, но по большому счету он был незначителен. Я вижу 5 основных причин для этого: 8 1. Область исследований была разрознена, разбита на подобласти, занятые исследователями с разными целями и общающимися на разных технических языках. Многое было изучено, и настало время интеграции знаний из разных подобластей, но лишь немногие сегодня готовы к этому шагу. 2. ИИ страдает от «зависти физике». Большинство исследователей ИИ ищут простых объяснений для предельно сложных феноменов. Возможно, вселенная может быть описана относительно небольшим числом относительно простых законов, но только не мозг. Чтобы добиться успеха в понимании того, как работает мозг, мы должны копировать биологию (биологическое строение мозга), поскольку существует многие сотни различных видов механизмов в мозге, специализированных для решения разных типов задач, объединенные в не менее сложную структуру управления ими. 3. Многие исследователи потеряли связь с исходной целью – построением гибкого, мощного интеллекта, сравнимого с человеческим. 4. ИИ – проблема предельной сложности в области программного обеспечения, однако многие исследователи ИИ тратят огромные усилия, финансовые и временные, на разработку и построение роботов. Мы должны работать над новыми алгоритмами, а не «играть в солдатиков». Когда роботы необходимы, вполне можно работать с ними внутри симуляции (виртуального мира). 5. Исследователи ИИ безуспешно пытались ходить вокруг да около знания «здравого смысла». Для решения сложных проблем в ИИ – понимания естественного языка, работы зрительных механизмов, синтеза разборчивой речи и распознавания рукописного текста – необходимы системы, обладающие «здравым смыслом» и достаточно гибкие для его использования. Проблема в том, что построение таких систем приравнивается к «решению проблемы ИИ». Это утверждение сложно для восприятия, но кажется, что нет другого выбора кроме как принять его.» Данный манифест получил довольно заметную известность в соответствующих кругах, в том числе вызвал ответ от Билла Гейтса: «Я думаю, что ваши наблюдения и взгляды на проблему ИИ корректны. По мере того, как будут публиковаться ваши новые работы, я был бы рад получать их копии. Я попрежнему исключительно заинтересован в ИИ.» И еще один взгляд на эту же проблему. Из интервью с Александром Семеновичем Нариньяни - генеральным директором Российского НИИ искусственного интеллекта (Москва-Новосибирск), одним из ведущих российских специалистов в области ИИ (200602-22): «Термин искусственный интеллект был предложен в 1956 году на семинаре с аналогичным названием в Стэндфордском университете (США). Подобное самоназвание области обозначило тот «наивный оптимизм» начального периода, когда большинству казалось, что до ИИ рукой подать. Однако пока с каждым десятилетием расстояние до цели только растет. Спустя пятьдесят лет всем ясно, что она не близка, трудностей полно, а успехи не слишком впечатляют. Очевиден и вывод – область ИИ находится под влиянием известного «горного эффекта»: если расстояние до небольшой высоты определить несложно, поскольку она попадает в поле зрения только вблизи, то громадная вершина видна с такого удаления, что кажется гораздо меньше и ближе, чем на самом деле. Ее масштаб начинаешь представлять лучше, пройдя достаточно большую дистанцию и осознавая, что ее видимые размеры почти не изменились и оценка расстояния до нее на глаз осталась примерно той же. Упомянутый «горный эффект» иллюстрирует ошибку оценки в условиях прямой видимости, которой у больших задач, как правило, нет. На тему «Куда и как двигаться» 9 дискуссий в ИИ идет не меньше, чем по поводу определения самого термина. Выделяются три основных подхода. 1. «Аппаратная аналогия»: поймем, как работает мозг, сможем создать его искусственно. Именно этот подход лег в основу нейрокибернетики и разных школ с приставкой «нейро». 2. «Аналогия поведения»: мозг слишком сложен и до его познания далеко; наиболее прямой путь к ИИ – изучение и компьютерное моделирование поведения человека. 3. «Метафора колеса»: аналогии 1 и 2 для создания ИИ не обязательны – например, колеса в природе нет, но оно эффективнее способов передвижения живых организмов; трудно представить, на какой стадии развития застряло бы человечество, если бы вместо колеса попыталось имитировать ногу, а ведь мозг на много порядков сложнее. Последние два направления ориентируются на решение сложных задач с использованием знаний и легли в основу противоположного нейрокибернетике принципа «черного ящика»: не имеет значения, как устроен человеческий мозг, главное, чтобы ИИ обладал его способностями». Однако, для нас наибольший интерес представляет именно первый из упомянутых подходов. Подводя итоги обсуждения проблем прежних исследований, стоит поставить акцент именно на том, что исследователи, предпринимавшие попытки создания ИИ, как правило, пытались запрограммировать лишь внешние признаки разума, пытались создать искусственный интеллект, не пытаясь по-настоящему разобраться с тем, что является сутью естественного. Этого, правда, мы не понимаем и сейчас. Однако теперь, спустя десятилетия, уже можно с достаточной степенью уверенности сделать вывод, что попытки полностью воспроизвести свойства «черного ящика», основываясь только на внешних проявлениях его внутренней активности, упорно терпят неудачу. Но ящик, если присмотреться, не так уж и черен, о его внутренней структуре нам уже многое известно. В первую очередь притягивает внимание астрономическое количество нейронов (~10e+11) и еще на несколько порядков большее количество связей между ними (~10e+15) в настоящем мозге человека. Природа, которая, как правило, никогда ничего не делает зря, а лишь по необходимости, не стала бы содержать такое количество нейронов без веской на то причины. Поэтому попытки обойтись на много порядков меньшим количеством, и к тому же в рамках относительно простой модели, и получить столь же внушительную функциональность кажутся, по меньшей мере, довольно самонадеянными. Есть один очевидный выход, который, казалось бы, напрашивается сам собой. Надо взять реальный мозг и воспроизвести его деятельность в форме компьютерной модели, полностью основываясь на биологических данных с большой, но не избыточной детализацией. При этом совершенно не обязательно начинать с мозга человека – для отработки технологии и методологии будет достаточно взять предельно простое существо, обладающее нервной системой. Уверен, что уже на этом этапе исследователи столкнутся с немалым количеством сюрпризов. К вопросу о выборе такого объекта для исследования и моделирования мы еще вернемся. Само по себе моделирование нейробиологических процессов – это, конечно, хорошо, но при этом стоит иметь в виду и быть готовым к тому, чтобы столкнуться с вопросами и проблемами, упомянутыми ниже и желательно как-то приблизиться к их решению. Например, в книге «Разум и Материя» (1956 г.) Эрвина Шредингера, выдающегося австрийского физика, не нуждающегося в представлении, обсуждаются, в том числе, следующие вопросы: Мир – совокупность наших нынешних ощущений и прошлых знаний о нем. Существование мира удобно считать объективно независимым, однако оно не делает мир очевидным. Он становится таковым благодаря весьма специфическим процессам, 10 происходящим в весьма специфических местах, а именно в мозге. Какие именно свойства отличают процессы в мозге от всех остальных, позволяя им «проявлять» мир? Иными словами, какие процессы в материальном мире связаны с сознанием? Появление нервных клеток, а затем и мозга у некоторых многоклеточных организмов – исключительное событие, значение и важность которого сложно переоценить. Это особый механизм, благодаря которому индивидуум реагирует на альтернативные ситуации соответствующим изменением поведения, механизм адаптации и изменяющейся окружающей обстановке. Это наиболее сложный и замысловатый из подобных механизмов, и где бы он ни появился, он быстро завоевывает доминирующую роль. Готовы ли мы поверить, что этот особенный поворот в развитии высших животных (который мог и не произойти) был необходимым условием того, что мир осветился светом сознания? Не случись этого, остался бы мир спектаклем перед пустым залом, не существующим ни для кого, и таким образом, вполне корректно говоря, не существующим? Все попытки расширить сферу сознания, связав его с чем-либо помимо нервных процессов, приведут лишь к недоказанным или недоказуемым утверждениям. Но мы обретем более верную почву под ногами, если отправимся в обратном направлении. Не каждый нервный процесс, более того, не каждый нервный процесс в головном мозге связан с сознанием. По мнению Шредингера, ключ следует искать в следующих хорошо известных фактах. Любая последовательность событий, в которых мы принимаем участие ощущениями, восприятием и, возможно, действиями, постепенно вытесняется из сферы сознания, когда одна и та же череда событий многократно повторяется. Но она немедленно попадает в сознательную сферу, когда какое-либо из условий процесса оказывается отличным от всех предыдущих вариантов, требуя от мозга «новых соображений». Каждый из нас может привести десятки подобных ситуаций из личного опыта. Новые ситуации и новые реакции сохраняются в свете сознания, старые и многократно повторенные – нет. Еще рассмотрим книгу «The Mind’s I», Д. Хофштадтер, Д. Деннет 2003 г., которую я бы вообще рекомендовал к прочтению целиком как чрезвычайно захватывающую и содержащую массу интереснейших рассуждений и мысленных экспериментов, непосредственно касающихся проблематики разума и ИИ. «Что такое разум? Что такое Я? Может ли материя думать или чувствовать? Как правило, любой, кто задумывается над этими вопросами, рано или поздно заходит в тупик. Мы попробуем не столько ответить на вопросы, сколько выявить возникающие противоречия и описать их живо и образно. А что такое сознание? Это одновременно наиболее очевидная и наиболее таинственная особенность нашего разума. С одной стороны, что может быть более очевидным, что каждый из нас является субъектом собственных переживаний. С другой стороны, как могут существа физического мира породить подобное явление? Такие явления природы, как, к примеру, магнетизм, фотосинтез, пищеварение были в разное время объяснены с помощью науки. Но сознание кажется явлением совсем иного порядка. Дело в том, что все остальные явления одинаково доступны для любого наблюдателя, имеющего необходимые приборы, а вот сознание доступно только для одного. Его доступ к наблюдениям несравненно лучше, чем у любого другого исследователя, какими бы приборами он не обладал. По этой, а так же по ряду других причин, теория сознания так и не была создана, да и вообще непонятно, на что она должна быть похожа. То, что мы в течение такого времени не в состоянии охарактеризовать такую «обыденную» черту нашей жизни, может означать, что наш подход к проблеме в корне неверен». 11 В книге рассматриваются также проблемы создания действующей копии разума с/без уничтожения оригинала, «разума» на основе муравьиной колонии («неразумные» элементарные составляющие + набор правил их взаимодействия = существенно более интеллектуальный комплекс, чем его отдельный элемент), проблема нахождения личности в случае, если тело и разум находятся в разных местах, будучи связанными «идеальным радиоканалом», обеспечивающим передачу всей необходимой информации в обе стороны, а также многие другие проблемы и парадоксы. Все это лишь отдельные примеры проблем, с которыми неизбежно сталкивается исследователь, заинтересовавшийся проблемами разума; лишь верхушка айсберга, охватить который целиком в данном обзоре совершенно не представляется возможным. 3. Об исследованиях в нейробиологии и предпосылках для моделировании биологических нейронных сетей Пора, однако, перейти от общих вопросов к реальным достижениям в области нейробиологии вообще и нейрокибернетики в частности. Повторимся, упомянув о том, что начало было положено в 1837 г. Яном Пуркинье, который исследовал и описал клетки мозга, идентифицировав ядро нейрона и отростки нервной клетки, названные впоследствии аксонами и дендритами. Понятие синапса было введено в 1897 английским физиологом Ч. Шеррингтоном. Исследуя рефлексы спинного мозга, он выяснил, что возбуждение идет только от задних корешков к передним и поэтому предположил наличие между нейронами контактов, имеющих одностороннюю проводимость. Современные физиологические и цитологические работы подтвердили эту гипотезу. Синапс настолько узок, что его строение можно изучать только с помощью электронного микроскопа. Он состоит из пресинаптической части (отросток или тело нейрона, передающего сигнал) и постсинаптической части (отросток или тело нейрона, получающего сигнал). Цитоплазма в месте контакта уплотнена с обеих сторон или только в постсинаптической клетке. Сигнал передается от пресинаптической части к постсинаптической. Между ними находится синаптическая щель шириной 0,02—0,03 мкм. Диаметр синапса 1—2 мкм и менее. За исследования нервной системы, в том числе синаптической передачи, в 1906 году Нобелевскую премию получили Гольджи и Рамон-и-Кахаль. В 1921 австрийский учёный О. Лёви (О. Loewi) установил химическую природу передачи возбуждения через синапсы и роль в ней ацетилхолина. Получил Нобелевскую премию в 1936 г. совместно с Г. Дейлом (Н. Dale). В 1933 советский учёный А. В. Кибяков установил роль адреналина в синаптической передаче. В конце 1930-х — начале 1940-х годов появились первые растровые электронные микроскопы, формирующие изображение объекта при последовательном перемещении электронного зонда малого сечения по объекту. Массовое применение этих приборов в научных исследованиях началось в 1960-х годах, когда они достигли значительного технического совершенства, что позволило взглянуть на нейрон при существенно большем увеличении, в том числе изучить структуру синапса в деталях. В 1949 г. Ходжкин и Катц исследовали влияние ионов натрия на возникновение потенциала действия в аксонах кальмара. Внутриклеточные микроэлектроды регистрировали потенциалы действия в аксонах, помещенных в изотонические растворы морской воды, содержащие разные концентрации ионов натрия. В 50-х – 60-х годах удалось выяснить механизмы генерации нервного импульса, представляющего собой волну деполяризации, распространяющуюся по поверхности нейрона и его отростков. Распространение происходит вследствие самогенерирования потенциалов действия за счет поступающих в аксон ионов натрия. Поступившие ионы 12 натрия создают зону положительного заряда внутри клетки, что приводит к возникновению локальной электрической цепи, по которой течет местный ток между этой и соседней отрицательно заряженной зоной. Местный ток снижает мембранный потенциал в этой зоне, и в результате деполяризации здесь повышается проницаемость мембраны для натрия и в свою очередь генерируется потенциал действия (ПД), который распространяется таким образом по аксону все дальше. Теоретически ПД могут передаваться на любые расстояния, иными словами, они не затухают. Основной вклад в эти открытия внесли работы А. Ходжкина и Э. Хаксли (Hodgkin and Huxley 1952; Ходжкин 1965). Их работа была выполнена на аксоне гигантского кальмара, который представляет собой длинную цилиндрическую трубку, отходящую от нейрона; электрический сигнал распространяется вдоль внешней мембраны трубки. Это нервное волокно достигает толщины 0.5–1 мм (что в сотни раз превышает толщину нервных волокон млекопитающих) и представляет собой очень удобный объект для таких исследований. Помимо экспериментального исследования, А.Ходжкин и Э. Хаксли предложили модель, описывающую процессы ионного транспорта через мембрану и прохождение импульса потенциала вдоль мембраны. Работа британских ученых была удостоена Нобелевской премии 1963 г. (вместе с сэром Джоном Эклсом, Австралия). Примерно в это же время был сформулирован закон «все или ничего» - потенциал действия либо не возникает вовсе при низкой интенсивности сигнала, либо, если уж он возник, его амлитуда остается постоянной независимо от интенсивности сигнала. Иными словами, существует некая пороговая интенсивность сигнала, выше которой ПД обязательно возникнет. Более того, показано, что постоянна и скорость распространения импульса по аксону. Неизбежно возникает вопрос о том, как организм различает силу раздражителя (сигнала)? Оказывается, что интенсивность сигнала влияет на число ПД, возникающих в единицу времени, т.е. чем сильнее сигнал, тем чаще следуют друг за другом ПД, что представляет собой частотный код. Например, частота 10 Гц в соответствующем аксоне поддерживает тонус (состояние частичного напряжения – готовности к быстрому действию) двуглавой мышцы (бицепса). Примерно 50 Гц необходимы для ее нормального сокращения при движении руки. Большинство аксонов могут проводить сигналы в диапазоне 10-100 Гц, хотя иногда в естественных условиях эта частота достигает 500 Гц, а в экспериментальных условиях бывает еще больше («Биология», 2007, Грин, Стаут, Тейлор). В 1961 был Марвином Мински (тем самым, из MIT) был получен патент на разработанную им ранее конфокальную схему для флуоресцентных микроскопов. Показатель преломления биологических объектов почти такой же, как у стекла, поэтому наблюдение этих объектов, находящийся на поверхности предметного стекла, в обычном микроскопе весьма затруднено. Конфокальный микроскоп, имеющий высокий контраст, даёт две неоценимые возможности: он позволяет исследовать ткани на клеточном уровне в состоянии физиологической жизнедеятельности, а также оценивать результаты исследования (то есть клеточной активности) в четырёх измерениях — высота, ширина, глубина и время (http://ru.wikipedia.org/wiki/Конфокальный_микроскоп). 1970 — Б. Кац (В. Katz, Великобритания), У. фон Эйлер (U. v. Euler, Швеция) и Дж. Аксельрод (J. Axelrod, США) получили Нобелевскую премию за открытие роли норадреналина в синаптической передаче. В начале 70-х годов появились первые работы по иммуноферментному анализу. За это время данное направление стало одним из ведущих в области количественного и качественного определения антигенов и антител ИФА, с помощью которого детектируют химические и биологические соединения различной природы и молекулярной массы. Применительно к нейробиологии этот метод дает возможность избирательно окрасить синапсы, содержащие определенный нейромедиатор, окрасить клетки, содержащие определенные белки, включения, филаменты, характерные для того или иного типа нейронов, который, в свою очередь непосредственно связан с его функциями. 13 Состояние исследований в области нейробиологии 30 лет назад в тогда еще Советском Союзе может быть отчасти проиллюстрировано фильмом «Частная жизнь нейрона» (снят в 1980 году на киностудии "Леннаучфильм", доступен здесь: http://www.youtube.com/watch?v=PyTLGpvI1K0 (ч.1) и http://www.youtube.com/watch?v=0z4csd2kAeI (ч. 2)). А теперь – наши дни: В 2006 г. в MIT предложен метод, позволяющий осуществлять долговременное наблюдении за мозгом мыши, у которой предварительно сделано стеклянное окошечко в черепе, что позволяет следить за возникновением новых нейронов и ростом и развитием имеющихся, практически не нарушая естественный ход событий (http://www.technologyreview.com/Biotech/17426/). В 2007 г. (тоже MIT) предложен улучшенный метод, позволяющий с помощью электронной микроскопии восстанавливать 3D-картину расположения нейронов и аксонов в рассматриваемом трехмерном фрагменте нервной ткани. Для обработки картинок с микроскопа разработан специальный софт, автоматизирующий по мере возможности сшивку последовательных слоев и оцифровку поверхностей высокого разрешения, ограничивающих нейроны и их отростки. Описанная работа выполнена на фрагменте сетчатки кролика: http://link.brightcove.com/services/player/bcpid263777539?bctid=1313685700 (статья) http://www.technologyreview.com/player/07/11/19Singer/1.aspx (видео) Еще один подход к этой же проблеме разработан в 2010 г., он называется “array tomography” (http://smithlab.stanford.edu/Smithlab/Array_Tomography.html, видео: http://www.youtube.com/watch?v=ZiuBOOIANFY). По словам авторов, это «новый высокопроизводительный метод, предоставляющий беспрецедентные возможности для визуализации молекулярной архитектуры нервной ткани при высоком разрешении. Он включает в себя следующие основные этапы: (1) автоматическое выполнение ультратонких срезов ткани, (2) создание массивов срезов, лежащих последовательно в одной плоскости, (3) окрашивание препаратов и получение их изображений, (4) компьютерная реконструкция трехмерного изображения и затем (5) пространственный (volumetric) анализ получившихся изображений». Более детально дело обстоит так (http://habrahabr.ru/blogs/biotech/108483): Стэнфордские нейробиологи потратили несколько лет, разрабатывая новый способ 3D-сканирования мозга. Они совместили объёмную компьютерную томографию (array tomography — техника «антенных решёток» из радиоастрономии) и специально разработанный софт, чтобы получить объёмную и реалистичную 3D-модель. Такую, по которой можно перемещаться, масштабировать и вращать её в разных измерениях. Изучив полученную картину, учёные пришли к выводу, что синапсы устроены гораздо сложнее, чем предполагалось раньше. Здоровый человеческий мозг содержит около 200 млрд. нервных клеток, которые соединяются друг с другом сотнями триллионов синапсов. От каждой нервной клетки могут отходить десятки тысяч синапсов. В одной только коре больших полушарий человека находится около 125 трлн. синапсов — в 1500 раз больше, чем звёзд в нашей галактике. По результатам визуальной реконструкции данных учёные обнаружили, что каждый синапс содержит около 1000 молекулярных «переключателей», в некотором роде аналоговых транзисторов. То есть отдельный синапс можно сравнить с микропроцессором. Получается, что количество «транзисторов» в человеческом мозге теперь нужно увеличить на три порядка. Их, по оценкам, больше, чем транзисторов во всех компьютерах на планете и маршрутизаторах вместе взятых. Результаты исследования по визуальной реконструкции данных с объёмной компьютерной томографии опубликованы в журнале Neuron. Учёные получили патент и подали заявку на второй, а также основали компанию, чтобы коммерциализировать новый метод томографии. 14 Только что упомянутые исследования были, в основном, ориентированы на установление детальной трехмерной структуры нервной ткани, однако, статической. Уже относительно давно известно, что мозг обладает колоссальной пластичностью, и может перестраивать не только связи между отдельными нейронами, но и встраивать новые нейроны в существующую систему, что позволяет ему эффективно восстанавливаться после повреждений. Попробуем проследить, что в недавнем времени было сделано в плане изучения динамики живого мозга – как в плане изменения его структуры во времени, так и в аспекте мониторинга процессов обмена сигналами между нейронами. 2010, декабрь., статья в журнале «Proceedings of the National Academy of Sciences». (перевод с англ. - Пальянов А.Ю.) Исследования, возглавляемые профессором Z. Josh Huang, Ph.D., Cold Spring Harbor Laboratory (CSHL), проливают новый свет на проблему того, как нейроны в развивающемся мозгу формируют связи друг с другом. В мозгу млекопитающих, даже на ранних стадиях постнатального (после рождения) развития, кора головного мозга уже обладает плотными «зарослями» из нервных клеток. На всем протяжении коры мириады нейронов разных типов буквально вытягивают отростки, чтобы войти в контакт с другими нейронами, расположенными поблизости – прелюдия к формированию синапсов, по которым будут распространяться сигналы от нейрона к нейрону. Одиночная нервная клетка способна сформировать множество контактов с другими, но не каждый «сосед» будет совместимым партнером, и используемый термин «валидация (проверка на корректность) синапсов» как раз относится к поиску именно правильных контактов. В ходе исследований было понято, что синапс–формирующая активность связана с собственно активностью, или частотой использования самого нейрона. Хотя механизм до сих пор остался неясным, удалось определить, что необходимость в синапсе включает комбинацию из предварительно посылаемых сообщений между двумя нейронами – что–то вроде тестирования совместимости соединения – и процесс клеточной адгезии (прилипания), который приводит к физическому контакту между двумя клетками. В описываемой работе был использован метод, называемый двухфотонной микроскопией, чтобы наблюдать процесс валидации синапсов впервые в живых контурах коры мозга. Исследователи сфокусировали свое внимание на определенном типе ингибиторных нейронов, использующих нейротрансмиттер ГАМК (гамма–аминомасляная кислота). «Вопрос в том, как формируются синапсы с правильными партнерами» и «каков механизм, ответственный за необходимую специфичность». Некоторые предполагают, что нервные клетки вырабатывают определенный тип «притягательных» или «отталкивающих» молекул. «Но когда мы находимся в коре мозга, расстояния между различными потенциальными партнерами настолько близкое, что кажется немыслимым, чтобы этот механизм был работоспособен». «Кажется более правдоподобным, что стратегия нейронов коры в том, чтобы инициировать формирование синапсов с практически каждой близлежащей целью и затем тестировать ее, пытаясь установить коммуникацию путем синаптической передачи». «Большинство из этих предварительных соединений не подтверждаются по критерию корректности и разрушаются. Только те, что образовались между функционально совместимыми нейронами будет подтверждены и усилены». Исследователям удалось пронаблюдать формирование предварительного соединения между нейронами и в деталях посмотреть, как они взаимодействовали. «Они работают, как застежка–молния: два нейрона, называемые пре–синаптическим и пост– синаптическим соприкасаются; с обоих сторон есть клейкие молекулы, которые вступают в контакт и взаимосвязываются» Их ключевое открытие касается шага, который следует за образованием предварительного контакта: пресинаптический нейрон посылает некоторое количество нейротрансмиттера к ожидающему партнеру. Но как эта нейротрансмиссия 15 преобразовывается в молекулярную адгезию (склеивание)? Оказалось, что существуют две формы белка, ответственного за межнейронное связывание, альфа — и бета–, и они отвечают на нейронную активность различными способами. «Молекула alpha–neurexin, кажется, ведет себя как поисковая машина». Широко распределенные вдоль аксона, они ищут везде. Когда потенциальный партнер обнаружен, alpha–neurexin объединяется с нейропередающей машинерией и пресинаптическая клетка начинает высвобождать нейротрансмиттер для тестирования соединения. Если соединение функционально совместимое, то в процесс включаются молекулы beta–neurexin и образуют значительно более прочное соединение между двумя нейронами, соответствующее новому синапсу. В соответствии с представлениями исследователей, в относительно простых модельных системах, таких, как черви или мухи, межнейронные соединения довольно жестко предопределены генетическими механизмами. «Но у позвоночных, в тонких структурах, таких, как гиппокамп и кора мозга, возможно, требуется более «тонкая» система, которая может отвечать на получаемый организмом опыт. Другими словами, валидация синапсов и усиление контактов, вероятно, является системой, основанной на обучении». Планируется продолжить исследования в этом направлении и предпринять попытку выявить изменения между поведением и экспрессией молекул neurexin. В общем, по большому счету, многое здесь еще непонятно и продуктивная работа в этом направлении только начинается, но важность изучения обнаруженных механизмов сложно переоценить. Значительный интерес также представляет информация о нейрогенезе в мозге человека, представленная по ссылке (http://www.stm.ru/archive/1291/), описывающая ряд интересных фактов, которые тоже представляется крайне желательным учитывать при разработке модели биологического мозга. "Между 10 и 20 неделями беременности происходит нейрогенез: стволовые клетки, расположенные в нервном канале, размножаются и дифференцируются, образуя запас в 100 миллиардов нейронов. Затем происходит миграция между 12 и 24 неделями. Эти новые нейроны собираются в шесть расположенных друг над другом слоев. Это будущая кора головного мозга, слой извилин, который покрывает оба полушария мозга, вместилища всех развитых мозговых функций. Каждый нейрон запрограммирован на занятие определенного места и создания синапсов (зоны связей) с остальными нейронами. Согласно одной точке зрения, в один прекрасный день электрический поток впервые пробегает по этим цепям, и мозг становится функциональным, согласно другой все происходит постепенно, день за днем все больше синапсов начинают работать. "В Национальном Институте Психического Здоровья в один фильм были собраны трехмерные клише томографии людей в возрасте от 5 до 20 лет. Впервые показано, что у подростков наблюдается потеря серого вещества. С 1991 г. каждые два года дети проходили томографию. Вывод: серое вещество находится на пике между 11 годами (девочки) и 13 годами (мальчики) потом снижается, а белое вещество увеличивается в объеме. Знак, что мозг специализируется (удаление связей) и становится более эффективным (миелинизация аксонов)." Новые синапсы создаются постоянно с момента внутриматочной жизни до самой смерти под воздействием различных стимулов и обучения. Чем чаще через синапс проходит нервный импульс, тем сильнее он увеличивается в размерах и становится эффективней. Наоборот, меньше использования, ниже эффективность, возможно даже исчезновение. И еще одно открытие 2010 года, которое, являясь серьезным шагом в направлении, связанном с исследованием возможности одновременной записи активности множества нейронов в живом мозге, открывает в нем новые перспективы: Исследователи из Института Солка (США) впервые смогли проследить работу отдельных нейронов 16 сетчатки глаза и изучить нейронный код, используемый для передачи цветной визуальной информации из сетчатки в мозг. Соотнося определенные входящие визуальные сигналы с электрическими сигналами на сетчатке, ученые отследили нейронные схемы, которые соединяют отдельные фоторецепторы с ганглиозными клетками сетчатки и нейронами, переправляющими информацию в мозг. Это позволит создать точную модель работы нашего главного сенсора и в случае необходимости вмешиваться в работу органа, добиваясь нужного эффекта – например, создавать имплантаты сетчатки с натуральными или даже усовершенствованными возможностями. До настоящего времени врачи работали с простейшими имплантатами, которые недалеко ушли от обычных очков. Подсоединение к нервной сети глаза также открывает огромные перспективы для лечения различных заболеваний. Например, в случае нарушения аккомодации можно будет без хирургического вмешательства в хрусталик или мышцы глаза просто исправить картинку программными методами – как это делает любая современная цифровая камера. Уникальная система записи нервных сигналов позволила перевести загадочные процессы в сетчатке глаза в понятные алгоритмы, которые позволят моделировать человеческий орган зрения. Сложную работу удалось успешно проделать с помощью уникальной методики записи нервных сигналов, которая была разработана в Калифорнийском университете. Она позволяет одновременно делать более десяти миллионов записей микроскопических электрических сигналов, генерируемых сотнями нейронов сетчатки, каждую секунду. Метод имеет высокое разрешение, достаточное, чтобы обнаружить даже крошечные локальные и очень плотно расположенные карликовые ганглиозные клетки. Ганглиозные клетки классифицируются по размеру, но, несмотря на их различия, все они имеют одну общую черту - длинный аксон, который простирается в мозг и является частью зрительного нерва. Обработка визуального сигнала начинается тогда, когда фотоны, попадающие в глаз, ударяют по одной или нескольким (из 125 млн) чувствительных нервных клеток сетчатки. Этот первый слой клеток, которые известны как палочки и колбочки, преобразует информацию в электрические сигналы и передает их на промежуточный слой, который в свою очередь передает сигналы на 20 (или около того) различных типов ганглиозных клеток сетчатки. Исследователи впервые одновременно записали данные с сотен ганглиозных клеток сетчатки. На основе определенных свойств (плотности и реакции на свет) были определены пять типов клеток: ON и OFF карликовые ганглиозные клетки, ON и OFF зонтиковые клетки и малые бирасслоеные (bistratified) клетки, на которые приходится около 75% всех ганглиозных клеток сетчатки. Для выявления тонкой структуры рецептивных полей (рецептивное поле - область, занимаемая совокупностью всех рецепторов, стимуляция которых приводит к изменению активности определенного элемента), через которые нейроны в сетчатке глаза "смотрят" на мир, ученые использовали световые стимулы размером в 10 раз меньше одного пиксела. В результате вместо распределенной равномерно чувствительности к свету, обнаружились точечные "острова", чувствительные к световой стимуляции и "острова", к ней нечувствительные. С помощью стимулирования места входа сигнала и скоростного считывания места выхода, удалось определить схему подключения клеток и всю структуру нейронной сети глаза, формирующей визуальное восприятие мира. Это позволило исследователям воссоздать полную картину формирования картинки на сетчатке глаза. Не менее детально исследовано и устройство нашего слухового анализатора, уха, являющегося, помимо всего прочего, аналоговым механизмом для выполнения преобразования Фурье – разложения сигнала по его спектральному составу. Тут также все более-менее понятно лишь до тех пор, пока мы не переходим к исследованию механизмов анализа полученных звуковых сигналов соответствующими областями мозга, в том числе к распознаванию речи. 17 Таким образом, многие процессы, составляющие основу функционирования нервной системы, изучаются прямо сейчас на самом высоком технологическом уровне, прогресс не стоит на месте. Однако, большое число явлений, уже описанных, но основанных на сложнейших процессах, связанных с ними, остаются до конца не объясненными, не говоря уже о том, чтобы их воспроизвести в виде действующей компьютерной модели. Многие на первый взгляд даже кажутся очевидными, просто потому, что мы с детства привыкли к такому положению вещей и не задумывались, как это может работать: Почему мир остается стабильным, когда наши глаза двигаются? Изображения перемещаются по рецепторам сетчатки всякий раз, когда наши глаза двигаются, — и все же мы не воспринимаем движения, мир не вращается, как бы наши глаза ни двигались. Можно наклонить голову на бок - но горизонт в нашем восприятии не станет наклонным. Почему это так? Есть теория, что сетчаточные сигналы движения тормозятся сигналами, управляющими самими движениями глаз, которые, в свою очередь, регулируются внутренней замкнутой системой мозга. Т.е. сигналы, посылаемые мозгом для движения глаз служат для коррекции получаемого назад от глаз в мозг зрительного сигнала, чтобы компенсировать эффект движения. Сам факт того, что эффект имеется в наличии, можно подтвердить на собственном опыте следующим образом: Попробуйте осторожно (дотрагиваясь до века) двигать глаз пальцем, закрыв другой глаз рукой. Когда глаз смещается пассивно, мир будет казаться вращающимся (прыгающим) в направлении, противоположном движению глаза. В естественных условиях стабильность видимого мира поддерживается не пассивными, а нормальными произвольными движениями глаз. Так как мир движется в направлении, обратном направлению пассивного движения глаза, очевидно, что система восприятия движения изображение/сетчатка продолжает работать; здесь выключена только система глаз/голова. И еще одно, не менее впечатляющее наблюдение. Глаза постоянно совершают саккады (быстрые микродвижения, которые не удается остановить на сознательном уровне), что ещё больше повышает разрешение зрения — этим и объясняется такое обилие нейронов (в первичных зрительных трактах), реагирующих на движение, причём избирательно по каждому направлению, однако совершенно не относящихся к обнаружению реально движущихся объектов. Чтобы проверить эффект, надо закрыть один глаз, а на другой слегка надавить пальцем через веко, чтоб не двигался — секунд через 10 наступит полная темнота (голова при этом также должна оставаться в покое, чтобы изображение на сетчатке оставалось неизменным). Лучше смотреть на что–нибудь не слишком ярко освещенное, не на улице, а в комнате. Проверяя на экране монитора, можно заметить, что действительно исчезает все, кроме мигающего значка активности сети, остальное превращается в однотонное темно–серое поле. Об этих и других не менее интересных фактах и объясняющих их теориях существует прекрасная книга – «Разумный глаз» Р.Л. Грегори. Автор является профессором бионики Эдинбургского университета, одним из крупнейших в мире специалистов по психологии зрения. Отвечая на вопрос, «каким образом мозг извлекает сведения о внешнем мире из некоторого узора пятен света на сетчатке глаза», автор компетентно и увлекательно рассказывает о связях между важнейшими факторами восприятия, о сложнейшем многогранном процессе зрительного мышления. Текст богато иллюстрирован рисунками, которые позволяют читателю самостоятельно проверить многие факты. Предмет освещается с различных, часто неожиданных сторон, и потому книга представляет интерес для широкого круга читателей, и, несомненно, для современного исследователя, работающего в области искусственного интеллекта, эти знания будут весьма полезны. Темы, которые обсуждались в рамках данного раздела, были посвящены описанию прогресса и нынешних возможностей в области экспериментальной нейробиологии, а теперь пришло время поговорить о создании моделей биологических нейронных сетей, 18 основанных на подобного рода данных и знаниях. Сложно переоценить значимость, к примеру, действующей модели зрительной системы, основанной на глубоком знании нейробиологических механизмов – она, наконец-то, позволила бы искусственным системам компьютерного зрения приблизиться к ныне даже близко недостижимому уровню возможностей зрительного восприятия, которым наделен человек. 4. О моделировании биологических нейронных сетей К настоящему времени, начиная ориентировочно с 2005 года, наметившиеся тенденции в области детального, подробного моделирования биологических нейронных сетей, основанных на результатах оцифровки реальной нервной ткани воплотились в реальные проекты. Один из наиболее масштабных и амбициозных – это уже хорошо известный The Blue Brain Project, начатый в 2005 г. с моделирования фрагмента неокортекса (новая кора головного мозга, отвечающая за высшие нервные функции) молодой крысы, построенного на результатах 3D-оцифровки 10000 нейронов и 3•107 синапсов реальной нервной ткани. Для накопления этой информации потребовалось пятнадцать лет кропотливой экспериментальной работы (http://bluebrain.epfl.ch/). 26 ноября 2007 г. было объявлено о завершении «Фазы I» проекта Blue Brain (http://ru.wikipedia.org/wiki/Blue_Brain_Project), результатами которой являются: 1. Новая модель сеточной структуры, которая автоматически, по запросу, генерирует нейронную сеть по предоставленным биологическим данным. 2. Новый процесс симуляции и саморегуляции, который перед каждым релизом автоматически проводит систематическую проверку и калибровку модели, для более точного соответствия биологической природе. 3. Первая модель колонки неокортекса (группа нейронов, расположенная в коре головного мозга перпендикулярно его поверхности, составляющая структурную единицу неокортекса) клеточного уровня, построенная исключительно по биологическим данным. В процессе моделирования получается огромный объём данных (сотни гигабайт информации в секунду), которые чрезвычайно тяжело анализировать. Поэтому кроме параллельной обработки исходящих данных был разработан интерфейс 3D визуализации колонки. Меш-объект (основной способ представления графических объектов в виде вершин и граней) визуализированной колонки (10000 нейронов) содержит порядка 1 миллиарда треугольников и имеет объём в 100 Гб. Модель колонки, с отображением электрической активности имеет объём порядка 150 Гб. Такой интерфейс позволяет зрительно анализировать информацию электрической активности и выявлять наиболее интересные зоны. Он также позволяет сравнивать результаты, полученные моделированием с опытными результатами, которые получаются путём измерения микроЭЭГ колонки. Калибровка модели за счёт сравнения с реальной биологической колонкой будет проведена в «Фазе II» проекта. Интересно отметить, что исследователи не ставят перед собой задачей смоделировать сознание. «Если сознание появляется в результате критической массы взаимодействий — тогда, это может быть возможно. Но мы действительно не понимаем, что есть сознание, поэтому трудно об этом говорить». Это очень смелый, амбициозный проект, однако многое здесь пока непонятно. Например, не всё ясно с входной и выходной информацией, поступающей в этот фрагмент, непонятна роль связей неокортекса с другими отделами мозга, которые пока отсутствуют в симуляции. Неясно также, как в таких условиях понять, правильно работает этот фрагмент или нет. Существующий на данный момент в виде модели фрагмент мозга человека эквивалентен примерно 1/10000000 части целого мозга. Таким образом, здесь мы видим попытку подойти к проблеме изучения и 19 моделирования принципов работы нервной системы, взявшись сразу за самый сложный мозг - человеческий, но смоделировать лишь его малый фрагмент. Значительный интерес представляет собой и подход с другого конца: смоделировать нервную систему простейшего существа, но целиком, включая афферентную систему – сенсорную, и эфферентную – мышечную. Данный подход тоже уже находится в стадии реализации, в том числе и в России (Институт Систем Информатики СО РАН им. А.П. Ершова, Новосибирск) – CyberElegans Project (http://www.computerra.ru/interactive/589824/) Цель - создание первого в мире виртуального организма, управляемого электронной копией его биологической нейронной сети. На примере этого простого организма планируется выяснить, даёт ли копия нервной системы, построенная на основе коннектома организма (совокупности данных, описывающих все его нейроны и межнейронные связи), такое же поведение в ряде тестовых ситуаций, как и оригинал; насколько близко к реальности наше понимание принципов, в соответствии с которыми функционируют нейроны и нейронные системы, нет ли необходимости существенно пересматривать концепцию. По большому счёту, при выборе объекта моделирования не было альтернативы. C. elegans - единственный на сегодняшний день организм, для которого известен весь или почти весь коннектом - совокупность нейронов, межнейронных и нейро-мышечных связей, клеток-сенсоров и ряда параметров, описывающих эти системы. Других столь же изученных в этом плане организмов просто нет. Нобелевский лауреат 2002 года Дж. Сальстон, получивший премию как раз за работу в этой области, недаром сказал о нём: "Когда мы разгадаем червя - мы поймем жизнь". Что касается биологических характеристик объекта, они тоже во многом уникальны. C. elegans - свободноживущая почвенная нематода, маленький червячок длиной около миллиметра. Короткий жизненный цикл, период взросления, исчисляемый несколькими днями, сделал его чрезвычайно удобным для исследований в области генетики. В 1998 году был секвенирован геном C. elegans. Также заслуженное внимание на него обратили и нейробиологи. Началом крупномасштабного исследования нервной системы C. elegans можно считать работу "The pharynx of Caenorhabditis elegans" (Albertson&Thomson, 1976), посвящённую изучению головного нервного узла C. elegans, и "The Structure of the Nervous System of the Nematode Caenorhabditis elegans" (White et al., 1986), итогом которых явилось получение экспериментальных данных о большинстве нейронов и межнейронных связей. Как оказалось, нервная система у всех особей одного пола идентична: 302 нейрона, около семи тысяч межнейронных соединений, 95 мышечных клеток и несколько десятков сенсорных клеток разного типа. Ещё одно существенное достоинство этого организма в плане моделирования - прозрачность в оптическом диапазоне. Более сложные организмы имеют свойство надёжно защищать свою центральную нервную систему. У всех позвоночных мозг скрыт внутри черепной коробки, а насекомые и ракообразные обзавелись прочным внешним каркасом. Всё это не позволяет без дополнительных ухищрений наблюдать их мозг, особенно под микроскопом, непосредственно в живом организме. Зато у C. elegans - пожалуйста. Существуют сотни микрофотографий отдельных нейронов, их отростков, мышечных клеток и так далее. До 1990 года никто не рассматривал всерьез способность C. elegans к пластичности поведения и использование опыта для обучения, однако затем в результате ряда работ мнение учёных на этот счёт значительно поменялось. Начиная с первой работы, посвящённой обучению и памяти у C. elegans, было показано, что нервная система этой нематоды не является столь неизменной в ходе жизни организма, как поначалу казалось. Напротив, оказалось, что она спроектирована природой как миниатюрный, но при этом идеально отточенный механизм для извлечения опыта, запоминания и обучения на основе 20 сигналов от механо-, хемо- и терморецепторов, посредством которых нематода воспринимает окружающую среду. Недавно было также обнаружено, что, несмотря на отсутствие глаз, C. elegans реагирует на изменение освещённости, и учёные даже обнаружили несколько нейронов, связанных с обработкой этих сигналов. Нематода может обучаться: приближаться или, наоборот, избегать источников вкуса, запаха или изменений температуры, которые на основе прежнего опыта позволяют прогнозировать наличие или отсутствие еды. Также червь проявляет ассоциативные формы обучения, такие, как выработка классического и дифференцированного условного рефлекса, и обладает способностями к краткосрочной и долгосрочной памяти (Catharine H. Rankin. Current Biology. 2004). В соответствии с текущими представлениями считается, что нервная система любой взрослой особи одного из полов неизменно содержит 302 нейрона и образования новых, даже в результате обучения, не происходит. Однако эти наблюдения не исключают образования новых межнейронных связей и перенастройки параметров уже существующих. Как именно это происходит, ещё предстоит выяснить, как посредством экспериментальной работы, так и с помощью компьютерного моделирования. Данные о структуре нервной системы, используемые в симуляторе, соответствуют взрослой особи, которая была подвергнута оцифровке, и должны содержать в себе все базовые поведенческие программы, в соответствии с которыми виртуальный C. elegans должен вести себя правдоподобно. Однако описанные выше способности к обучению "заработают" только в том случае, если удастся выявить стоящие за ними механизмы и дополнить ими модель. Создать модель "нервной системы в вакууме" совсем не так интересно и плодотворно, как смоделировать одновременно совокупность взаимосвязанных систем - нервной, мышечной и сенсорной на базе гибкого каркаса тела, помещенного в виртуальное окружение - физический симулятор. Это позволит нервной системе получать от окружения реалистичный сенсорный ввод, меняющийся в ответ на действия самого червя, которые будут осуществляться в результате активности мышечной системы, управляемой в свою очередь нервной системой. А с помощью модуля 3D-визуализации исследователи могут наблюдать как саму нейронную и мышечную активность в мельчайших деталях, так и ее результат - поведение виртуальной нематоды. Над исследованием и моделированием различных систем C. elegans работают многие серьёзные лаборатории США, Европы, Японии. Однако в данной постановке задача поставлена впервые - это попытка объединить все уже имеющиеся данные в единый многофункциональный программный комплекс. Успешное выполнение проекта позволит получить новые знания о механизмах работы нервной системы как целого, так и детально, на уровне отдельных нейронов, изучить принципы организации функциональных блоков биологических нейронных сетей, которые в перспективе могут быть использованы для проектирования искусственных нейронных сетей нового поколения. Среди уже достигнутых в рамках проекта успехов можно отметить оригинальную схему гибкого каркаса тела нематоды, повторяющего форму биологического прототипа, оптимизированную для крепления мышечных клеток в тех же позициях, в которых они расположены у реального червя и впервые предложенную 3D-модель мышечной системы C. elegans, в которой каждая мышечная клетка (из 95) реального организма будет иметь свой аналог. Геометрические и механические свойства воспроизведены максимально точно, включая позиции нейронов и архитектуру связей между ними. Для этого есть ряд существенных причин. Из-за особенностей строения нейронов C. elegans для их моделирования требуется учитывать в расчётах реальные пути соединений между нейронами, изменение сигнала вдоль них и время его распространения. Предложенная 21 концепция удовлетворяет этим требованиям и предоставляет идеальный способ визуализации структуры межнейронных соединений, включая нелинейные участки и области ветвления, а также отображения динамики нейронной активности. Для этого линейное соединение между каждой парой нейронов будет заменено на ряд последовательных сегментов, задаваемых системой промежуточных точек, которые будут повторять ход реального соединения. Каждая такая точка одновременно будет выполнять роль "передаточной станции" для расчёта затухания сигнала и обеспечения необходимой задержки по времени, а также в соответствующей ситуации может стать точкой ветвления. Данные для внесения информации такого рода в модель в основном извлекаются из микрофотографий нейронов, что является трудоёмким процессом. Один из этапов в рамках этой задачи удалось максимально упростить посредством создания визуального 3D-редактора нейронной сети. В результате пока удалось "запустить" лишь около 10 процентов всей нервной системы, преимущественно относящейся к вентральному нервному корду (брюшной нервной цепочке), управляющему мышечной системой и обеспечивающему базовую двигательную активность (синусоидальное поступательное движение вперед или назад). Уже можно наблюдать реалистичное поступательное движение вперёд, его смену на противоположное движение при касании преграды (пока посредством искусственного переключения фазы синусоидального сигнала, подаваемого на мышцы). Ещё нематода "умеет" поворачиваться на 90° и продолжать движение вдоль препятствия. Более сложные движения и поведенческие паттерны (изменение скорости или направления, повороты, поисковое поведение, реакция избегания раздражителя и т.д.) достигаются при участии дополнительных сигналов из головного нервного ганглия, до полноценной работы которого в рамках модели ещё далеко. Возможность реализации сенсорной системы заложена в симулятор и запланирована, однако пока это одна из наиболее сложных частей задачи, так как практически неизвестна кодировка сигналов от рецепторов. Необходимы подробные консультации со специалистами, изучающими нервную активность этой нематоды экспериментально. Над налаживанием контактов и сотрудничества с исследовательскими группами, работающими в этой области также идет работа. 5. Успехи в остальных направлениях ИИ Даже если мы сфокусируемся на исследованиях, непосредственно связанных с нейробиологией или моделированием нервной ткани, проводимом на основе современных данных, несомненно, мы останемся связанными с остальными направлениями ИИ, а также с широким спектром технологий, применяемых для исследований, которыми мы потенциально можем воспользоваться, поэтому всегда важно представлять себе, какие важнейшие события в этой сфере происходят прямо сейчас и быть готовым своевременно включать их в свою картину мира. Новейшие вычислительные системы стремительно приближаются по своим вычислительным возможностям к мозгу, хотя ещё и далеки от совершенства. Искусственные нейронные сети контролируют сложнейшие системы управления и слежения, проявляют способности в области распознавания изображения вплоть до возможности создания интеллектуальных автопилотов. Активно занимается системами искусственного интеллекта область, издавна считавшаяся прерогативой человека компьютеры стали довольно неплохо играть в игры. К примеру, по сообщениям в печати, компьютер фирмы IBM, победивший Каспарова, имел 256 процессоров, каждый из которых имел 4 Гб дисковой памяти и 128 Мб оперативной. Весь этот комплекс мог просчитывать более 100'000'000 ходов в секунду. До недавнего времени редкостью был компьютер, способный делать такое количество целочисленных операций в секунду, а 22 здесь мы говорим о ходах, которые должны быть сгенерированы и для которых просчитаны оценочные функции. Хотя с другой стороны, этот пример говорит о могуществе и универсальности переборных алгоритмов. Есть и более доступные по требованиям к машинным ресурсам разработки – например, системы распознавания и автоматизированного ввода текста доступны на обычных персоналках. Уже в 60-х годах появились первые «очувствленные» роботы, которые управлялись универсальными компьютерами. К примеру, в 1969 г. в Электротехнической лаборатории (Япония) началась разработка проекта "промышленный интеллектуальный робот". Цель этой разработки - создание очувствленного манипуляционного робота с элементами искусственного интеллекта для выполнения сборочно-монтажных работ с визуальным контролем. Манипулятор робота имеет шесть степеней свободы и управляется мини-ЭВМ NEAC-3100 (объем оперативной памяти 32000 слов, объем внешней памяти на магнитных дисках 273000 слов), формирующей требуемое программное движение, которое отрабатывается следящей электрогидравлической системой. Схват манипулятора оснащен тактильными датчиками. В качестве системы зрительного восприятия используются две телевизионные камеры, снабженные красно-зелено-синими фильтрами для распознавания цвета предметов. Поле зрения телевизионной камеры разбито на 64*64 ячеек. В результате обработки полученной информации грубо определяется область, занимаемая интересующим робота предметом. Далее, с целью детального изучения этого предмета выявленная область вновь делится на 4096 ячеек. В том случае, когда предмет не помещается в выбранное "окошко", оно автоматически перемещается, подобно тому, как человек скользит взглядом по предмету. Робот Электротехнической лаборатории был способен распознавать простые предметы, ограниченные плоскостями и цилиндрическими поверхностями при специальном освещении. Стоимость данного экспериментального образца составляла примерно 400000 долларов. Постепенно характеристики роботов монотонно улучшались, но до сих пор они еще далеки по понятливости от человека. На сегодняшний день роботы применяются даже в развлекательной индустрии и стали значительно доступнее по цене. Яркий пример – робот-собака AIBO ERS-7/W от SONY (цена 2300 $). Ниже приведено описание данной модели: Модель ERS-7 достаточно серьезно переработана, по сравнению с предыдущими реализациями лучших друзей человека. Новая версия стала существенно “умнее“ и обрела множество дополнительных навыков. ERS-7, согласно мнению компании, является отличным компаньоном для человека, обладает персональными чертами, которые изменяются со временем, в зависимости от внешних условий. На “лицевой части“ робота появился специальный дисплей (“Illume-Face“), который позволяет псу выражать разнообразные эмоции. Компания Sony разработала новое программное обеспечение, которое носит гордое имя “AIBO Mind“ и помещается на 32 Мб Memory Stick, позволяя роботу действовать совершенно автономно. В этом режиме AIBO может распознавать лицо и голос человека, с успехом находить свою зарядную станцию, лучше и быстрее ориентироваться в пространстве и т.д. Ключевой особенностью новой модели является наличие беспроводного сетевого интерфейса, который позволяет использовать робота в качестве охранника и наблюдателя. Бортовая память робота была увеличена, используется более быстрый 64-bit RISC процессор, сенсоры на корпусе робота стали электростатическими, соответственно не нужно прямое механическое воздействие для их срабатывания. Зрение ERS-7 в три раза лучше по сравнению с предыдущей моделью. В коробке вы найдете набор карточек, каждая из которых соответствует определенной команде. Достаточно показать песику карточку, и он станцует или заведет свой внутренний будильник, чтобы разбудить вас в назначенное время. Для обычного обывателя это уже очень похоже на «настоящий искусственный интеллект», хотя, разумеется, и не является таковым. Можно привести еще немало примеров впечатляющих достижений в области программирования, робототехники и т.д., 23 однако до реализации ИИ и по сей день еще очень далеко. В таких условиях приобретает особую значимость рассмотрение основных философских вопросов, связанных с искусственным интеллектом и искусственной жизнью. При этом, очевидно, возможно взаимовлияние искусственного интеллекта и искусственной жизни на философские проблемы мышления и на жизнь вообще. Несмотря на то, что, по мнению некоторых ученых, искусственный интеллект принципиально невозможен, разработки в области создания систем искусственного интеллекта в настоящее время по прежнему являются одним из приоритетных направлений в науке. Гораздо более симпатичной и реалистичной точкой зрения (вместо возможности /невозможности ИИ), причем применительно как к живым системам, так и к искусственным, мне кажется мысль, высказанная П. Армером, о "континууме интеллекта" (П.Армер. О возможностях кибернетических систем. В кн.: М.Таубе. Вычислительные машины и здравый смысл. Миф о думающих машинах. М., "Прогресс", 1964 ): различные системы могут сопоставляться не только как имеющие и не имеющие интеллекта, но и по степени его развития. При этом, считает он, желательно разработать шкалу уровня интеллекта, учитывающую степень развития каждого из его необходимых признаков. Известно, что в свое время А.Тьюринг предложил в качестве критерия, определяющего, может ли машина мыслить, "игру в имитацию". Согласно этому критерию, машина может быть признана мыслящей, если человек, ведя с ней диалог по достаточно широкому кругу вопросов, не сможет отличить ее ответов от ответов человека. Критерий Тьюринга в литературе был подвергнут критике с различных точек зрения. Действительно серьезный аргумент против этого критерия заключается в том, что в подходе Тьюринга ставится знак тождества между способностью мыслить и способностью к решению задач переработки информации определенного типа. Успешная "игра в имитацию" не может без тщательного предварительного анализа мышления как целостности быть признана критерием способности машины к мышлению. Если учесть возможность разработки программ, специально рассчитанных на введение в заблуждение человека, то, возможно, следует говорить не просто о человеке, а о специально подготовленном эксперте. Этот критерий, на взгляд многих ученых, не противоречит перечисленным выше особенностям системы искусственного интеллекта. Исходным пунктом рассуждений об искусственном интеллекте было определение такой системы как решающей мыслительные задачи. Но перед нею ставятся и задачи, которые люди обычно не считают интеллектуальными, поскольку при их решении человек сознательно не прибегает к перестройке проблемных ситуаций. К их числу относится, например, задача распознания зрительных образов. Человек узнает человека, которого видел один-два раза, непосредственно в процессе чувственного восприятия. Исходя из этого, кажется, что эта задача не является интеллектуальной. Но в процессе узнавания человек не решает мыслительных задач лишь постольку, поскольку программа распознания не находится в сфере осознанного. Но так как в решении таких задач на неосознанном уровне участвует модель среды, хранящаяся в памяти, то эти задачи, в сущности, являются интеллектуальными. Соответственно и система, которая ее решает, может считаться интеллектуальной. Тем более это относится к "пониманию" машиной фраз на естественном языке, хотя человек в этом не усматривает обычно проблемной ситуации. Теория искусственного интеллекта при решении многих задач сталкивается с гносеологическими проблемами. Одна из таких проблем состоит в выяснении вопроса, доказуема ли теоретически возможность или невозможность искусственного интеллекта. На этот счет существуют две точки зрения. Одни считают математически доказанным, что ЭВМ в принципе может выполнить любую функцию, осуществляемую естественным интеллектом. Другие полагают в такой же мере доказанным математически, что есть проблемы, решаемые человеческим интеллектом, которые принципиально недоступны ЭВМ. Эти взгляды высказываются как кибернетиками, так и философами. Знание – основа 24 интеллектуальной системы. Многие виды умственной деятельности человека, такие, как написание программ для вычислительной машины, занятие математикой, ведение рассуждений на уровне здравого смысла и даже вождение автомобиля – требуют "интеллекта". На протяжении последних десятилетий было построено несколько типов компьютерных систем, способных выполнять подобные задачи. Имеются системы, способные диагностировать заболевания, планировать синтез сложных синтетических соединений, решать дифференциальные уравнения в символьном виде, анализировать электронные схемы, понимать ограниченный объем человеческой речи и естественного языкового текста. Можно сказать, что такие системы обладают в, некоторой степени, искусственным интеллектом. При реализации интеллектуальных функций непременно присутствует информация, называемая знаниями. Другими словами, интеллектуальные системы являются в то же время системами обработки знаний. В последние годы термин "знание" все чаще употребляется в информатике. Специалисты подчеркивают, что совершенствование так называемых интеллектуальных систем (информационно-поисковых систем высокого уровня, диалоговых систем, базирующихся на естественных языках, интерактивных человеко-машинных систем, используемых в управлении, проектировании, научных исследованиях) во многом определяется тем, насколько успешно будут решаться задачи (проблемы) представления знаний. Неудивительно, что перед теми, кто занимается проблемой представления знаний, встает вопрос о том, что такое знание, какова его природа и основные характеристики. В связи с этим предпринимаются, например, попытки дать такое определение знания, из которого можно было бы исходить в решении задач представления знаний в компьютерных системах. Представлению данных присущ пассивный аспект: книга, таблица, заполненная информацией память. В теории искусственного интеллекта особо подчеркивается активный аспект представления знаний: приобретение знания должно стать активной операцией, позволяющей не только запоминать, но и применять воспринятые (приобретенные, усвоенные) знания для рассуждений на их основе. Использование символического языка, такого, как язык математической логики, позволяет формулировать описания в форме, одновременно близкой и к обычному языку, и к языку программирования. Впрочем, математическая логика позволяет рассуждать, базируясь на приобретенных знаниях: логические выводы действительно являются активными операциями получения новых знаний из уже усвоенных. Принципиальная мировоззренческая установка состоит в рассмотрении ЭВМ как предмета-посредника в познавательной человеческой деятельности. Компьютерная система, подобно другим предметам-посредникам (орудиям труда и предметам быта, инструментам, приборам, знаково-символическим системам, научным текстам и т. д.), играя инструментальную роль в познании, является средством объективизации накопленного знания, воплощением определенного социально-исторического опыта практической и познавательной деятельности. Проблема представления знаний возникла как одна из проблем искусственного интеллекта. Она связана с переходом исследований в этой области в некоторую новую фазу. Речь идет о создании практически полезных систем (прежде всего так называемых экспертных систем), применяемых в медицине, геологии, химии. Создание такого рода систем требует интенсивных усилий по формализации знания, накопленного в соответствующей науке. С термином "представление знаний" связывается определенный этап в развитии математического обеспечения ЭВМ. Если на первом этапе доминировали программы, а данные играли вспомогательную роль, то на последующих этапах роль данных неуклонно возрастала. Их структура усложнялась: от машинного слова, размещенного в одной ячейке памяти ЭВМ, происходил переход к векторам, массивам, файлам, спискам. На сегодняшний день существуют абстрактные типы данных, обеспечивающие возможность создания такой структуры данных, которая наиболее 25 удобна при решении задачи. Последовательное развитие структур данных привело к их качественному изменению и к переходу от представления данных к представлению знаний. Уровень представления знаний отличается от уровня представления данных не только более сложной структурой, но и существенными особенностями: интерпретируемость, наличие классифицируемых связей (например, связь между знаниями, относящихся к элементу множества, и знаниями об этом множестве), которые позволяют хранить информацию, одинаковую для всех элементов множества, записанную одноактно при описании самого множества, наличие ситуативных отношений (одновременности, нахождения в одной точке пространства и т. п., эти отношения определяют ситуативную совместимость тех или иных знаний, хранимых в памяти). Кроме того, для уровня знаний характерны такие признаки, как наличие специальных процедур обобщения, пополнения имеющихся в системе знаний и ряда других процедур. Моделирование на ЭВМ понималось как техническая реализация определенной формы знакового моделирования. Однако, рассматривая ЭВМ в гносеологическом плане в качестве посредника в познании, имеет смысл не фиксировать внимание, прежде всего на "железной части" (hardware) компьютера, а рассматривать всю компьютерную систему как сложную систему взаимосвязанных и до некоторых пределов самостоятельных моделей как материальных, так и знаковых, т. е. идеальных. Такой подход не только соответствует рассмотрению компьютерных систем в современной информатике, но является и гносеологически оправданным. Многие важные философские аспекты проблем, возникающих в связи с компьютеризацией различных сфер человеческой деятельности, требуют для своего исследования обращения, прежде всего, к знаковым составляющим компьютерных систем. Это верно и в отношении философских аспектов проблем представления знаний. В последние годы все чаще стал употребляться термин "компьютерное моделирование". Очевидно, имеет смысл обозначать им построение любого из составляющих компьютерной системы - будь то знаковая модель или материальная. Что изменяется в компьютерном моделировании с переходом от уровня представления данных к уровню представлению знаний? Каков гносеологический смысл этих изменений? С введением термина "знание" появляется свойство "осознавать", т. е. "понимать" свои интеллектуальные возможности. В свою очередь, это означает не что иное, как рефлексию. Исследования в области искусственного интеллекта возникли под влиянием идей кибернетики - прежде всего идеи общности процессов управления и передачи информации в живых организмах, обществе и технике, в частности, в компьютерах. Философская приемлемость проблематики искусственного интеллекта в ее традиционном виде была обусловлена лежащим в ее основе представлением о том, что "порядок и связь идей те же, что порядок и связь вещей". Тем самым создать в компьютере структуру, воспроизводящую "мир идей", означало попросту создать структуру, изоморфную структуре вещественного мира, т. е. построить "электронную модель мира". Эта модель интерпретировалась как компьютерная модель человеческих знаний о мире. Процесс человеческого мышления интерпретировался в компьютере как машинный поиск таких трансформаций модели, которые должны были перевести компьютерную модель в некое финальное состояние (например, матовую позицию в шахматах). Для этого система искусственного интеллекта нуждалась в знаниях о том, как осуществлять трансформации состояний модели, приводящие к заранее заданной цели состоянию с определенными свойствами. В первое время было распространено убеждение в принципиальной способности компьютера к самостоятельному исследованию хранящейся в нем модели, т. е. к самообучению стратегии достижения поставленной цели. Данная гипотетическая способность интерпретировалась как возможность машинного творчества, как основа создания будущих "мыслящих машин". И, хотя в реально разрабатывавшихся системах достижение цели осуществлялось на основе человеческого 26 опыта с помощью алгоритмов, основанных на теоретическом анализе создаваемых моделей и результатов проводимых на них экспериментов, идеи построения самообучаемых систем многим казались наиболее перспективными. Лишь к 80-му году была осознана значимость проблемы использования в интеллектуальных системах человеческих знаний о действительности, повлекшая серьезную разработку баз знаний и методов извлечения личных знаний экспертов. С развитием данного направления возникла идея рефлексивного управления. До этого момента в кибернетике управление рассматривалось как передача объекту сигналов, непосредственно воздействующих на его поведение, а эффективность управления достигалась с помощью обратной связи - получения информации о реакциях управляемого объекта. Рефлексивное же управление - есть передача информации, воздействующей на имеющийся у объекта образ мира. Тем самым обратная связь оказывается излишней - состояние субъекта известно передающему информацию, то есть объекту. Традиционные системы искусственного интеллекта основаны на идеологии целеориентированного поведения типа шахматной игры, где цель обоих партнеров состоит в том, чтобы поставить мат ценой любых жертв. Не случайно именно шахматные программы оказались столь важными для отработки методов искусственного интеллекта. Стоит ли считать рефлексию неотъемлемой частью систем искусственного интеллекта? Ответом с технической точки зрения может служить следующее. Как и любая компьютерная программа, наделенная средствами самодиагностики и самоисправления, т. е. средствами повышения надежности, системы искусственного интеллекта должны контролировать происходящие процессы - как внешние, так и внутренние. Однако может показаться, что в этом смысле будет достаточным просто развитая структура обратных связей. Сразу надо оговориться, что под обратной связью следует понимать только ответную реакцию (или получение информации о ней) после какого-то конкретного действия системы. Обратная связь лишь предоставляет данные, информацию, но ни в коей мере не интерпретирует их. Норбертом Винером в книге "Кибернетика, или управление и связь в животном и машине" были приведены примеры нарушений нервной системы людей и их последствия. Так люди с нарушением системы ориентации собственных конечностей в пространстве (не чувствующие своих рук и ног, случай, когда конечности "немеют") должны были визуально контролировать свои действия. Это было типичное нарушение обратной связи. Рефлексия же подразумевает анализ полученной картины. Анализ функционирования собственной модели или модели "всей окружающей действительности" (в рамках поставленной задачи), контроль над ее состоянием, прогнозирование состояния - есть ни что иное, как реализация рефлексии. Рефлексия есть некий метауровень. С применением языков программирования высокого уровня, таких как Пролог, позволяющий формулировать цели и строить логические выводы достижимости этих целей, задача реализации рефлексии уже может быть частично решена. С их помощью можно построить некую надстройку, метауровень, позволяющий оценивать поведение предыдущего. Однако, при рассмотрении термина "глубокая рефлексия" или "многоуровневая рефлексия" встает проблема построения моделей самой системой. Здесь на помощь приходят абстрактные типы данных. Они позволяют оперировать структурами данных любой конечной сложности. Таким образом, можно считать, что системы искусственного интеллекта могут содержать модель рефлексии. Таким образом, считать интеллектуальную систему полноценной без умения оценивать, "понимать" свои действия, то есть рефлексировать, нельзя. Более того, рефлексию следует считать одним из главных инструментов построения поведения систем. Говоря языком математики, рефлексия является необходимым условием существования интеллектуальной системы. 27 Заключение Природа мышления, загадка сознания, тайна разума - все это, безусловно, наиболее волнующие человека проблемы. С того самого момента, как человек стал задумываться над проблемой мышления, в подходе к ней существуют два основных диаметрально противоположных направления: материализм и идеализм. Идеализм исходит из признания мышления некой особой сущностью, в корне отличной от материи, от всего того, с чем мы имеем дело во внешнем мире. Материализм, напротив, утверждает, что вещественный, чувственно воспринимаемый нами мир, к которому принадлежим мы сами, есть единственный действительный мир и наше сознание и мышление, как бы ни казалось оно сверхчувствительным, являются продуктом вещественного, телесного органа. Можно пытаться объяснить, что, так как кибернетика позволяет моделировать некоторые функции мозга, то сознание или разум имеет чисто материальную основу. Однако данная область может считаться слабо изученной, несмотря на труд не одного поколения ученых, и делать подобные выводы еще более чем рано. До сих пор диалектико-материалистическое понимание мышления опиралось, главным образом, на обобщенные данные психологии, физиологии и языкознания. Данные кибернетики позволяют поставить вопрос о более конкретном понимании мышления. Инструментом философии является знание. Именно инструментом, а не результатом. Знание не есть конечный предмет, который можно положить в сундук и сказать: "Да, теперь у меня есть знание!" Инструментом же кибернетики является моделирование. С точки зрения теории моделирования вообще не имеет смысла говорить о полном тождестве модели и оригинала. Поэтому нельзя стопроцентно смоделировать разумное поведение, объект, способный мыслить, и поместить его все в тот же сундук. Все это вполне согласуется с понятием знания. Развитие информационной техники позволило компенсировать человеку психофизиологическую ограниченность своего организма в ряде направлений. "Внешняя нервная система", создаваемая и расширяемая человеком, уже дала ему возможность вырабатывать теории, открывать количественные закономерности, раздвигать пределы познания сложных систем. Искусственный интеллект и его совершенствование превращают границы сложности, доступные человеку, в систематически раздвигаемые. Это особенно важно в современную эпоху, когда общество не может успешно развиваться без рационального управления сложными и сверхсложными системами. Разработка проблем искусственного интеллекта является существенным вкладом в осознание человеком закономерностей внешнего и внутреннего мира, в их использование в интересах общества и, тем самым, в развитие свободы человека. Литература: 1. What is Artificial Intelligence? интервью Джона Маккарти, 2007 2. «От нейрона к мозгу», Едиториал УРСС, 2003 г. Дж. Г. Николлс, А. Р. Мартин, Б. Дж. Валлас, П. А. Фукс. 3. «Биология», Том 2. М., Мир, 2007. Д. Тейлор, Н. Грин, У. Стаут. 4. "Будущее искусственного интеллекта." М., Наука, 1991, ред.: Карл, Левитин, Поспелов, Хорошевский. 5. Винер Н. "Кибернетика или управление и связь в животном и машине.", М., Наука 1983. 6. Джордж Ф. "Мозг как вычислительная машина", М., 1963 7. Калан Р. "Основные концепции нейронных сетей", М., 2001 28 8. П.В. Симонов. Созидающий мозг. Нейробиологические основы творчества"// "Вопросы философии", 1994, №3 9. Оезер Э. "Мозг, язык и мир"// "Вопросы философии", 1998, №5 10. Поспелов Д.А. "Философия или наука. На пути к искусственному интеллекту." М., Наука, 1982. 11. Тьюринг А. "Может ли машина мыслить?", М., Наука, 1960. 12. Шалютин С.М. "Искусственный интеллект: гносеологический аспект", М.: Мысль, 1985 13. Шрейдер Ю.А. "Искусственный интеллект, рефлексивные структуры и антропный принцип."// "Вопросы философии", 1995, №7, с. 163-167. 14. Эндрю А. "Искусственный интеллект", М.: Мир, 1985 15. М.Тим Джонс “Программирование искусственного интеллекта в приложениях”, М., ДМК Пресс, 2004. 16. Рассел С., Норвиг П. Искусственный интеллект: современный подход (Artificial Intelligence: a Modern Approach) / Пер. с англ. и ред. К. А. Птицына. - 2-е изд. - М.: Вильямс, 2006. 17. Смолин Д. В. Введение в искусственный интеллект: конспект лекций. — М.: ФИЗМАТЛИТ. 18. Хант Э. Искусственный интеллект (Artificial intelligence) / Под ред. В. Л. Стефанюка. — М.: Мир, 1978. 19. Девятков В. В. Системы искусственного интеллекта / Гл. ред. И. Б. Фёдоров. — М.: Изд-во МГТУ им. Н. Э. Баумана, 2001. 20. Тьюринг А. "Может ли машина мыслить?", М., Наука, 1960. 29