Модель зрения
Куб, изображенный на рис. 1, иллюстрирует оптическую иллюзию, описанную швейцарским натуралистом Л. А. Некером в 1832 г. Большинство людей сначала видят куб так, будто вершина G находится к ним ближе всего; однако его можно увидеть иначе — так, что к зрителю обращена вершина А.
Рис. 1. Оптическая иллюзия куба Некера. Какая из вершин находится ближе к вам — А или G?
Для этого сфокусируйте взгляд на вершине А и представьте себе, что она выступает с бумаги,— тогда картинка «перевернется» так, что вершина А станет самой близкой к вам, причем изменение произойдет менее чем за секунду. Куб Некера интересен для психологов и тем, что изменения его ориентации происходят спонтанно, если вы просто продолжаете смотреть на него. Для исследователя в области искусственного интеллекта (ИИ) это важно с той точки зрения, что помогает разобраться в процессе параллельных вычислений.
Итак, вы заметили, как быстро «обращается» куб Некера, и знаете, как медленно работают отдельные вычислительные элементы мозга человека. Последовательная программа на таком медленном устройстве вообще не справится с работой. Однако ситуация здесь гораздо сложнее. И у человека, и у машины зрение требует нескольких уровней обработки информации . Как правило, эти уровни связаны с выделением краев ребер, линий, вершин, поверхностей и описаний объектов.
Ограничивающие линии и ребра для куба, где А обращена к зрителю, и для куба, где G обращена к зрителю, одни и те же, но многие другие характеристики видятся по разному. Частично эти различия показаны на рис. 2.
Рис. 2. Сетевая модель, иллюстрирующая процесс восприятия куба Некера, изображенного на рис. 1.
Интересно, как наша зрительная система одновременно переключается с одного множества взаимосгласованных воспрятий элементов куба на другое. Это явление хорошо демонстрирует основное, кооперативное, свойство параллельных вычислений и их принципиальное отличие от вычислений на обычных машинах.
Куб Некера может дать информацию и о некоторых деталях, свойственных сетевой модели (рис. 2). Каждый существенный элемент модели у нас представлен как отдельный вычислительный элемент, связанный со многими другими элементами. Каждый элемент имеет уровень активности (скажем, от -10 до +10) и автоматически посылает значение своего уровня активности по всем выходящим из него соединениям.
На сети (рис. 2) согласующиеся друг с другом элементы (например, «Н ближе к зрителю, чем G, и G заслонена») связаны дугами. Взаимоисключающие элементы, например «G заслонена» и «G не заслонена», связаны дугами с кружочками на концах, обозначающими отрицание. Для завершения построения модели необходимо задать правило, по которому элемент вычисляет свою новую величину активности но входным данным и старому значению активности. Можно предположить, например, что элементы вычисляют среднее значение положительных и отрицательных входных активностей.
Сети вроде тех, что показаны на рис. 2, не очень чувствительны к точному выбору правил вычисления — это одна из причин их привлекательности. Элементы, взаимосвязанные отрицательными связями, порождают сеть типа «победитель получает все».Такие сети представляют собой один из основных механизмов выбора решения в сетевых моделях и имеют известные нейрофизиологические аналоги.
Значительная часть работ этого направления в искусственном интеллекте, в котором исследуются высокопараллельные методы, посвящена использованию конструкций, подобных изображенной на рис. 2, для создания моделей интеллектуальной деятельности. Преимущества таких подходов - тесная снязь, с естественным интеллектом, большая устойчивость к помехам, легкость реализации на параллельных устройствах. Но основное преимущество сетевых моделей состоит в том, что они позволяют лучше описывать постановку некоторых вычислительных задач. Я не знаю другого способа описать феномен куба Некера, который был бы столь же экономен и прозрачен, как модель, показанная на рис. 2.
