Такие «рои» довольно легко отграничить друг от друга демаркационной линией, а вернее — поверхностью. Правда, семейства могут соприкасаться в некоторых точках, являющихся «местами общего пользования». Скажем, угловатое 6, оно же округлое Б, относится к классу всех «шестерок» и одновременно к классу всех «буки». А некоторые «уродцы» из множества всех Б окажутся «эрзац-пятерками». Но в большинстве случаев водораздел между множествами удается проложить без труда. К этому и свел Браверман задачу автоматического узнавания созерцаемых объектов.
Сперва машина обучалась. Ей представляли карточку за карточкой: вот это сплошь пятерки, хотя они и отличаются друг от друга, это тройки, а это двойки. В запоминающем устройстве после каждой демонстрации оседало число — координаты данной точки. В предположении, что точки каждого образа должны ложиться кучно, электронный мозг размежевывал пространство на объемные доли: тут собралась компания из нескольких пятерок, продемонстрированных машине, значит, здесь же удел всех возможных, в том числе еще не показанных, графических вариантов символа 5; там сконцентрировалось несколько троек, стало быть, туда же попадут и все прочие, пока еще незнакомые их сородичи, когда их предъявят машине.
Затем начался экзамен. Машине предъявляли знак такой формы, какой она еще не видывала. Вычислив координаты новой точки, она определяла, куда отнести незнакомца — к вместилищу ли всех двоек, троек или пятерок.
Сотни правильных и лишь несколько ошибочных ответов — такую уверенность дала опознающей машине программа Бравермана.
Трудно переоценить значение этого и других подобных исследований. Уже говорилось, что одна из проблем автоматического перевода заключается именно в создании читающего устройства. (Одно из таких устройств — ЧАРС-65 — разработано недавно в Институте кибернетики АН УССР. Оно воспринимает буквы и цифры, напечатанные любым шрифтом.
Скорость считывания во много раз выше, чем у человека, — 200 знаков в секунду.) Но дело не только в новых возможностях, которые открываются перед конструкторами электронных «обозревателей» и «архивариусов».
«Если машину можно научить отличать букву А в любом начертании от буквы Б, — пишет харьковский кибернетик Ю. Н. Соколовский, — то ее можно принципиально научить и отличать собаку от кошки, несмотря на разнообразие пород и мастей. А если так, то почему бы не научить машину, снабженную фотоэлектрическим глазом, давать словесные описания того, что она видит перед собой?»
Автоматическое опознавание рассматриваемых объектов пригодится прежде всего там, где анализируются изображения (треки ядерных частиц, снимки небесных гаи, топографические карты, конструкторские чертежи, типографские корректуры, всевозможные кривые — от кардиограмм до сейсмограмм, наконец, почерки, отпечатки пальцев и так далее). А по мнению специалистов США, электронный оператор следя за экраном радиолокатора, смог бы быстрее человека определять тип судов, самолетов или ракет, попавших в поле его зрения. Не случайно работы над устройством «персептрон» (от латинского «понимать», «познавать») велись Ф. Розенблатом в лаборатории аэронавтики Корнельского университета под пристальным надзором «медных касок», как величают военных сами американцы…
«Узнающую» программу несколько иного типа составил советский ученый М. М. Бонгард. Правда, машину «натаскивали» не на рисунках, ей показывали таблицы. Они содержали по три числа в каждой строке. Скажем, 2, 5 и минус 30 в первой.
А во второй — 7, 3 и 84. И так далее. Для всех строчек соблюдался один и тот же закон: произведение первых двух чисел, умноженное на их разность, равнялось третьему числу. По этому правилу строилось несколько таблиц; следовательно, все они принадлежали к одному классу. В таблицах второго и остальных классов взаимосвязь чисел описывалась иными уравнениями. Какими именно — опознающей системе не сообщалось; ей вменялось в обязанность самой расшифровать эти закономерности. Затем электронному «следователю» предъявили таблицу, которой он еще не видел. Числа в ней стояли совсем другие.
Разумеется, зависимость была одной из тех, что фигурировали при обучении, но ее опять-таки не раскрывали. Проанализировав новую «цифирь» в сопоставлении с уже знакомой, перебрав тысячи всех возможных признаков, автомат в конце концов нащупывал основу для сравнения, улавливал сходства и разницу, определял классовую принадлежность созерцаемого объекта — опознавал его.
Когда же машине, запрограммированной Бонгардом и его сотрудниками, поручили важное практическое дело — отличать нефтеносные пласты от водоносных, — неверных определений у нее оказалось в пять-шесть раз меньше, чем даже у многоопытных геологов!
Состояние слоев вдоль пути, проделанного буром, инспектируется приборами. Регистрируется электропроводность, радиоактивность, другие свойства пород — на поверхность по проводам поступает 10–15 показателей. Ни один из параметров в отдельности не обеспечивает надежной оценки. Только взятые в совокупности результаты измерений позволяют прийти к более или менее определенному выводу.
Но даже специалистам самой высокой квалификации успех не гарантирован — настолько сложна общая картина.
Машине продемонстрировали 90 примеров верной индикации — по 45 на нефть и на воду. Затем вручили сразу 180 «экзаменационных билетов» — в каждом предлагалось расследовать свойства незнакомого пласта. Испытуемый не ударил в грязь лицом — лишь в трех случаях не оправдались его прогнозы; люди же, мастера своего дела, на том же самом материале дали больше 15 ложных заключений.
Видимо, электронному геологу-новичку удавалось самостоятельно обнаружить еще и такие признаки нефтеносности, которые ускользали от внимания профессионалов, его учителей.
В работе принимали участие математики, биофизики, геологи: М. Н. Вайнцвайг, М. С. Смирнов, В. В. Максимов, А. П. Петров (лаборатория органов чувств Института проблем передачи информации АН СССР); Ш. А. Губерман, М. Л. Извекова, Я. И. Хургин (Институт нефтехимической и газовой промышленности имени И. М. Губкина).
Хорошие результаты получены и на других обучающихся программах (группой ленинградских исследователей под руководством А. Г. Француза, сотрудниками Института автоматики и телемеханики В. Н. Вапником и А. Я. Червоненкисом).
Сам М. М. Бонгард так комментирует описанные работы:
— Философы и журналисты, пишущие о кибернетике, любят заканчивать статью примерно таким заклинанием: раз человек составил программу, значит он передал ей лишь часть своих знаний; посему-де машина никогда не будет умнее своего создателя.
Про автомат, узнававший нефтеносность пластов, никак не скажешь, что программисты передали ему свои знания: ведь мы ничего не понимали в геологии!
Откуда же программа получила все необходимые сведения? Только за счет наблюдения и, если хотите, «творческого осмысливания» примеров, продемонстрированных при обучении. Других источников информации не было. Становится понятной роль хороших «машинных педагогов» — таких, как Ш. А. Губерман и М. Л. Извекова. Благодаря им универсальная программа, способная решать самые разные задачи, получила специализацию в геофизике. А могла приобрести ее в медицинской диагностике или в промышленной дефектоскопии. И вот ведь что интересно: машина превзошла не только программистов, но даже самих учителей. Когда она сообщила найденные ею признаки, ускользавшие от внимания людей, геологи стали сами, уже без помощи машины, лучше опознавать нефтеносные пласты. Преподаватель и ученик поменялись местами!
Таким образом, опыты с обучающимися программами узнавания положительно отвечают на вопрос: «Может ли робот знать о законах природы больше, чем его творец?»
Уже сегодня машину можно было бы без особой натяжки назвать соавтором некоторых научных работ. Разумеется, никакой мастер не ставит под произведением рядом со
