задачи и с не меньшей легкостью сумеет перестроиться, если потребуется со временем переключиться на другую. Это так называемое «обучение с учителем»; возможен вариант и полностью самостоятельной настройки нейронной сети, ориентирующийся исключительно на внешние раздражители.
В парадигме линейного программирования такое просто невозможно представить: алгоритм здесь первичен; его верификация по тестовым данным вторична, а собственно получение ответа, ради которого все и затевается, и вовсе оказывается на третьем месте. Таким образом, нейрокомпьютеры способны решать неформализованные задачи и в этом смысле действительно могут считаться носителями «искусственного интеллекта». Впрочем, тот уровень интеллекта, который подразумевает осознание мыслящей сущностью себя самой, требует, похоже, несколько более сложной организации процесса мышления... простите, обработки входного сигнала. И до приближения к этим высотам нейрокомпьютерам пока ох как далеко.
DARPA на страже нейрокомпьютеров
Если первоначальные разработки тьюринговских (линейных) компьютеров велись с упором на чисто вычислительные задачи, то первые воплощенные «в металле» нейрокомпьютеры представляли собой устройства распознавания образов. Собственно, Фрэнка Розенблатта, построившего в начале 1960-х гг. первое нейросетевое устройство, поддающееся обучению, вдохновил именно человеческий глаз, не просто фиксирующий попадающий в него поток излучения, но и проводящий его первичную обработку и передающий в мозг уже сформированные образы. Свой компьютер Розенблатт назвал персептроном (от perception – восприятие, т. е. воспринимающей машиной). Фактически датой создания персептрона следует считать 1958 г., когда он был впервые смоделирован программно на супер (по тогдашним меркам) компьютере IBM-704. В 1960-м же году персептрон увидел свет вживую, причем в самом прямом смысле – матрица из 400 электронных фоторецепторов (20?20) служила ему входным интерфейсом. Розенблатту удалось добиться уверенного распознавания этим устройством отдельных букв, располагаемых в виде крупных трафаретов перед рецепторным блоком... Собственно, энтузиазм кибернетиков 1960-х гг. относительно скорой возможности создания полноценного искусственного интеллекта связан был в первую очередь именно с персептронами, а не с линейными (последовательными) вычислительными системами, принципиальная ограниченность архитектуры которых уже тогда была очевидной, а перспективы стремительной миниатюризации интегральных транзисторных схем еще не открылись в полной мере. Однако к началу 1970-х гг. увлеченность нейронной ветвью развития кибернетики практически сошла на нет – не в последнюю очередь именно из-за фантастического прогресса в области полупроводниковой миниатюризации, позволявшего, следуя по уже накатанному пути, получать более мощные вычислительные системы путем одной только модернизации технологической базы. И лишь в 1983 г. вездесущая армейская организация DARPA выделила средства, вдохнувшие новую жизнь в нейрокомпьютерные исследования. Теория построения персептронов нового поколения (так называемых многослойных, со сложно структурированными связями между отдельными ячейками), а также методики их обучения и накопления в них информации особенно сильно развились к середине 1980-х гг. А в последнем десятилетии прошлого века неумолимо нараставшая мощность линейных вычислительных машин позволила возродить персептроны, но в виртуальном, сымитированном виде; причем, как выяснилось, целый ряд прикладных задач уже сегодня выгоднее решать с применением моделируемых в памяти обычных ЭВМ персептронов (и доступных тем методов), чем с непосредственным использованием мощностей этих самых ЭВМ. Перспективы воплощения современных персептронов «в металле» пока продолжают оставаться туманными, хотя с каждым годом обретают все более определенные контуры. Быть может, парадоксальный симбиоз двух ветвей кибернетической эволюции в виде моделируемых на линейных машинах персептронов и в самом деле окажется более жизнеспособным, чем каждая из этих ветвей по отдельности?
Пока программная эмуляция нейрокомпьютерных процессов развивается самыми серьезными компаниями, в числе которых выделяется, конечно, IBM. Сотрудники ее «Лаборатории биометафорических вычислений» (Biometaphorical Computing) создали математическую модель мини-колонок коры головного мозга. Это тончайшие (0,05 мм в поперечнике) нити, пронизывающие кору в радиальном направлении и собирающие импульсы от нейронов. Смоделировав согласованную работу полумиллиона мини-колонок, соединенных друг с другом 400 млн. связей, ученые смогли продвинуться по пути решения пресловутой задачи распознавания образов.
В том же направлении работает и группа исследователей Университета Южной Калифорнии, создавших электронную систему, способную не просто распознавать устную речь, но и выделять осмысленные слова из фонового шума, причем делать это эффективнее, чем доступно человеческому уху. Нынешние программные системы распознавания речи не могут выделить слова из фонового шума, если его уровень превосходит полезный сигнал в 10 раз. Человеческий же слух способен вылавливать отдельные слова из стократно превышающего их по громкости фона. Творение калифорнийских инженеров корректно распознает до 60 % слов при уровне фонового шума, в 560 раз превосходящем интенсивность полезного сигнала! Любопытно, что данное устройство представляет собой нейрокомпьютер в полном смысле слова – воплощенную непосредственно в кремнии, а не сымитированную программно, нейронную сеть. И это при том, что устройство содержит всего-то 11 кремниевых нейронов с тремя десятками связей между ними. Причина ошеломительного успеха проекта в том, что при конструировании нейронной сети учитывались новейшие сведения о нейрофизиологии реального слухового восприятия. Каждый элемент сети с большой точностью воспроизводит «акустические» свойства живого нейрона: обеспечиваемые им задержки и уровневые преобразования входных сигналов.
Но наверное, самая поразительная новость из мира нейроэлектроники за последнее время – это информация от группы ученых из отдела биохимических исследований мюнхенского института им. Макса Планка, разработавшей ИС с незамысловатым названием NACHIP, способную стимулировать и отображать состояние отдельных нейронов нервной ткани. Получен прямой двунаправленный интерфейс между нервной тканью и кремниевой электроникой. Основной проблемой при организации такого взаимодействия долгое время была именно двусторонняя трансляция управляющих импульсов: открыть информационный канал в одну сторону, подобрав специализированную микросхему для взаимодействия с нервной клеткой, было довольно просто, но добиться, чтобы она же принимала и слаботочные клеточные импульсы, не удавалось. И вот – удалось.
На помощь пришла генная инженерия, позволившая вырастить нервные клетки (сперва улитки, а затем крысы), изначально ориентированные на взаимодействие с кремниевыми структурами. Переносчиками заряда в нервной ткани служат не электроны, а положительно заряженные ионы натрия, более медлительные и менее многочисленные. Модификация генов подопытных животных позволила вырастить нейроны, активно испускающие ионы натрия в процессе обмена сигналами, а также снабженные большим (по сравнению с «оригиналами») числом ионных каналов в клеточных мембранах.
В результате, хотя прямое перенесение заряда с живой клетки на электронную схему и обратно по- прежнему невозможно (не удастся заставить работать кремниевый транзистор на ионах натрия вместо электронов), активность каждого отдельного нейрона после генной модификации стала настолько мощной, что перемещение заряженных частиц через клеточную мембрану заметно меняет локальный заряд этой мембраны. Заметно – с точки зрения расположенного поблизости транзистора, который реагирует на изменение проводимости окружающей среды и сигнализирует об этом командной схеме кристалла. Обратная
