Джером А. Фелдман
Одна из основных предпосылок создания искусственного интеллекта (ИИ) заключается в том, что интеллектуальное поведение можно имитировать на цифровых ЭВМ. За последние годы в области ИИ были получены важные результаты, имеющие как практическую, так и теоретическую ценность. Однако, несмотря на успехи в решении узких классов задач, многие ученые считают, что общие вопросы интеллекта до сих нор не получили своего развития. До сих пор не удалось имитировать ни естественный интеллект ребенка, ни даже разум простейшего животного, хотя быстродействие современной ЭВМ примерно в миллион раз выше, чем у нейрона, который срабатывает не чаще одного раза в миллисекунду.
Еще более удивительный результат мы получим, сравнив скорости действия систем ИИ и реакции людей на простые задания. Человек способен решать задачи самого различного типа — от придумывания названия картине до определения, является ли какое-то слово существительным, - менее чем за полсекунды. Это значит, что мозг - устройство, состоящее из нейронных элементов, имеющих скорость действия порядка нескольких миллисекунд,— может решать трудные зрительные и лингвистические задачи за какие-то сотни миллисекунд (примерно за 0,5 с, т. с. 500 мс), или приблизительно за 100 шагов. Самые совершенные программы ИИ для решения подобных задач требуют миллионы шагов вычислений, не обеспечивая уровня общности, свойственного человеку. Конечно, мозг работает как параллельное устройство, а практически все существующие машины — последовательные, выполняющие одну команду за другой. Возникает вопрос, каковы же алгоритмы, используемые таким высокопараллельным естественным «компьютером», как человеческий мозг?
Разработка возможных алгоритмов для ЭВМ такой совершенно новой архитектуры является отправной точкой нового перспективного направления в искусственном интеллекте. Работы в этом направлении опираются на понятие «абстрактного компьютера», максимально приближенного по своей структуре и принципам работы к мозгу. Указанный подход позволяет исследователям в области ИИ сотрудничать с коллегами-биологами, изучающими мозг и поведение: хороший алгоритм для выполнения определенной задачи на вычислительной модели может служить гипотезой о механизмах, которые использует мозг для выполнения той же задачи. Некоторые психологи считают, что высокопараллельные модели лучше объясняют результаты их исследований, чем модели, построенные на последовательных машинах. Со своей стороны, специалисты в области ИИ используют экспериментальные результаты психологов при создании параллельных алгоритмов для решения различных задач.
Помимо ограничения, связанного с решением задачи за 100 шагов, имитация работы мозга привносит и другие особенности в способы вычислений. Главная из них заключается в том, что ограничения по времени лимитируют объем информации, передаваемой от одного нейрона к другому, всею несколькими битами. Это означает, что нейроны не могут обмениваться сложными сочетаниями символов, которые так распространены в ИИ, а сложные вычисления удается выполнять только благодаря учету связей между элементами. Модели такого типа называются сетевыми.
Использование мозга как прототипа требует рассмотрения большого числа связей между элементами—около 10 000 на один нейрон. Общее число нейронов (около 100 млрд.) кажется очень большим, но на самом деле оно и является основным ограничением. Поскольку зрительное восприятие осуществляется действием миллиона параллельных входов, любой алгоритм, требующий n2 элементов, здесь не подойдет. Кроме того, в мозге не возникает новых нейронов и почти не создаются новые связи, что тоже накладывает свои условия на возможные модели обучения. Но даже при всех этих ограничениях сетевые модели завоевывают все большую популярность в ИИ.
