посредством зрительных рецепторов) сразу воспринимает двумерную картину рукописного текста во всей его совокупности; кроме того, он незамедлительно активизирует все имеющиеся в его распоряжении аналитические ресурсы, приступая к распознаванию. Причем, какие именно ресурсы будут привлечены к решению задачи и каким образом это решение будет получено, не знает никто.
И не только потому, что нейрофизиология – до сих пор не самая развитая отрасль медицинской науки. С математической точки зрения существует принципиальная сложность в формализации работы нейронного процессора – устройства, способного сразу оперировать с огромными объемами данных (по сравнению с теми единичными порциями, которые только и доступны линейным вычислительным системам). Суть в том, что для компьютера, на вход которого подаются только единицы или нули, не составляет труда расписать все правила обработки этих данных. Если вместо единиц и нулей взять определенные команды и блоки данных (посмотреть на работу компьютера с точки зрения языка высокого уровня), число правил их обработки возрастет, но не катастрофически. А вот в случае вычислительной системы, на вход которой подаются образы, а на выходе ожидаются решения, а не числа (решение, к примеру, о том, какому словарному слову соответствует вот этот набор рукописных закорючек), определить весь свод правил обработки входных сигналов и трансляции их в выходные физически невозможно. Просто не хватит для этого никаких ресурсов, поскольку число вариантов растет экспоненциально в зависимости от интенсивности потока данных на входе. И если для ввода данных использовать, скажем, обычный пятимегапиксельный оптический датчик, описать все варианты в принципе доступной к фиксации с его помощью визуальной информации представляется попросту невероятным. Остается единственный разумный путь для приведения нейросистемы в рабочее состояние – обучение.
Несмотря на кажущуюся принадлежность термина «обучение» спекулятивному миру понятий «искусственного интеллекта» и «машинного разума», в кибернетике у него имеется строго определенный практический смысл. А именно: поскольку нейросистема строится для решения целого класса задач, можно с самого начала выделить некий набор тестовых примеров, для которых как раз не составит труда определить алгоритм обработки внутри системы (просто потому, что их окажется не так уж много). Дальше начинается самое интересное: зафиксировав и отработав реакцию нейрокомпьютера на тестовый массив данных (так и хочется сказать – «на тестовый раздражитель», по аналогии с системами биологическими), ему «скармливают» несколько отличный от тестового входной образ. Затем добиваются (тонкой подстройкой каскадов обработки сигнала), чтобы при малых отклонениях исходного образа от тестового результат также от ожидаемого в тестовом примере отличался несильно. Выстраивают, говоря инженерным языком, канал обратной связи. Собственно, процедура регулировки канала обратной связи и есть в кибернетическом смысле «обучение» нейрокомпьютера: тот настраивается на решение определенного класса задач, основываясь на четко заданном решении конечного числа тестовых примеров. Здесь проявляется принципиальное отличие от жесткой алгоритмизации, необходимой для работы линейных компьютеров.
Еще одна важная особенность работы нейрокомпьютера по сравнению с линейным – принципиально иной подход к оценке производимых действий. Машина Тьюринга—фон Неймана с легкостью оперирует понятиями «1»—«0», «истина»—«ложь». Потому и результат ее вычислений может быть истинным либо ложным (если алгоритм верен, то ложность результата – следствие внутреннего сбоя в машинном «железе»). А вот нейрокомпьютер гораздо ближе к нам с точки зрения определения истинности полученного результата. Обратите внимание: истинности, не истины. Буква «V», написанная от руки, может существовать в неисчислимом количестве вариаций – и все-таки каждый из них будет обозначать именно «V», а не «Ж» или «W». Как мы это узнаем? Если буква написана достаточно отчетливо, то просто по внешнему виду (если буква на листе одна, то не факт, что это именно она – может оказаться, это знак «<» или «>», а то и просто галочка). Зато, если данная буква встречается в составе слова (знакомого слова на знакомом языке, т. е. входящего в наш словарный запас – оперативную память – символа), мы с уверенностью сможем даже уточнить, какой язык был использован при ее написании, и при переводе в компьютерно-читаемый вид подобрать соответствующий набор символов (стандартный латинский, восточно-европейский или даже вьетнамский). Итак, чтобы определить данную закорючку на листе бумаги именно буквой «V», нам достаточно отбросить заведомо не подходящие варианты. Точно таков же и принцип действия нейрокомпьютера: корректно налаженная обратная связь позволяет ему отсекать «неистинные» варианты интерпретации образа. Понятие же единственно возможного правильного ответа для него не имеет смысла.
Причем ведь не исключена ситуация, в которой мы сами по недостатку информации можем ошибиться: вырванная из контекста надпись «VI» вполне может означать как латинскую шестерку, так и небрежно записанное наименование популярного текстового редактора для UNIX/Linux-систем, vi. Так вот: нейрокомпьютер, в структуре которого предусмотрены обратные связи и для распознавания чисел в римской системе, и для компьютерной UNIX-лексики, вполне способен выдать в качестве истинного (не истины!) любой из этих ответов или оба разом (в зависимости от того, налажено одновременное либо последовательное задействование всех ассоциативных цепочек). Такая машина не будет зациклена на добывании единственно верного ответа; главным для нее станет отбраковка заведомо непригодных результатов поиска. Каким же образом ей это удастся?
Принципы работы нейрокомпьютеров сформулированы довольно давно; пока, правда, ученым не под силу сымитировать в полной мере деятельность мозга даже какого-нибудь грызуна – однако такой задачи никто сейчас и не ставит. Важно, что найдены общие принципы организации нейронных вычислительных систем, нейросетей, которые уже позволяют моделировать нейрокомпьютеры программно, в памяти самых обычных линейных машин. Основа этих принципов – метод обратного распространения ошибок. Каждый нейрон – участок нейросети, базовый элемент нейрокомпьютера – получает информацию от нейронов предшествующего слоя обработки данных и передает ее, изменив, нейронам следующего слоя. При этом каждый нейрон получает информацию от множества (а лучше – ото всех) элементов нейросети предшествующего слоя. Изменение же информации производится в соответствии с определенными правилами, вырабатываемыми как раз в процессе обучения.
Общий принцип обучения нейросети можно представить следующим образом: сначала информация прокатывается по слоям нейронов в «прямом» направлении – от входа к выходу. Каждый нейрон по определенным правилам преобразует сигналы от входных каналов (присваивая им различные веса и суммируя) в выходной, а выходной сигнал переправляет в следующий нейронный слой. На выходе происходит сопоставление результата с эталонным значением, и информация об их различии распространяется по слоям в обратном направлении, фактически заставляя каждый конкретный нейрон соответствующим образом модифицировать свое воздействие на «прямой» информационный поток, балансировать систему весовых коэффициентов значимости для водных каналов. Получается, что изначально степень такого воздействия вообще может быть не определена: если, как выяснится в процессе обучения, оно cработало как следует, способствуя получению сравнимого с эталонным результата, компенсирующее воздействие распространяющейся в обратном направлении волны контроля ошибок будет минимальным. И наоборот: слишком уводящее в сторону от истинности результата преобразование будет незамедлительно и эффективно подкорректировано. В конце концов через несколько сеансов обучения нейронная сеть самостоятельно сформирует фактически специализированный процессор для решения некой
