Коут. В поисках роботов. 1970

АЛЬФРЕД ДЖ.КОУТ
В ПОИСКАХ РОБОТОВ

ALFRED J.COTE
THE SEARCH FOR THE ROBOTS



ОТ ПЕРЕВОДЧИКА

Пожалуй, трудно было бы назвать такую область науки и техники, в которой за последние два десятилетия не произошло более или менее значительных изменений. Некоторые из них перевернули все прежние представления, полностью революционизировав науку и оставив от соответствующих ее отраслей, по сути, лишь наименования.

Другая сторона научно-технического прогресса выражается в том, что в наше время постоянно возникают новые отрасли науки и техники, да и совершенно новые дисциплины. Особенно интенсивно этот процесс идет на стыках прежних "классических" наук. Такие направления, как кибернетика, бионика, теория игр, линейное программирование - яркие примеры новых, "синтетических" наук, возникших на этих "стыках".

Интенсивность возникновения и развития этих наук настолько велика, а сами они столь специфичны, что не только широкие массы любознательных читателей, но и специалисты других отраслей зачастую не в состоянии уследить за этим процессом и тем более уяснить содержание и области применения новых наук. Современный научный язык все более усложняется (иногда его понимает лишь узкий круг специалистов соответствующей отрасли), а для наиболее быстрого и гармоничного развития науки и техники в целом необходимо, чтобы суть достижений в любой области была известна как можно большему числу людей, которые могли бы расширять свой кругозор, а порой и творчески использовать эти достижения в своей работе.

Поэтому сегодня неизмеримо возросла роль научно-популярной литературы и, кроме того, во многом изменились ее функции. Теперь уже недостаточно просто назвать науку и рассказать о ее сущности. Необходимо также объяснить читателю взаимосвязи ее с другими науками, показать примеры ее применения (в том числе - ив будущем), и в то же время как-то определить ее границы или ограничения. Иногда требуется даже предупредить о возможных опасностях, связанных с ее слишком широким или бездумным использованием (вспомните хотя бы историю атомной энергетики или химии инсектицидов). Порой же, наоборот, следует рассеять предрассудки или предвзятые мнения, сложившиеся под влиянием устарелых взглядов или ложно понятых идей. Наконец, научно-популярная книга должна быть написана ярко, живо, по возможности просто и интересно.

К сожалению, далеко не каждая из выпускаемых книг этого жанра удовлетворяет всем перечисленным требованиям. Может быть, не всегда и возможно сделать это в одной книге, так что возникает необходимость в нескольких, даже многих книгах по одной и той же тематике.

И вот перед вами - очередная научно-популярная книга, посвященная...

Вот и первая наша с вами трудность - определить тематику книги, ее, так сказать, принадлежность. Может возникнуть вопрос: что же это за научно-популярная книга, в которой уже с самого начала встречаются трудности? Что ж, это первая, но далеко не последняя и не самая главная трудность в этой книге.

В чем же дело? Научная ли это книга? Безусловно. Популярная? Да! Но не во всем и не для каждого. Несмотря на образный и доходчивый язык автора, книгу нельзя читать наспех или между делом. Она заставляет напряженно мыслить, иногда спорить с автором, сомневаться, обращаться к помощи других источников...

И, наверное, это оправданно. Судите сами. Биология, бионика, вычислительная техника, электроника, кибернетика - вот неполный перечень наук, затрагиваемых в книге. То обращаясь к известным каждому простым примерам, то углубляясь в сложнейшие научно-технические вопросы, автор от главы к главе ведет читателя к проблеме создания искусственного разума, над которой сегодня работают - и небезуспешно - ученые и инженеры многих стран, в том числе и Советского Союза. Примечательно, что автор упоминает в своей книге имя и работы нашего великого соотечественника, академика Ивана Петровича Павлова, по существу, задолго до появления кибернетики, бионики и т.п. открывшего пути к решению этой проблемы.

Автор в свойственной ему слегка ироничной манере (ее следует иметь в виду при чтении книги) касается и философских проблем, связанных с созданием искусственного интеллекта. Полемизируя с многими авторами фантастического жанра (да и не только фантастического!), он, будучи не только известным специалистом в области электроники, но и здравомыслящим, стоящим на материалистических позициях человеком, показывает, что исход соперничества людей с мыслящими машинами зависит лишь от самих людей, и если они не остановятся в своем развитии, не будут почивать на лаврах и успокаиваться на достигнутом, то машины - какие бы они ни были - всегда останутся верными помощниками человека, но не его врагами.

Именно в этом основная идея книги Коута. И он доказывает ее, приводя множество убедительных примеров из самых разных областей науки и техники, причем эти примеры сами по себе могут представить интерес не только для широкого круга читателей, но и для специалистов различных направлений.

Можно ли было лучше написать такую книгу? Наверное, да. Можно было бы убрать длинноты и излишние подробности там, где речь идет об общеизвестных вещах. Можно было бы, наоборот, больше и подробнее рассказать о многом, чего Коут касается лишь конспективно или о чем просто упоминает. Можно было бы... Но это была бы уже совсем другая книга. Возможно, она еще будет написана. Но пока ее нет. И мы надеемся, что книга Коута займет не последнее место в ряду книг, побуждающих к творческому мышлению, к расширению кругозора, и поможет читателю глубже и объективнее разобраться в одной из интереснейших проблем, стоящих перед человечеством,- проблеме создания искусственного разума и наших взаимоотношений с ним.

/Н.Устинов/

ПРЕДИСЛОВИЕ АВТОРА

Между деятельностью ученого-исследователя и манипуляциями фокусника существует явное сходство: подчас болтовня и одного и другого предназначена для сокрытия простоты тех принципов, на которых основаны их трюки.

В этой книге мы пытаемся рассмотреть, чем же заняты умы инженеров и ученых, разрабатывающих "думающие" машины. Эти люди ищут пути создания роботов-автоматов, чьи способности со временем будут неизмеримо выше способностей человека, включая и те, что обусловлены творческим мышлением. Но в этих поисках немало путаного и спорного. Одни ученые усматривают в создаваемых машинах угрозу человеку и считают, что для подготовки к бескровной сдаче позиций нужны срочные правительственные меры. Напротив, другие доказывают, что попытки современных исследователей в этой области напоминают потуги человека добраться до Луны, карабкаясь на вершину высочайшего дерева.

А почему бы вам, читатель, не попробовать разобраться в этом самому? Вы начнете со знакомства с некоторыми живыми существами, чьи свойства заинтересовали инженеров, работающих над созданием автоматов. Изучите нервные волокна и постараетесь проанализировать различные попытки человека создать что-либо им подобное. Познакомитесь с нейристором - новейшим электронным прибором, работающим по принципу цепочки падающих друг за другом костяшек домино, но автоматически возвращающихся в исходное положение. Рассмотрите устройство, позволяющее машине предсказывать погоду с большей точностью, чем это сейчас делают синоптики.

Затем вы узнаете, что сообщает глаз лягушки ее мозгу таким способом, который позволяет обнаруживать как насекомых, так и объекты радиолокации; каким образом машина может "читать" чеки, кредитные карточки и кодированные почтовые адреса; может ли машина распознавать речь.

Познакомитесь вы и с алюминиевой черепахой, которая ползает по коридорам исследовательской лаборатории в поисках электрической розетки, чтобы не умереть голодной смертью, или же с роботом, управляющим машиной для бросания игральных костей.

Вы узнаете также о "невидимых роботах" и вспомните о том, как один из них перенес "припадок". А что представляют собой так называемые библиотекари, или бейсбольные болельщики, или же "лингвисты" с искусственным интеллектом? Какой стратегии придерживается вычислительная машина, побеждая чемпиона по шашкам?

И наконец, что же все это такое: угроза, многообещающая перспектива или всего-навсего выдумки ученых?

Заменят ли машины и нас?

/Альфред Дж.Коут
Силвер-Спринг, Мэриленд Сентябрь
1967 года/

ГЛАВА ПЕРВАЯ. ЗАЧЕМ И КАК

В лаборатории, что расположена на полпути между Сан-Франциско и Монтереем (штат Калифорния), у работающей вычислительной машины терпеливо сидит аспирант. Перед ним на панели взад и вперед мечутся огоньки. Внезапно печатающее устройство машины начинает отбивать стаккато:

ЗАВТРА БУДЕТ ДОЖДЬ

Аспирант протягивает руку к утренней газете, чтобы посмотреть предсказания синоптиков, и читает: "ЗАВТРА ОЖИДАЕТСЯ ДОЖДЬ".

На более ранней стадии обучения машине предоставляли те же сводки атмосферного давления, которыми пользовались метеорологи при составлении прогнозов. Затем ей сообщали, какая погода наступала на самом деле, когда ей предшествовали такие условия. Сейчас аспирант проверял, "научилась" ли машина связывать определенные картины распределения атмосферного давления с обусловленной ими погодой. Чуть раньше в машину ввели новые сведения, и молодой ученый ожидал прогноза для района Сан-Франциско. Он получил его: машина усвоила задание.

А на другом конце страны, в лаборатории, расположенной на холмистых полях Говард-Каунти, в штате Мэриленд, некий физик пристально всматривается в греческие символы, написанные на доске, висящей в его кабинете. Внезапно из коридора через открытую дверь до него доносится какое-то жужжание и скрежет. "Опять они возятся с этой штукой",- бормочет он.

За дверью, в коридоре, три инженера склонились над странным ползущим по полу предметом. Размерами не больше коробки для шляп, одетое в алюминий - по последней моде,- устройство имеет множество торчащих наружу придатков. По мере своего продвижения механическое "животное" прощупывает путь вдоль стены коридора. Оно ищет розетку. Его электронный "желудок" требует пищи, и, если только это создание в самом скором времени не найдет того, что ищет, оно в конце концов остановится и "умрет".

На примере упомянутых лабораторий можно судить о деятельности (правда, пока еще в относительно небольших масштабах), которой заняты ученые в целом ряде подобных учреждений. Конечная цель их усилий - создание искусственных "людей" или искусственных "животных", машин, работающих самостоятельно, машин, способных поистине творчески думать, короче, машин, которые можно было бы считать "живыми".

Наша цель - познакомить читателя с сутью проблемы и с прогрессом, достигнутым в области создания искусственного разума энтузиастами - учеными и инженерами, занимающимися поисками роботов.

Мы познакомимся ближе с машинами, "обучающимися" предсказывать погоду с той же точностью, что и их предшественники - специалисты-синоптики.

Кроме того, мы внимательно рассмотрим и то ползающее по полу электронное "животное", о котором мы уже упоминали, чье счастье спрятано в розетке, а также другие машины, которые понимают вопросы и дают на них ответы, исследуют библиотеки, составляют фразы, распознают речь и письмо, играют в шашки и управляют токарными станками.

А если вы, подобно многим другим, боитесь, что в один прекрасный день машина полностью заменит человека, мы расскажем вам и о том, чего НЕ МОГУТ делать эти, как их можно было бы назвать, "электромеханические идиоты".

Однако, прежде чем знакомиться с тем, какие исследования уже проделаны, попробуем сначала ответить на более важный вопрос: почему специалистов так заинтересовала проблема создания искусственного интеллекта?

Многие инженеры, занятые разработкой новейших электронных систем (особенно для оборонных нужд), образно говоря, начинают биться головой о стенку. А это вредно.

Постоянно растущая потребность во все более усложняющихся рабочих функциях вступает в конфликт с требованиями, предъявляемыми к повышению надежности. Поскольку техника, созданная за последние двадцать лет, при сколько-нибудь трезвом к ней подходе не позволяет надеяться на преодоление этой проблемы, в настоящее время ведутся поиски более "экзотических" решений.

Все требования сводятся практически к одному: найти замену человеку в различных системах. В действительности же его хотят не просто заменить; необходимо, кроме того, улучшить качество выполняемой им работы. Причем требование это выдвинуто вовсе не ратующими за автоматизацию противниками профсоюзов, а любознательными учеными.

Некоторые из них хотели бы, например, узнать, что происходит на дне моря или на поверхности отдаленной планеты. А поскольку условия там зачастую слишком вредны для человека, ученые предпочли бы послать в море или в космос автомат, рассчитанный на то, чтобы преодолеть грозящие ему опасности. Однако туда не пошлешь просто пару механических конечностей, смонтированных на гусеничном движителе и управляемых из лаборатории посредством телевизора и системы дистанционного управления.

Предположим, например, что некая машина-автомат исследует Марс; время, которое займет прохождение команд в один конец, составит примерно двенадцать минут. С таким же двенадцатиминутным запаздыванием мы получим здесь, на Земле, отчет о действии машины на поверхности далекой планеты.

Представьте себе следующую картину. Ученый, находящийся на Земле, следит за телевизионным экраном. Телекамера установлена на машине, ползущей по поверхности Марса. Изображение на экране показывает, что "электромеханический идиот" вот-вот сорвется со скалы. На самом же деле он не вот-вот рухнет. Он уже рухнул двенадцать минут назад!

Ясно, что нам требуется машина, которая была бы достаточно "умна", чтобы не свалиться с обрыва. Но в то же время мы против такой машины, которая "мыслила" бы слишком независимо, а то и вовсе отказалась бы совершать путешествия в неизведанное.

Сходные трудности и опасности встретятся на нашем пути, если мы попытаемся исследовать глубины моря. И хотя здесь нам не грозит проблема запаздывания, дистанционно управляемые роботы нежелательны по другим соображениям. Итак, и в этом случае мы нуждаемся в машине, достаточно "смышленой", но не чересчур.

Специалисты, работающие в области военной техники, испытывают другие трудности, но и для их преодоления требуется замена человека машиной. Допустим, к примеру, что перед военным аналитиком поставлена задача разработать оптимальную стратегию расходования зенитных ракет на корабле во время воздушной тревоги.

Это происходит примерно так. Радар обнаруживает атакующие самолеты, когда они еще выруливают к катапульте по палубе вражеского авианосца. (Это ОЧЕНЬ хороший радар!) Должна ли стратегия, выработанная нашим аналитиком, предусматривать немедленный запуск всех ракет, как только враг будет замечен? Некоторые из них могут и не попасть в цель - ИМЕЮТСЯ веские причины не называть их бьющими без промаха,- а ведь количество зенитных ракет на обороняющемся корабле не безгранично. Таким образом, представляется более разумным оставить несколько штук до того момента, когда уцелевшие самолеты врага подойдут поближе и шансы на их поражение увеличатся.

Лица, знакомые с теорией игр, заметят, что эта проблема почти не отличается от задачи о двух бандитах, двигающихся навстречу друг другу по главной улице городка Кактус-Галч. У каждого из них только по шесть патронов в револьвере; по мере сокращения дистанции точность выстрелов возрастает, но и шансы на гибель увеличиваются.

Бандит называет свою проблему ВЫЖИВАНИЕМ. Наш военный аналитик называет свою ТЕОРИЕЙ ИГР. Теория игр - это ряд аналитических манипуляций, находящих, по убеждению математиков, некоторое применение при решении проблем реального мира.

Во всяком случае, наш аналитик берется за решение проблемы зенитной обороны корабля, заставляя свою вычислительную машину прибегать к методам линейного программирования, теории массового обслуживания, принятия решений и теории вероятностей, а когда все это оказывается бесполезным - к методу проб и ошибок. В конце концов разрабатывается эдакая суперстратегия, которая сводится к следующему: постарайтесь сохранить 90% ракет до тех пор, пока враг не начнет задевать крылом капитанский мостик. ТОГДА стреляйте!

Что ж, в принципе не исключено, что это совершенно правильная стратегия, возможно, потребовавшая нескольких месяцев предварительного моделирования на вычислительной машине. Но аналитик отдает себе отчет в том, что ему никогда не проверить на практике, как сработает его стратегия, так как ни у кого из тех движимых чувством самосохранения людей, которыми будет укомплектована команда корабля, не хватит силы воли для проверки выработанной стратегии. Дело в том, что эта, возможно и в самом деле блестящая, стратегия создавалась в помещении с кондиционированным воздухом, уютно разместившемся в тенистом дворе мыслительного центра, а осуществлять ее в условиях чрезвычайного положения должны люди, слышащие рев падающих вокруг вражеских ракет. Так что в реальной обстановке к тому времени, когда враг приблизится к кораблю на расстояние десяти морских миль, запас зенитных ракет уже будет израсходован и те, кто еще не успел спрыгнуть с корабля, будут швырять в самолеты стулья.

Не удивительно, что наш ученый, дабы удовлетворить свое интеллектуальное любопытство - пригодна или непригодна его стратегия,- хочет, чтобы людей на гипотетическом корабле заменили машинами. Да и люди на этом корабле, дабы удовлетворить свою интеллектуальную любознательность - узнать, каково быть пожилым,- тоже хотят, чтобы людей на корабле заменили машины.

Итак, казалось бы, имеется немало ситуаций, в которых почти каждый соглашается, что машины предпочтительнее людей. А как вы относитесь к такого рода замене?

Существует два подхода к решению этой проблемы. Можно положиться на постоянные успехи человека в его попытках самостоятельно и оригинально решать стоящие перед ним задачи. А можно обратиться к природе и постараться воспроизвести некоторые из уже существующих биологических систем.

Большинство читателей, несомненно, знакомо с многочисленными примерами того, что создали люди, находящие утешение в превосходстве постоянно прогрессирующего человеческого интеллекта. Достаточно назвать цифровые вычислительные машины - поистине фантастическое творение. Те, кому доводилось видеть документальные кинокадры об огромном шумном здании, в котором Бюро внутренних доходов Министерства финансов США обрабатывает собранные данные, не смогут опровергнуть компетентности вычислительной машины в вопросах, касающихся подоходного налога. Там, в этом здании, ряд за рядом, насколько хватает глаз, установлены бесчувственные перфорационные машины, а их выключателями методически, как автоматы, манипулируют программисты.

Кто, видя подобные достижения, осмелится сомневаться в гениальности человека?

Но, поскольку человек не застрахован от ошибок, давайте рассмотрим и такие решения, которые придумал не он. В частности, оглянувшись вокруг, мы обнаружим, что существует множество биологических систем (в том числе и сам человек), успешно совмещающих в себе сложнейшие функции с высокой надежностью. Однако, как понимают многие ученые и инженеры, принципы, используемые в этих природных системах, существенно отличаются от тех, которые ныне закладываются в системы, создаваемые людьми.

Поэтому была высказана мысль, что один из подходов к созданию вожделенных мыслящих машин - копирование у природы структуры и методов обработки информации. Другими словами, необходимо наблюдать за биологическими системами, уяснить принципы их действия и только после этого конструировать машины, основанные именно на этих принципах. Ученые, официально признавшие преимущества такого подхода, создали новую науку (названную впоследствии бионикой), которой они дали следующее определение: "наука о системах, функционирующих либо по принципу живых систем, либо характерным для живых систем образом, либо напоминающих живые системы".

Необходимо подчеркнуть, что термин "бионика" относится к тем случаям, когда природа служит руководителем при конструировании человеком аппаратуры; не следует путать бионику с биоэлектроникой, занимающейся применением электроники в медицинских и биологических исследованиях.

Важно заметить, что различные специалисты-бионики по-разному копируют природу в своих разработках, поскольку их цель - использовать природу только в качестве источника идей, но не отвлекаться на подробное изучение природы как таковой. В сущности, бионика гораздо ближе к технике, нежели к чистой науке.

Следует также подчеркнуть, что "бионический подход" (если так можно выразиться) далек от всеобщего признания в научном и техническом мире. По мнению одних, например, до тех пор пока человек не научился летать, не было и необходимости выяснять, каким образом производится приземление между деревьями. Напротив, другие утверждают, что если бы мы в свое время уделяли больше внимания этой проблеме, нам, возможно, не приходилось бы сегодня тратить при путешествиях столько времени на дорогу в аэропорт и обратно.

Но, как бы то ни было, и по сегодня этот спор еще не закончен. По-прежнему существуют оба подхода, и, видимо, в каждом из них заложено разумное зерно.

В последующих главах мы рассмотрим результаты, полученные представителями обоих направлений. А пока, поскольку природа первична, начнем с рассмотрения биологического мира.

ГЛАВА ВТОРАЯ. УХИЩРЕНИЯ ПРИРОДЫ

Один из наиболее распространенных примеров развитой обработки информации в биологической сфере - эхочувствительная система летучей мыши. Большую часть своего активного времени летучая мышь летает в темноте, но при этом каким-то образом не ударяется о ветки и стены и не сталкивается с другими летучими мышами. Последнее - задача отнюдь не простая, ибо летучие мыши, как правило, собираются в пещерах в таких количествах, что по сравнению с этим даже перегруженные автострады США кажутся голой пустыней. К примеру, одна лишь пещера в Техасе служит пристанищем примерно для сорока миллионов летучих мышей, и им каждый вечер требуется несколько часов, чтобы вылететь из пещеры на поиски пищи. Для обнаружения пролетающей мимо нее "пищи" летучая мышь опять же использует свою эхочувствительную систему, выслеживая и затем улавливая мотыльков и других лакомых для нее насекомых.

Древние ученые объясняли столь искусные действия исключительно острым зрением летучих мышей или же чрезвычайно развитым у них чувством осязания. Такой точки зрения придерживались долгое время, несмотря на поразительные экспериментальные доказательства ее неверности.

В 1793 году в Италии Ладзаро Спалланцани провел серию опытов, пытаясь установить, каким образом летучие мыши безошибочно ориентируются в темноте. Анализируя его работы, Д.Гриффин, современный американский специалист по летучим мышам, утверждает, что "в течение года или двух Спалланцани узнал об ориентации летучих мышей почти столько же, сколько остальные смогли узнать за 140 лет, прошедших с его смерти" [Griffin D.R., Listening in the Dark, New Haven, Yale Univ. Press, 1958, pp.57]. Спалланцани без особого труда установил, что слепые летучие мыши (ослепленные путем операции, разрушавшей роговицу) избегали препятствий почти с такой же легкостью, как и мыши с нормальным зрением. Он не мог объяснить это явление до начала 1794 года, когда Шарль Жюрин открыл, что если заткнуть уши летучей мыши воском, то она потеряет способность ориентироваться. Подтвердив открытие Жюрина более тщательными опытами, Спалланцани был вынужден заключить, что именно уши, а не глаза направляют летучих мышей в полете, но каким именно образом - он определить не сумел.

Однако такой вывод был неприемлем для большинства современников Спалланцани, и один из них счел необходимым указать, что для этого "требуется больше веры и меньше философского рассуждения, чем можно ожидать от философа-зоотома [Зоотомия - анатомия низших животных.- Прим. перев.]" [Там же, стр.64].

Таким образом, со временем как сам Спалланцани, так и выдвинутые им идеи скончались естественной смертью, и более чем за сто лет к представлениям человека об ориентации летучей мыши ничего не прибавилось. И только в начале XX века было выдвинуто предположение, что летучие мыши используют эхо от испускаемых ими же звуков. В конце 30-х годов Д.Гриффин и Дж.У.Пирс, выдающийся специалист по электронике, с помощью новейшей аппаратуры сумели, наконец, уловить лежащие в ультразвуковом диапазоне звуки, издаваемые летучими мышами. Впоследствии Гриффин продолжал изучать эхолокацию летучих мышей, и именно ему мы обязаны тем, что в настоящее время гораздо лучше разбираемся в том, как это происходит.

Теперь мы знаем, что, когда летучая мышь летит, ее крики становятся как бы короткими взрывами звуков. Высота, или частота колебаний, этих звуков значительно выше границы нашего слуха, а их конкретный характер зависит от того, что мышь делает в данный момент.

Если летучая мышь летает в поисках насекомых, она испускает от пяти до десяти криков в секунду, причем каждый крик длится 10-15 миллисекунд (то есть тысячных долей секунды). И она ожидает эха, которое следует, если звук отражается от какого-либо насекомого, находящегося в пределах слышимости. Частота звуковых волн каждого из таких криков остается постоянной - примерно 30 килогерц (30000 колебаний в секунду).

Но стоит летучей мыши обнаружить насекомое и начать его преследование, как ее неслышное "стрекотание" коронным образом меняется. Она начинает кричать гораздо чаще, испускает около двухсот импульсов (криков) в секунду, и этот темп продолжает нарастать по мере ее приближения к цели. Однако теперь каждый крик уже не столь громок и значительно короче, он длится всего лишь 1-3 миллисекунды. А частота колебаний на протяжении каждого отдельного крика линейно уменьшается - от начальных 80 до 40 килогерц.

Величины, указанные выше, весьма приблизительны, поскольку ни при медленном, ни при быстром темпе промежутки между криками не остаются постоянными. К тому же и частота колебаний меняется от импульса к импульсу [Griffin D.R., Listening in the Dark, New Haven, Yale Univ. Press, 1958, chapt.7].

Итак, перед нами исключительно сложная биологическая система. Не удивительно, что разработчики радарных систем заинтересовались ее свойствами.

Сейчас почти каждый знает, что радар (радиолокатор) - дорогостоящая система генерации электромагнитного эквивалента звуков, объединенная с системой, которая слушает эхо от этих звуков, отразившееся от различных предметов на их пути. Еще в 1886 году немецкий физик Генрих Герц экспериментально доказал, что радиоволны могут отражаться от многих объектов.

Фактически до второй мировой войны радар не находил применения. Но с тех пор он получил всеобщее признание и его применяют для самых разных целей: от выявления нарушителей скорости на автострадах до участия в маневрировании при посадке орбитальных космических кораблей. И все же, несмотря на сложнейшие функции, заложенные в этих использующих эффект эха системах, созданных человеком, эхолокационная система летучих мышей решает гораздо более сложные задачи.

Взять, к примеру, проблему "помех", которая немало досаждает разработчикам радиолокаторов. Она возникает из-за того, что радар, этот сложный аппарат, слушающий эхо, слышит также почти все остальные звуки, которые заполняют эфир, но часто не может отличить, какой же из них эхо. Подобная наклонность к одновременному приему в значительной мере осложнила задачу создателей первых радарных установок. Когда они с гордостью представили свои блестяще задуманные системы для эксплуатации в реальных условиях, выяснилось, что, если в одно и то же время включались два радара, помехи, которые они создавали друг другу, были настолько велики, что оба начинали давать неверные показания.

Естественно, что, как только об этой особенности узнали те, кто без всякого удовольствия относился к возможности быть обнаруженным посредством радара, они сделали все, чтобы способствовать неразберихе в радиолокаторе. "Жертвы" радара в ответ стали посылать свои шумы и тем самым породили практику контрмер. После этого разработчикам радиолокаторов не оставалось ничего другого, как вернуться к чертежным доскам для создания менее восприимчивых к помехам систем. Так было положено начало развитию контрконтрмер.

Разумеется, все эти меры и контрмеры усложняют работу конструкторов радарных систем и станций радиолокационных помех. Прежде всего это связано с модификацией аппаратуры. Приходится добавлять лишние транзисторы, увеличивать число электрических соединений; весь комплекс аппаратуры требует больше времени для настройки, а промежутки между возникновением неисправностей сокращаются. Технический персонал, отвечающий за ввод системы в действие и поддержку ее работоспособности, вынужден то и дело производить электрические и механические регулировки. Зачастую этот процесс настолько сложен, что практически большая часть времени уходит на настройку и ремонт аппаратуры, а не на ее работу. Несомненно, это в высшей степени нежелательная ситуация - не исключено, что враг может выбрать для нападения именно тот Момент, когда вы, например, настроили станцию только наполовину.

Итак, с одной стороны - конструктор радиолокатора, старающийся преодолеть проблему помех, не допуская при этом, чтобы плоды его труда превратились в груду обгоревших деталей. С другой стороны - летающая, казалось бы, в безбрежном море помех маленькая, безмятежная летучая мышь, по сравнению с которой столь рекламируемый электронный гений выглядит просто недоумком. Ясно, что нам следует внимательнее приглядеться к летучим мышам.

В начале 60-х годов Дж.Мак-Кью, один из создателей радиолокационной аппаратуры (Линкольновская лаборатория Массачусетского технологического института), решил исследовать поведение летучей мыши в условиях помех. Очевидно, он случайно натолкнулся на описание проводившихся Гриффином экспериментов, в которых рассматривалась реакция летучих мышей на воздействие всевозможных звуков, специально предназначенных для того, чтобы сбить их с толку. Гриффин обнаружил, что такие помехи не очень мешают мышам.

Мак-Кью решил провести испытания на более строгой научной основе с применением сложного оборудования. Он предложил сравнивать полученные результаты с теми, которые можно предсказать, руководствуясь положениями теории информации. Теория информации - раздел математики, посвященный задаче выявления характеристик, которыми могла бы обладать система с некими определенными конструктивными особенностями. В рамках теории информации делается также попытка узнать, каковы условия достижения этих наилучших характеристик, хотя в то же время не дается никаких рекомендаций в отношении методов их достижения. Наконец, делается попытка подсказать инженерам, не напрасно ли они будут тратить время на разработку машины, предназначенной для решения определенной задачи.

Инженеры, склонные к математической ориентации, глубоко верят в теорию информации; очевидно, она еще не проявила свою уязвимость, подобно ставшему легендарным утверждению некоего аэродинамика, безоговорочно доказывавшего, что шмели летать не могут.

Как бы то ни было, Мак-Кью и его коллеги в сотрудничестве с Гриффином провели ряд весьма тщательно разработанных экспериментов. Прежде всего они установили в длинной комнате вертикальную сетку из тонких проволочек, после чего в одном конце комнаты выпустили летучую мышь и заставили ее лететь в другой конец. Для этого летучей мыши пришлось пролетать сквозь ячейки в проволочной сетке - и она успешно справлялась с задачей, лишь изредка задевая проволочки. Этого и следовало ожидать - локатор летучей мыши обнаруживал проволочки, и она пролетала мимо них.

Собрав данные о поведении летучей мыши в такой, лишенной шумов обстановке, Мак-Кыо и Гриффин решили наполнить комнату всевозможными звуками, включая крики самой летучей мыши, записанные на магнитную ленту во время ее полетов. Все это делалось для того, чтобы как можно сильнее сбить мышь с толку.

Однако, казалось, мышь знает: шум не предвещает ей ничего хорошего - и она отказывалась взлетать! Экспериментаторы вынуждены были буквально заставлять ее подниматься с места. И всякий раз она каким-то чудом ухитрялась достичь другого конца комнаты. Но по мере того как интенсивность звуков увеличивалась, летучая мышь все чаще начинала задевать проволочки, подтверждая своим поведением догадки исследователей. После того как все экспериментальные данные были собраны и проанализированы, оказалось, что способности летучей мыши можно оценить наилучшими параметрами, которые, согласно теории информации, возможны для прибора, воспринимающего звуки двумя "ушами".

Ясно, что летучая мышь обладает чрезвычайно сложной системой, позволяющей ей определять расстояния. Но принцип действия этой системы никому в точности не известен.

Данные о свойствах одной только летучей мыши, которыми мы располагаем, уже сами по себе оправдывают взгляд на природу как на источник идей, которыми можно воспользоваться при решении ряда интересующих человека проблем. Не следует, однако, забывать, что летучая мышь - всего лишь одна из множества сложнейших биологических систем.

Так, если на мгновение задуматься о непрерывной борьбе за существование, с которой сталкивается все живое на нашей планете, и с этой точки зрения взглянуть на летучую мышь, то в первый момент может показаться, что природа наделила это существо приспособлением, дающим ему решительное преимущество над теми, кем оно питается. Но при ближайшем рассмотрении оказывается, что природа в какой-то мере постаралась уравнять шансы в этой борьбе: она снабдила мотыльков (обычную добычу летучих мышей) органами слуха, позволяющими им улавливать звуки, которые издает летучая мышь. Более того, эти органы слуха чувствительнее к передачам в диапазоне частот, используемом летучей мышью, чем любой микрофон, изготовленный руками человека.

Как показали некоторые опыты (в частности, проведенные Редером и Тритом в 1960 году вблизи Тирингэма, штат Массачусетс), мотылек пользуется своими "ушами" с большим успехом. Редер и Трит долгое время наблюдали за поведением мотыльков, когда те слышали звуки, имитирующие крики летучей мыши. К шесту, установленному на участке, находящемся в поле зрения кинокамеры, подвешивался громкоговоритель. Стоило мотыльку оказаться перед камерой, как динамик начинал издавать серию звуков, не слышимых человеческим ухом. И тотчас же мотылек резко изменял характер полета. Иногда он отвесно падал вниз, после чего возобновлял полет в прежнем направлении. Иногда же выполнял не прямолинейное пикирование, а снижение по замысловатой спирали. А бывали случаи, когда он, оставаясь на одной и той же высоте, резко менял направление полета. Ясно одно: мотылек знал, что надо делать, чтобы "заморочить голову" летучей мыши [Rоeder K.D. and Treat A.E., The Detection and Evasion of Bats by Moths, Am. Scientist, XLIX, 135-148 (1961)].

Это всего лишь два примера из множества других, иллюстрирующих различные возможности биологических систем.

Существуют и другие живые существа, применяющие эхочувствительный механизм в целях навигации. Так, в пещерах Южной Америки живет птица, которая также использует эхо от испускаемых ею криков как средство обнаружения препятствий. В отличие от криков летучих мышей крики этой птицы имеют достаточно низкую частоту, и человек их слышит; говорят, что никто не может ослышаться, когда тучи этих птиц вылетают из своих пещер или возвращаются обратно.

В Юго-Восточной Азии водятся также некоторые виды стрижей (их гнезда - главная составная часть супа из съедобных птичьих гнезд), которые живут в пещерах вместе с летучими мышами и используют аналогичные методы эхолокации.

Совершенно иная форма эхолокации наблюдается у жуков-вертячек. Это насекомое обнаруживает на поверхности воды колебания от собственных движений, отражающиеся от берега или от кдких-то предметов в воде. По-видимому, основным чувствительным элементом жука-вертячки служит его усик; если свободный конец усика прикрепить к голове жука, последний начнет непрерывно натыкаться на препятствия. Очевидно, это вызвано тем, что усик в новом положении не касается воды.

Другим методом обнаружения препятствий является электрический метод, характерный для некоторых рыб. Встречаются разновидности, генерирующие маломощные электрические разряды, которые образуются в хвостовой части и порождают электрические поля (сходные с магнитным полем магнита). Силовые линии замыкаются на чувствительных отверстиях в голове рыбы. Таким образом, голова и хвост электрических рыб как бы соответствуют северному и южному полюсам магнита.

Эти рыбы (не следует путать их с теми рыбами, которые пользуются более мощными разрядами с целью оглушить свою жертву или отбить охоту у преследующего их хищника) способны, по-видимому, обнаруживать искажения, вносимые в их электрическое поле посторонними предметами. Установлено, что отдельный чувствительный орган, находящийся в голове таких рыб, реагирует на ничтожное изменение силы тока в 0.003 пикоампера (1 пикоампер равен одной триллионной части ампера) [Lissman H.W., Electric Location by Fishes, Sci. American, CCVIII, #3, 50-59 (March 1963)].

И все же ни одно из упомянутых выше существ не подвергалось столь интенсивному изучению, как летучая мышь или млекопитающее, к рассмотрению которого мы сейчас перейдем.

Представьте себе, что вы находитесь на борту небольшого судна примерно в трех километрах от одного из знаменитых пляжей в заливе Коуст во Флориде. Пока ваше суденышко лениво дрейфует по легкой зыби под расшитым облаками лазурным небом, вы осторожно опускаете подводный микрофон - моряки называют его гидрофоном - в искрящуюся прохладную голубую воду. Затем вы щелкаете переключателем и поудобнее усаживаетесь в ожидании любого звука, который может донестись от стаи дельфинов, резвящихся метрах в восьмистах от вас.

Стоит электронной аппаратуре на судне прогреться, как вы отчетливо услышите шум волн, плещущихся о борт. И одновременно вы заметите, что дельфины вдали перестали проказничать и двинулись, по-видимому, в вашем направлении. Постепенно на фоне плеска волн до вас станут доходить какие-то слабые постукивания и пощелкивания. Эти звуки будут множиться и усиливаться по мере приближения дельфинов. Вскоре перед вами появятся лоснящиеся серые спины, они сверкают на солнце, когда дельфины выпрыгивают из воды. Звуки, которые теперь улавливает гидрофон, напоминают шум поезда.

Будучи еще метрах в сорока от вас, дельфины неожиданно ныряют, и вы видите в воде, как темные силуэты несутся к судну. Но вот они проносятся под вами, и сразу же шум стихает, и над всеми остальными звуками вновь господствует плеск волн.

Такова последовательность событий, описанных Уинтропом Н.Келлогом в его книге "Дельфины и сонар" [W.N.Kellogg, Porpoises and Sonar, Chicago, Univ. Chicago Press, 1961], где он показывает, что дельфины переговариваются друг с другом под водой и, двигаясь, издают звуки.

Согласно Келлогу, звуки в основном сводятся к свисту либо пощелкиванию. Свист дельфина напоминает щебет канарейки. Он начинается с частоты около 7 килогерц и на протяжении полусекунды плавно поднимается до 15 килогерц. Щелкающие звуки они издают в виде своеобразных "очередей", в которых может быть всего лишь пять промежутков на протяжении секунды, а может оказаться и до нескольких сот промежутков. Сама "очередь" длится несколько секунд; частота щелчков поначалу низкая, а затем повышается, или же наоборот.

Хотя все эти звуки - и свист, и щелканье дельфинов - доступны человеческому уху, они все же содержат составляющие и в ультразвуковом диапазоне. На основании этого Келлог пришел к выводу, что дельфины, подобно летучим мышам, способны использовать звук для обнаружения объектов и в целях навигации. Он решил доказать это экспериментально.

В конце 50-х годов в Морской лаборатории Университета штата Флорида был сооружен специальный плавательный бассейн для дельфинов, расположенный на побережье Мексиканского залива, южнее города Таллахасси. Размер бассейна - пятнадцать на двадцать метров, глубина от полутора до двух метров (в зависимости от прилива). Вода в бассейн поступает по трубопроводу из соседней гавани Аллигатор-Харбор. Чтобы свести к минимуму отражение звуковых волн, пол и стены бассейна покрыли илом. Для размещения испытательной аппаратуры и всего, что так или иначе связано с экспериментами, в различных местах как в самом бассейне, так и вокруг него предусмотрены соответствующие гнезда. Двух дельфинов пожертвовала Морская лаборатория из Маринленда (штат Флорида).

Проведя ряд опытов, Келлог смог доказать, что дельфины не только применяют принцип сонара [Сонар (от англ. sonar - устройство, использующее звуковые волны) - подводный ультразвуковой локатор.- Прим. перев.] для обнаружения объектов, но и способны различать разного рода цели - возможно, на основе характера возвращающегося эха! Его результаты в основном сводятся к следующему.

Когда дельфин лениво плавал по окружности бассейна или же оставался на одном месте, каждые пятнадцать-двадцать секунд он испускал серию сигналов. Очевидно, это был режим обследования. Его реакция на предмет, вводившийся экспериментаторами в бассейн, зависела от характера самого предмета и метода его погружения. Если предмет опускали в воду медленно, он оставался незамеченным до тех пор, пока не раздавалась очередная "обследующая очередь" сигналов. Но вот дельфин обнаружил предмет; после этого следовала более длинная серия импульсов - по мере того как дельфин приближался к цели, ЕСЛИ ОНА БЫЛА СЪЕДОБНА. Если же цель оказывалась несъедобной, то после предварительного звукового "нащупывания" животное либо игнорировало ее, либо избегало.

В тех случаях, когда предмет погружали в воду с плеском, дельфин сразу начинал испускать сигналы и затем приближался к пище, одновременно продолжая звуковое наблюдение.

Можно было видеть, как при сближении с объектом дельфин начинал поводить головой. По-видимому, такое движение служит средством определения пеленга цели путем усиления "стереоэффекта" от возвращающегося эха. (У приближающихся к цели летучих мышей также отмечались чередующиеся покачивания ушами, возможно, по той же причине).

Поскольку шум от погружения мог стимулировать начало звукового поиска дельфинов, Келлог решил проверить, как они реагируют на всплески. Капля воды, падающая с высоты полутора метров, не вызывала никакой реакции. Половина чайной ложки воды, вылитой в бассейн, вызывала звуковые сигналы, но не движение. Совершенно иной эффект производили струя из брандспойта или же внезапный ливень. Дельфин отвечал на них непрерывным потоком звуков, которые, вероятно, служили сигналами тревоги, и начинал неистово метаться по бассейну. Видимо, шум струи воды или ливня причинял боль его ушам, а нырнуть вниз, чтобы избежать этих звуков, дельфину не позволяла глубина бассейна. По крайней мере Келлог пришел именно к такому выводу.

Он установил также, что дельфины довольно привередливы в отношении пищи. Первое время их кормили кефалью, но вскоре они, очевидно, решили, что эта рыба не соответствует их стандартам качества, и стали от нее отказываться. Экспериментаторы вынуждены были перейти на лагодонов. К ним дельфины оказались снисходительнее.

Проводились опыты, во время которых лагодона и кефаль одновременно погружали в бассейн, чтобы проверить, могут ли дельфины обнаружить разницу, руководствуясь характеристиками эха, в условиях - если можно так выразиться - испытания на сличение в воде соседних объектов. Дельфины решили, что скорее умрут от голода, чем переменят вкусы!

Исследователи неоднократно пытались экспериментально доказать, что дельфины ориентируются именно по слуху, а не по зрению. С этой целью в воду погружали два "окна", за каждым из них помещали рыбу. В ходе испытания одно из окон было закрыто. Экспериментаторы рассуждали так: если испытуемый дельфин (по кличке Альберт) руководствуется зрением, а не слухом, он может обмануться. Если же он пользуется слухом, то ошибки не произойдет: ведь эхо от стекла иное, чем от рыбы. Однако, чтобы закрыть стеклянное окно, требовался какой-то пусть малый, но все же отрезок времени. И Альберта ни разу не удавалось обмануть - более того, вскоре он начал располагаться перед открытым окном еще до того, как экспериментаторы опускали рыбу в воду. Вслед за этим он начинал издавать серию обследующих сигналов до тех пор, пока рыба не оказывалась в воде. Если бы он был человеком, он точно также стучал бы ножом и вилкой по столу, требуя пищи!

Проведенные эксперименты почти несомненно доказывают, что дельфины - эти огромные, весом до 150 килограммов плавающие сигары - в самом деле чрезвычайно эффективно применяют эхолокацию. Их способности отличать лагодонов от кефали может только позавидовать военно-морской флот, ибо применяемый моряками сонар до сих пор не в состоянии отличить подводную лодку от кита.

Бесспорно, внимательное изучение эхолокации, используемой летучими мышами и дельфинами, равно как и другими существами, может помочь создателям систем, управляемых человеком. Смогут ли они до конца разобраться в методах, созданных природой, чтобы затем применить их на практике, покажет время.

А сейчас постараемся переключить наше внимание на другой источник замешательства конструкторов сложных машин. Для них до сих пор остается загадкой, каким образом маленькая хрупкая бабочка данаида (Danaus ple-xippus), весящая около 0.4 грамма, ухитряется находить дорогу от Онтарио до Техаса - расстояние в две с лишним тысячи километров,- пролетая в среднем пятьдесят три километра в день? И как объяснить, что ласточка, совершающая перелет из Великобритании в Южную Африку, возвращается в то же гнездо, которое она покинула осенью?

Или взять, к примеру, щетинобедрого кроншнепа - птицу, которая с Аляски перелетает на Таити или Гавайи и возвращается выводить птенцов на Аляску. Ведь для этого ей приходится преодолевать путь в три тысячи двести километров через Тихий океан - водную пустыню без единого ориентира!

Или же, наконец, случай с буревестником, взятым - эксперимента ради - в Великобритании, доставленным на реактивном самолете в Бостон (расстояние в пять с половиной тысяч километров) и отпущенным на волю. Через двенадцать с половиной дней он уже был в родном гнезде, опередив письмо, в котором сообщалось о его освобождении (в отличие от буревестника письмо, очевидно, не летело).

А ведь мы даже не упомянули почтового голубя!

Очевидно, методы, которые используют различные живые существа, чтобы добраться из одной точки нашей планеты в другую, заинтересуют виртуоза логарифмической линейки, пытающегося создать более совершенную систему навигации. Однако не все методы оказываются одинаково привлекательными для конструктора. Трудно, например, представить себе реактивный самолет (или, скажем, джип), который бы, подобно муравью, оставлял за собой жидкий след, а затем по нему пытался "унюхать" обратный путь!

Любопытный способ применяют осы в поисках своих гнезд. Перед тем как покинуть гнездо, оса замечает ориентиры, а на обратном пути отыскивает их. Обычно такой метод оказывается весьма действенным, за исключением тех случаев, когда какой-нибудь зоолог умышленно убирает ориентиры. К сожалению (с точки зрения конструктора навигационной аппаратуры), до сих пор нет такой машины, которая умела бы распознавать ориентиры.

Разумеется, всегда найдутся люди, которые, увидев, как осы решают эту проблему, могут сказать, что все это для нас не ново. При этом они даже сошлются на то, что, мол, подобный метод только подтверждает справедливость их утверждения: природа едва ли поведет нас в направлении, о котором бы мы не знали раньше.

Пойдем же им навстречу и рассмотрим поведение пчел, воспользовавшись исследованиями известного мюнхенского ученого Карла Фриша. Каждый знает, что пчела покидает свой улей в поисках цветов с их нектаром. Обнаружив особенно богатый источник, она возвращается домой и сообщает об этом своим товаркам. Но для этого пчела должна узнать нужный цветок, определить его местоположение относительно улья и передать информацию другим пчелам.

Пчела способна выполнить первые две задачи благодаря тому, что ее глаз, равно как и мозг, особым образом воспринимает окружающее. Что же касается передачи сообщения, то она осуществляется путем очень сложного танца, который пчела начинает исполнять на стенках улья.

Глаз пчелы распознает цвета, но не совсем те, которые воспринимает человек. Пчела, очевидно, различает желтый, сине-зеленый, голубой цвета и невидимые для нас ультрафиолетовые лучи. Но красные цвета розы, мака или азалии пчела не видит. Правда, от этого она почти ничего не теряет, ибо многие наши цветы в ультрафиолете выглядят еще прелестнее. Например, желтая маргаритка становится похожей на ореол из ярких точек, окружающих сердцевину.

Кроме того, глаз пчелы, по-видимому, больше привлекают сложные образы, чем простые. Как показали эксперименты, пчела отдает предпочтение (в пропорции 5:1) образам типа шахматной доски, нежели одноцветным поверхностям. К счастью, цветы по сравнению с листьями гораздо сложнее по форме, не то пришлось бы пчеле туго при попытках извлечь нектар из листвы.

В 30-х годах Фриш установил, что, возвращаясь домой и проникая в улей, пчела начинает вести себя подобно лихому танцору. Малейшее движение пчелы имеет свое значение. У пчелы два основных танцевальных па: круг и восьмерка. Оба исполняются на внутренних стенках улья, и для пчел очень важно, какое именно па исполняется в данный момент. Это позволяет им определить расстояние от улья до цветка.Но если дует сильный встречный или попутный ветер, точность оценки пчел иногда снижается.

Рассмотрим основное круговое па. Оно выполняется только в тех случаях, когда цветок находится не далее чем в сотне метров от улья. Пчела как бы вальсирует по кругу (возможно, слово "вальсирует" не совсем точное), а затем МЕНЯЕТ НАПРАВЛЕНИЕ. И, что самое поразительное, она всегда меняет направление в одной и той же точке круга. Удалось обнаружить ее "географический" смысл: самая верхняя точка принимается за "полдень" - двенадцать часов на циферблате. Эту точку - зенит - пчелы принимают за направление, в котором находится солнце по отношению к улью. Это значит, что если солнце находится точно на юге от улья и пчела меняет направление в точке круга, соответствующей шести часам, то цветок надо искать к северу от улья. Если же направление меняется в точке, соответствующей трем часам, цветок находится к западу от улья.

Па в виде восьмерки несколько сложнее и обычно выполняется для описания цветков, находящихся дальше ста метров от улья. Это па представляет собой сплющенную цифру восемь; кульминационный момент танца - место соединения двух кругов, образующих восьмерку. Здесь важна угловая ориентация проходимого пути, опять-таки по отношению к двенадцати часам на циферблате. Если солнце находится к югу от улья, а эта линия в танце направлена вертикально, то цветок следует искать либо на севере, либо на юге, в зависимости от направления движения пчелы. Если она движется от двенадцати часов к шести, цветок находится на севере. Если же соединительная линия направлена горизонтально к стенке улья, а пчела движется слева направо, цветок находится на западе.

Для этого па характерно еще одно обстоятельство. Пересекая среднюю линию, пчела одновременно как бы "виляет". Частота виляний (то есть число их в секунду) весьма важна, так как она, по-видимому, указывает на расстояние между ульем и цветком.

В 1959 году другой ученый из Мюнхена, Вольфганг Штехе, поместил в улей искусственную пчелу. Управляя ее танцем извне с помощью электронной аппаратуры, он выманил из улья рои пчел и направил его прямо к приготовленной кормушке.

Любопытно, что способ ориентации по солнцу срабатывает и в том случае, когда солнце скрыто облаками. Оказалось, что солнце лишь косвенно участвует в этом процессе; важнейшие навигационные свойства обеспечивает скорее небо. Объясняется это следующим образом.

Солнце излучает неполяризованный свет. Однако земная атмосфера действует подобно чрезвычайно специфичному поляризатору. Доведись вам исследовать свет, идущий от определенной точки безоблачного неба, вы бы обнаружили, что он частично поляризован и имеет известный угол поляризации. От другой точки неба исходил бы свет с иным углом поляризации. Степень и угол поляризации зависят от местонахождения данной точки по отношению к солнцу. Другими словами, распределение поляризации по небесной сфере меняется по мере перемещения солнца.

Взглянув на небо, вы этого распределения поляризации не заметите. А пчела замечает, так как смотрит на небо не непосредственно, а через своего рода поляроидные очки. Элементы ее глаз - поляризаторы, ориентированные под разными углами. Поэтому, когда пчела глядит на определенную часть неба, она видит своеобразную картину распределения различных световых интенсивностей; не удивительно, что, возвращаясь от цветка к улью, она запоминает виденную картину. Но каким образом ей удается затем связать эту картину с углом, который она должна показать в темноте на стенке улья,- вопрос, на который до сих пор нет ответа. По-видимому, она все-таки опять же использует явление поляризации. Это доказывают опыты: исследователи помещали поляризаторы между пчелой и небом, и пчела выполняла задание.

Итак, пчелы используют метод навигации, который человеку пока недоступен. Помимо пчел есть и другие существа, способные распознавать поляризованный свет; они, очевидно, также используют эту свою способность в целях навигации или же как средство, гарантирующее им движение по прямой линии.

Примеры, на которые мы ссылались в этой главе, призваны проиллюстрировать некоторые наиболее привлекательные свойства животных и насекомых, представляющие потенциальный интерес для создателей различной аппаратуры. Но, как мы уже отмечали выше, "бионический" подход к созданию машин не был с таким уж энтузиазмом подхвачен теми, кто так или иначе связан с этими проблемами. Как выразился один исследователь, "бионика объединяет самую безумную часть электроники с самой безумной частью биологии".

Но, невзирая на известный скептицизм ученых, заглянем во внутреннюю структуру некоторых природных систем и посмотрим, как их интерпретировали инженеры.

ГЛАВА ТРЕТЬЯ. НЕРВЫ И ИХ ИМИТАТОРЫ

Если уж мы всерьез намерены соперничать с биологическими системами, необходимо сначала разобраться в принципе их действия. Но коль скоро мы поставили перед собой такую задачу, нам надо прежде всего заглянуть внутрь и выяснить, из каких составных частей они состоят и как в свою очередь взаимодействуют эти компоненты. Нам предстоит узнать, что заставляет живые существа вести себя именно так, как они себя ведут. Ясно одно: проблема эта отнюдь не тривиальна, и мы бы буквально зашли в тупик, если бы вынуждены были ждать, когда ее решат инженеры и ученые-физики. Ведь в то время как большинство из них не задумываясь воткнут щуп осциллографа в самое сердце цифровой вычислительной машины, при одной мысли о том, что им предстоит вскрыть череп лягушки и погрузить зонд в ее мозг, они бледнеют.

К счастью, естествоиспытатели сделаны из более "стойкого материала" и, как правило, не пугаются при виде крови. Долгие годы зоологи и биологи, где и куда могли, вонзали свои скальпели и со временем накопили солидный запас сведений о свойствах тех или иных органов у живых существ. Именно эта основополагающая информация и стимулировала многие исследования, рассматриваемые в нашей книге.

Одной из наиболее важных клеток, открытых учеными-биологами, является нейрон. Это кирпичик, из которого построена нервная система. Подсчитано, что в нервной системе человека содержится 10000000000 нейронов. Нейрон - разновидность электронного прибора, принимающего, обрабатывающего и передающего электрические сигналы внутри нервной системы. Мы видим, слышим, щупаем, пробуем на вкус или нюхаем что-либо только благодаря тому, что нейроны передают друг другу сигналы внутри нашего организма и мозга. Процесс мышления также связан с перемещениями электрических сигналов в мозгу, и всем этим мы обязаны нейрону. Не удивительно, что, познав природу нейрона, мы хотя бы в первом приближении сумеем понять принцип действия биологической системы в целом.

Поэтому начнем с обзора того, что, как полагают биологи, им известно о нейронах. Мы говорим "полагают", ибо работа в этом направлении еще не завершена и в один прекрасный день ученые могут столкнуться с такими данными, которые опрокинут все их сегодняшние концепции и заставят сформулировать новые. Сейчас в распоряжении ученых имеется только модель нейрона. Те описания нейрона, которые они приводят, лишь комбинация признаков, установленных либо опытным путем, либо на основе теоретических предположений. Она получила название модели только для того, чтобы мы могли подчеркнуть ее экспериментальный, временный характер. Модель эта пока представляет собой самое современное суждение ученых-биологов о том, что такое нейрон и каков механизм его действия. Но она может оказаться устаревшей, как только появятся новые экспериментальные данные.

Поэтому, когда мы будем говорить о свойствах нейрона, помните, что на самом деле речь пойдет лишь о тех или иных мнениях современных ученых-биологов и мнения эти вовсе не всегда совпадают. Иными словами, мы собираемся познакомить вас с тем, что можно было бы назвать "общепринятой" моделью. А кроме того, нейроны бывают различных размеров и форм и их функции насчитывают не менее пятидесяти семи различных модификаций.

Удобнее всего начать с описания структуры нейрона, которая очень напоминает дерево и, подобно ему, имеет ветви, ствол и корни (рис.1). Более того - и мы об этом уже упоминали - конфигурации нейрона столь же многообразны, как и очертания деревьев. Но в отличие от дерева нейрон неизмеримо меньше по размеру. Подсчитано, что в ящик объемом 0.028 кубического метра можно втиснуть 100000000000 нейронов. Разумеется, при этом мы имеем в виду самые маленькие нейроны. Некоторые же из них достигают более метра в длину.


Рис.1. Одна из многочисленных возможных форм нейрона.

Обычно электрические сигналы поступают в нейрон по его отросткам через контактные точки, называемые СИНАПСАМИ. На отростке, который именуется ДЕНДРИТОМ, находятся тысячи синапсов. Часть нейрона, расположенная непосредственно над стволом, носит название ТЕЛА КЛЕТКИ. Это центр сбора и оценки информации, поступающей в нейрон; здесь определяется природа электрических сигналов, достигающих нейрона. Результаты этой оценки передаются по стволу, который получил название аксона. У основания ствола сигнал распространяется по корневой структуре.

Нейроны, как правило, не изолированы друг от друга. Напротив, если продолжить нашу аналогию с деревом, следует подчеркнуть, что они существуют в виде скоплений, напоминающих леса, и эти "леса" расположены друг под другом таким образом, что корни одного из них переплетаются с ветвями другого, находящегося ниже. Точно так же сигнал, проходящий через несколько нейронов, редко бывает одиночным; это лишь один из многих сигналов, в один и тот же момент совершающих аналогичное путешествие по другим нейронам.

Таким образом, поток электрических сигналов, идущих по сети нейронов, входит в какую-то группу ответвлений, проходит по стволу и выходит через корни к ветвям нижних деревьев, продолжая путь по следующему слою "леса".

Что же касается единичного нейрона, то он собирает сигналы от синапсов (контактных точек). Затем эти сигналы по дендритной структуре (ответвлениям) проходят к телу клетки. Здесь оценивается общий эффект всех пришедших сигналов, и результирующая оценка передается дальше по аксону (стволу) вниз, где она расходится по корням и переносится на дендритные структуры нижнего леса.

Иными словами, нейрон действует подобно электрической схеме, предназначенной для преобразования сигналов. Сейчас для нас главное - понять принцип действия нейрона и всех его составляющих; после этого мы сумеем разгадать, как мыслит человек. Что делает единичный нейрон, нам в принципе ясно, но как действует скопление нейронов - по-прежнему загадка.

Сигнал, достигающий синапса,- слабый и короткий электрический импульс. Правильнее было бы сказать, что это поток импульсов, которые поступают друг за другом в определенном темпе, называемом ЧАСТОТОЙ (то есть числом импульсов в секунду) (рис.2).


Рис.2. Нервные импульсы. Электрические сигналы, идущие по нервной системе, можно наблюдать с помощью осциллографа. Сигнал, приходящий к синапсу нейрона, как правило, представляет собой последовательность таких электрических импульсов.

Однако сам по себе импульс не переходит через синапс. Он лишь служит причиной образования потока химически активных веществ, который и проходит через синапс, возбуждая внутри дендрита еще более слабый, но более длительный импульс; этот импульс затем идет к телу клетки, по пути становясь все меньше.

Тело клетки получает множество таких импульсов от всех частей дендритной структуры. Оно складывает их друг с другом, и, когда накопленная сумма достигает определенного значения, говорят, что превышен ПОРОГ. Нечто подобное происходит, когда превышается предел прочности. Например, вы сгибаете ветку. Напряжения в ней постепенно достигают величины, превышающей определенный предел, и ветка ломается. Есть такой предел и у тела клетки. Когда суммарный принятый сигнал превышает этот предел, происходит перелом: тело клетки посылает импульс.

Посылка импульса - показатель того, что суммарный сигнал, принятый телом клетки, превысил определенный критический уровень, который мы и называем порогом. Таким образом, если последующие нейроны узнают, что импульс был послан, они тем самым получат некоторые сведения о том, сколько сигналов было принято исходным нейроном.

Как только тело клетки выработает импульс, величина порога резко возрастает. Это означает, что для генерации следующего импульса тело клетки должно принять от своей дендритной структуры неизмеримо больший суммарный сигнал, другими словами, оно временно "истощается". Но постепенно величина порога падает до первоначального уровня, и импульсы (если они продолжают поступать), достигающие синапсов, снова могут достаточно легко вызвать возбуждение тела клетки, сопровождающееся образованием очередного импульса.

Количество возбуждений тела клетки в секунду служит мерой величины итогового сигнала (тр есть числа импульсов), принятого дендритной структурой. Чем больше приходящий сигнал, тем больше число импульсов в секунду, генерируемых телом клетки.

Для большей наглядности рассмотрим нейрон в виде крошечного человечка, или, как его принято называть, "демона". (Демонами ученые нередко пользуются как весьма удобным средством для более четкого изложения своих идей.)

Наш воображаемый демон прислушивается к звукам (синапсы - его уши, а принимаемые сигналы - звуки); он оценивает их общий эффект (тело клетки суммирует сигналы и сравнивает их с величиной порога) и затем сообщает свою оценку демону, стоящему под ним (тело клетки генерирует импульсы). При этом сила его крика зависит от громкости звуков, которые он слышит. Если демон молчит (тело клетки не генерирует импульсы), значит он ничего не слышит. Если же он кричит во всю мочь (тело клетки генерирует импульсы в очень быстром темпе), значит приходящие звуки бомбардируют его. Повторяем, сила криков демона пропорциональна силе приходящих звуков.

Так вот, этот демон - одна клетка (нейрон). Сеть из множества функционирующих клеток означает множество одновременно кричащих демонов. Для слушателя это ад кромешный!

Кое-кому из читателей, особенно тем, кто превосходно усвоил предыдущее изложение, весь этот разговор о демонах может показаться чепухой, предназначенной разве лишь для ребятишек. Но понятие демона служит совсем иным целям. Один из принципов конструирования, предложенных для применения в области создания искусственного разума, получил название пандемониума [Пандемониум - обиталище демонов.- Прим. перев.]; он построен именно на таком "демоническом" подходе. Суть его заключается в том, что в большом нервном скоплении имеются особые группы, ответственные за измерение определенных количеств информации. Эти измерительные группы называют ДЕМОНАМИ ДАННЫХ; их роль - передавать то, что они обнаруживают, другой группе демонов, так называемым ДЕМОНАМ РЕШЕНИЯ. Но поскольку все демоны данных передают информацию одновременно, демоны решения уделяют внимание только самой громкой группе. И как раз данные этой группы являются наиболее важными. Если изложить нашу мысль языком техники, можно сказать, что в пандемониумическом типе системы сильнейшие сигналы считаются и наиболее важными. В некоторых научных кругах различные концепции не всегда оправданно сводятся к демоническим. Мы же упомянули о теории демонов на тот случай, если читатель столкнется с ней при более подробном изучении какого-нибудь вопроса.

Но вернемся к нейрону и попытаемся взглянуть на него с другой точки зрения. Все, о чем говорилось выше, есть не что иное, как переработка информации, представленной в особой форме. В случае с демонами такой формой является звук, в нервной системе - последовательность импульсов, частоту которых можно уподобить громкости криков демона. В некоторых отношениях нейрон действует одновременно и как радиоприемник и как радиопередатчик.

Предположим, что вы ведете радиоразговор из Калифорнии с Японией, используя в качестве ретранслятора какое-то, лицо на радиостанции на Гавайских островах. Эта гавайская станция напоминает нейрон в "лесу", расположенном, как в сандвиче, между двумя другими "лесами" - один сверху, другой снизу.

Чтобы обеспечить более эффективную передачу информации (то есть того, что вы говорите), ваш голос в Калифорнии преобразуется в радиоволны. Это объясняется тем, что в отличие от радиоволн звук голоса не может распространяться далеко. На Гавайях радиоволны вновь должны быть преобразованы в звук. В нейроне синапсы (иначе говоря, приемник) превращают приходящие импульсы (в данном случае радиоволны) в меньшие по частоте и более длительные импульсы (звук), с тем чтобы их могло оценить тело клетки (то есть слушатель на Гавайях). Тело клетки преобразует эту оценку в импульсы (слушатель говорит в микрофон, снова превращающий его слова в радиоволны) для передачи корням (в Японию).

На первый взгляд нарисованная картина может показаться очень запутанной, но, признайтесь, не можете же вы кричать так громко, чтобы вас услышали в Японии (или, на худой конец, на Гавайях, как в данном случае). Точно так же и нейроны не могут передавать сигналы от своих отростков к корням, минуя этот сложный процесс.

Нейрон не просто служит средством более эффективной передачи сигналов. Он делает больше - истолковывает то, что принимает, прежде чем передать полученное сообщение дальше. И в этом отношении его можно сравнить со слушателем на Гавайях, который принимает также передачи из Чили и с Аляски, а затем передает все данные дальше, в Японию.

Короче говоря, нейрон выполняет две основные функции. Во-первых, он реагирует на принимаемые сигналы, причем реакция эта зависит от силы приходящих сигналов. Во-вторых, он преобразует свой ответ в такую форму, которая позволяет наиболее эффективно передавать его другим нейронам.

На этой функции нейрона мы остановимся подробнее.

Как уже отмечалось, при превышении порога тело клетки образует импульс, который в свою очередь должен быть передан по стволу (аксону) к корням. Но если бы ствол был устроен так же, как дендритная структура, мы оказались бы в затруднительном положении. Выше упоминалось, что слабые импульсы, распространяющиеся от синапса к телу клетки, по пути уменьшаются. Это объясняется тем, что в некоторых отношениях дендриты уподобляются электрическим сопротивлениям. Если расстояние, которое предстоит пройти импульсам, не слишком велико, это не так страшно. Если же расстояние достаточно велико, потери, связанные с преодолением сопротивления, в конце концов сведут импульс к нулю. Сигнал, посланный по аксону, как правило, должен пройти сравнительно длинный путь, и для гарантии того, что импульс не исчезнет, аксон устроен по-особому. Он действительно создан специально для передачи импульсов.

Вернемся на время к аналогии аксона со стволом. Как известно, ствол дерева состоит из мягкой сердцевины и оболочки, называемой корой, и все это окружено еще одной средой - воздухом.

Аксон в разрезе напоминает колбасу; оболочка его именуется мембраной. Внутри оболочка заполнена веществом, содержащим электрически заряженные частицы - ионы. Окружающая среда также содержит ионы. Внутри преобладают ионы калия (K+), а снаружи - ионы натрия (Na+).

Предположим, что в нашем распоряжении имеется аксон, который мы можем подвергнуть тщательному анализу. Если поместить один щуп вольтметра (прибора, измеряющего электрическое напряжение) в окружающую аксон жидкость, а другой через мембрану ввести в глубь аксона, прибор покажет наличие напряжения около 70 милливольт (1 милливольт - тысячная доля вольта). Таково постоянное напряжение аксона. Потенциал его сердцевины отрицателен по отношению к внешней среде.

Теперь введем еще два щупа - один внутрь аксона, а другой, как и прежде, снаружи мембраны. Но подсоединим их не к вольтметру, а к батарее, напряжение которой можно изменять. Если теперь, например, уменьшить полное напряжение на мембране, состояние ее коренным образом изменится. Уровень напряжения, при котором это произойдет, называется порогом, точно так же как и в случае с телом клетки.


Рис. 3. Воздействие электрического сигнала на аксон приводит к возникновению области разряда, распространяющейся от точки возбуждения. За каждой из движущихся областей разряда следует движущаяся область восстановления.

Для лучшего понимания путей протекания процесса обратимся к рисунку. Рассмотрим сначала, что происходит в непосредственной близости от щупов (рис.3), а затем проанализируем поведение аксона через некоторое время в другой точке, расположенной неподалеку (рис.4). Обнаруженное нами внезапное изменение состояния мембраны автоматически распространяется по аксону от точки, где расположен щуп батареи. Точка эта получила название ТОЧКИ ВОЗБУЖДЕНИЯ (рис.3).


Рис.4. Автоматическое движение электрических импульсов по аксону, обусловлено тем, что ионы калия и натрия особым образом проходят через мембрану.

Этот процесс автоматического распространения лучше всего изучать, если ввести понятие движущихся областей разряда и восстановления. На рис.4 можно видеть, что происходит, когда такая подвижная область распространяется вдоль аксона. Часть оболочки аксона (незаштрихованная) на рис.4 - это область разряда; заштрихованная часть - область восстановления, а полностью зачерненные части не имеют специального наименования. Чистые и заштрихованные области на рис.3 имеют тот же смысл. Это важно запомнить.

Как отмечалось выше, если под влиянием напряжения батареи общее напряжение на мембране уменьшается и в определенный момент уровень напряжения на мембране достигает порогового значения, происходит внезапное и резкое изменение состояния мембраны, называемое РАЗРЯДОМ. На рис.3 показаны состояния аксона для пяти последовательных моментов времени. Аксон схематически изображен в виде прямой линии, а прямоугольники под этой линией показывают, что происходит в тех частях аксона, где они расположены.

Вблизи щупа (точки возбуждения) мембрана раскрывается подобно шлюзу и внутрь аксона устремляются ионы натрия (Na+). Этот процесс сопровождается быстрым изменением напряжения; оно достигает величины, при которой сердцевина аксона по отношению к внешней среде будет иметь положительный потенциал около 40 милливольт. Затем через мембрану начинают выходить наружу ионы калия (К+), что также сопровождается изменением напряжения, но уже в обратном направлении. Часть аксона, в которой происходит подобное явление, помечена на рис.3 незаштрихованным прямоугольником, расположенным под верхней линией.

В течение всего времени, пока на этом обособленном (возбужденном) участке сердцевина аксона положительна по отношению к внешней среде, смежные с ним районы остаются отрицательными. Возникающая при этом разность потенциалов заставляет некоторые ионы двигаться ПАРАЛЛЕЛЬНО мембране - как внутри аксона, так и снаружи. Это меняет распределение типов ионов в соседних областях, а следовательно, и изменение напряжения на соответствующих им участках мембраны. Изменяясь, напряжение приближается к пороговому значению. Как только порог достигнут, состояние мембраны на этих соседних участках изменяется так же, как и в начальной точке возбуждения. Иными словами, эти два соседних участка превращаются в области разряда. Процесс, начавшийся в точке возбуждения, автоматически распространяется (в обоих направлениях) на прилегающие участки, и теперь у нас уже две области разряда, местонахождение которых помечено на второй сверху линии на рис.3. Но там же имеется заштрихованный участок. Смысл его заключается в следующем.

В ходе разряда Na+ перемещается внутрь аксона, а К+ - наружу. Но такие условия существуют лишь до поры до времени. Натрий постепенно возвращается во внешнюю среду, а калий - обратно в сердцевину. Интервал времени, в течение которого происходит этот переход, называется ПЕРИОДОМ ВОССТАНОВЛЕНИЯ. В конце концов в области первоначального возбуждения восстанавливаются исходные условия (см. третью-пятую линии на рис.3). Заметим, однако, что области разряда и восстановления распространяются по аксону в направлениях от исходной точки возбуждения.

Возбуждение аксона порождает движущуюся область разряда, что напоминает продвижение фронтов пламени в длинном запальном шнуре, если поджечь его посередине, с той лишь разницей, что запальный шнур невозможно вернуть в исходное состояние.

Если поместить щупы в какой-то точке аксона, скажем справа от точки воабуждения (см. рис.3), можно в конечном счете увидеть импульс напряжения в тот момент, когда область разряда проходит мимо щупов. Физиологи называют этот импульс ПОТЕНЦИАЛОМ ДЕЙСТВИЯ; его связь с движением ионов показана на рис.4. Импульс можно заметить только через некоторое время после возбуждения, ибо продвижение разряда по аксону происходит не сразу.

Подведем теперь некоторые итоги. Мы описали процесс, в ходе которого импульс (или потенциал действия) АВТОМАТИЧЕСКИ движется по аксону. Однако мы допускали, что импульс был первоначально возбужден с помощью батареи и что сам аксон находился в некой сплошной среде. Теперь вернемся к нейрону, в частности, к той его части, которая называется телом клетки (рис.1).

Тело клетки, дендриты и корни можно рассматривать как структурное продолжение аксона, но с несколько иными свойствами, обусловленными их формой и, возможно, концентрацией содержащихся в них ионов. Следовательно, и мембрана может вести себя здесь по-иному.

Когда суммарная величина сигналов, принятых дендритной структурой, достигает порога тела клетки, то, как мы уже говорили, образуется импульс. Механизм генерации этого импульса тот же, что и в аксоне.

Поскольку один конец аксона соединен с телом клетки, возбуждение тела клетки вызывает разряд и в аксоне. Иными словами, процесс возбуждения охватывает не только тело клетки, но и прилегающие к нему области. Только дендриты обладают свойствами, отличными от свойств тела клетки, поэтому они не возбуждаются. Итак, образование импульса в теле клетки передается аксону и импульс распространяется по аксону от тела клетки.

Заметим, что разряд возникает последовательно в различных точках вдоль аксона (рис.5), так что ИМПУЛЬС НЕ ОСЛАБЛЯЕТСЯ в противоположность тому, что имеет место в дендрите. Это позволяет посылать по аксону импульсы на большие расстояния, причем они не будут уменьшаться по амплитуде. Такой механизм передачи можно сравнить со способами модуляции на радиостанциях. Он служит средством эффективной передачи информации из одной точки в другую.


Рис.5. Распространение импульса. Области разряда и восстановления в аксоне двигаются по нему со скоростью 1-10м/сек. Аксон показан в три различных момента времени (Т1, Т2, Т3), чтобы продемонстрировать движение импульсов.

Импульсы, наблюдаемые в нервной системе и в мозге, существуют именно благодаря этому уникальному механизму передачи, свойственному аксонам. Но - и это очень важно иметь в виду - они не выполняют тех функций, которые характерны для импульсов в цифровой вычислительной машине. Мы должны заранее это обусловить, ибо иллюзия такого сходства в прошлом была источником целого ряда недоразумений. Многие физиологи, впервые обнаружившие эти импульсы во время экспериментов над нервной системой, пытались объяснить их наличие тем, что мозг якобы выполняет какой-то вид вычислений, как и в цифровой вычислительной машине. Им вторили и многие популяризаторы науки, утверждавшие, что цифровая вычислительная машина не что иное, как "гигантский мозг", поскольку и она и мозг генерируют импульсы.

В вычислительной машине каждый отдельный импульс значит гораздо больше, чем для мозга. По-видимому, в мозге передача информации зависит от того, сколько импульсов в секунду достигает определенного участка. Если в вычислительной машине затеряется хотя бы один импульс (скажем, из-за повреждения транзистора), то передаваемая информация будет очень сильно искажена, в то время как потеря единичного импульса в мозге, по всей вероятности, не имеет особого значения.

И последнее: когда импульс доходит до конца аксона, он расходится по корневой структуре и возбуждает синапсы, находящиеся в контакте с дендритными структурами других нейронов.

Итак, мы в основном рассмотрели вопрос о том, каким образом нейрон обрабатывает принятые им электрические сигналы. Вкратце он сводится к следующему. Сигналы в виде импульсов поступают к синапсам, где превращаются в меньшие по амплитуде, но более длительные импульсы, проходящие по дендритам к телу клетки. Когда общая сумма сигналов, дошедших до тела клетки, превышает критический порог, тело клетки генерирует импульс; затем этот импульс автоматически передается по аксону к корням, где он расходится, возбуждая при этом синапсы других нейронов, которые далее повторяют тот же цикл.

Вот и все, что пока нам следует знать о нейроне, за исключением, пожалуй, одного: не надо торопиться с выводами. То, о чем мы говорили выше, представляет собой известное обобщение (быть может, несколько однобокое из-за того, что автор книги по профессии - специалист по радиоэлектронике). Вполне возможно, что кое-кто из физиологов в противовес нам по-прежнему будет утверждать, что важен каждый отдельный импульс. Другие ученые также могут оспаривать отдельные положения книги, но ведь они точно так же спорят и между собой. С другой стороны, могут найтись люди, которые, рассматривая нейрон с позиций радиоэлектроники, способны приписать ему более сложную, чем это есть в действительности, роль в обработке информации.

Мы в своих описаниях исходили из концепции, которая кажется нам наиболее разумной, не пренебрегая, однако, тем, что, на наш взгляд, не очень убедительно, но получило широкую поддержку у других. Мы не всегда будем указывать на эти разграничения по ходу изложения. Так что не стоит искать ярлыков "истина", "предположение" или "фантастика" в конце каждого обсуждения.

Читатель вправе задать вопрос: какое отношение имеют все эти рассуждения к проблеме создания искусственного мозга?

Нельзя создать искусственный мозг из ничего, надо иметь какие-то его компоненты. Такие компоненты получили название, в частности, искусственных нейронов. Чтобы судить о том, сколь "искусственными" были достижения ученых в действительности, вернемся на время к истории развития искусственных нейронов. Вначале этой проблемой занимались лишь физиологи, психологи и другие ученые-естествоиспытатели. Так что уместнее прежде остановиться на некоторых их идеях.

Модели нейронов обычно бывают двух видов. При создании одного из них для описания действия нейрона прибегают к математическим уравнениям - как к очень простым, так и в высшей степени сложным. Примером первых могут служить логические уравнения (аналогичные выражениям булевой алгебры, используемым для описания работы схем вычислительных машин). Обоснованность такого подхода весьма сомнительна; на наш взгляд, он вводит исследователей в заблуждение. В более хитроумных математических трактовках для обоснования поведения аксона пользуются системами нелинейных дифференциальных уравнений в частных производных. При этом получают более близкую к действительности модель, но ода слишком сложна, и поэтому мы не будем ее рассматривать в этой книге.

Для создания второго, более интересного вида моделей используют физические приборы, специально построенные для моделирования поведения нейрона или его частей. Их можно разбить на две группы: приборы, моделирующие тело клетки и ее дендритную структуру, и приборы, моделирующие аксон и его способность передавать сигналы.

К одной из первых моделей аксона принадлежит модель Р.С.Лилли, описанная еще в 1935 году. Если кусок очень тонкой железной проволоки погрузить в сосуд с азотной кислотой, то проволока покроется пленкой, или оболочкой. Если затем поскрести эту проволоку более твердым металлом, можно увидеть, как в обе стороны от царапины будут распространяться пузырьки. Это явление можно уподобить распространению электрического импульса по аксону.

Но, поскольку те характеристики нейрона, которые мы хотим промоделировать, имеют электрическую природу, вполне естественно, что больший интерес представляют электронные схемы, ведущие себя подобно нейрону. В одном из первых опытов, проведенных им в начале 50-х годов, Грей Уолтер, чтобы имитировать аксон, связал специальные компоненты друг с другом в цепочку. Цепочка состояла из маленьких неоновых лампочек, резисторов, конденсаторов и батареек, соединенных, как показано на рис.6. Прикладывая напряжение к одной из неоновых лампочек, ее можно было "зажечь" (то есть заставить светиться). Это в свою очередь вызывало протекание тока к смежным элементам, в результате чего соседние неоновые лампочки также начинали светиться. Действие, состоящее в загорании лампочки, распространялось, таким образом, вдоль всей цепи. Если к схеме подключали осциллограф, можно было обнаружить импульс, распространяющийся по этой цепочке точно так же, как он распространяется по аксону.


Рис.6. Модель аксона Грея Уолтера. Соединив элементы таким образом, Уолтер одним из первых имитировал поведение аксона с помощью искусственного "нерва".

Уолтеровская имитация аксона была весьма грубой (и ненадежной в работе). В последние годы появились более хитроумные модели, получившие название НЕЙРИСТОРОВ. Однако в свое время схема Уолтера была значительным достижением. Позднее мы подробно остановимся на принципе действия нейристоров, но прежде обсудим те модели, в которых сделана попытка имитировать поведение синапсов, дендритов и тела клетки.

К числу первых таких моделей относится модель Л.Д.Хармона (фирма "Белл"). Хармон создал несколько различных схем с целью собрать из них простейшую экспериментальную "нервную систему", позволяющую установить, каким образом совокупности нейронов объединяются для обработки сигналов. Схемы строились на транзисторах, диодах, резисторах и конденсаторах; каждая из них имела несколько входных и только одну выходную клемму (рис.7). Большое число входов соответствовало количеству входных синаптических точек на дендритной части нейрона, а единственный выход - той точке, в которой аксон соединяется с телом клетки. Таким образом, на несколько входов можно было одновременно подавать последовательности входных импульсов, в то время как на выходном конце появлялась другая последовательность. Для имитации свойства нейрона, о котором мы еще не упоминали, многочисленные входы подразделялись на ВОЗБУЖДАЮЩИЕ и ЗАПРЕЩАЮЩИЕ (тормозящие).


Рис.7. Схема нейрона Хармона. Одна из первых электронных схем, построенных для того, чтобы показать, каким образом тело клетки в нейроне обрабатывает нервные импульсы.

Выше мы говорили, что, по мере того как увеличивается частота импульсов, приходящих к нейрону, возрастает и частота импульсов на выходе. Но в действительности это не всегда так. Иногда при увеличении частоты входных импульсов частота выходных импульсов УМЕНЬШАЕТСЯ. Физиологи еще не могут объяснить это явление, но в ходе эксперимента его наблюдали.

Учитывая это обстоятельство, Хармон смонтировал свою схему таким образом, чтобы иметь возможность имитировать оба эффекта. Входы, которые обусловливали увеличение частоты выходных импульсов, он назвал возбуждающими, а входы, которые обусловливали уменьшение частоты,- запрещающими (тормозящими).

Каждый из входных контактов в схеме Хармона соединен с остальной схемой посредством резистора. Во время работы экспериментатор может в той или иной степени изменять номиналы составных частей схемы - и все же она будет работать. Такого рода изменения позволяют моделировать электрические эффекты, вызванные различной длиной путей, по которым проходит сигнал в своих путешествиях по дендриту от синапса к телу клетки. Ранее мы отмечали, что амплитуда импульсов, идущих от синапсов, по мере прохождения по дендриту уменьшается.

Необходимо отметить, что схема Хармона имитирует лишь одну из двух основных функций нейрона: ее реакция на принимаемые сигналы зависит от силы (частоты) входных сигналов. Что же касается схемы Уолтера, то она моделирует механизм передачи, используемый аксоном для распространения импульсов.

Схема Хармона - относительно простая модель структуры синапса, дендрита и тела клетки. В целях экономии Хармон моделировал только то, что представлялось ему наиболее важным в поведении нейрона.

Можно построить (и это было сделано) более сложные схемы, имитирующие нейрон. Если в схеме Хармона, не считая резисторов, имитирующих дендритные пути, насчитывалось тринадцать резисторов, два конденсатора, два диода и пять транзисторов, то в более сложной схеме, разработанной К.Кюпфмюллером и Ф.Джеником, было уже семьдесят один резистор, двадцать два конденсатора, три диода и восемнадцать транзисторов. Такая схема влетит в копеечку!

Невольно возникает вопрос: можно ли утверждать, что такие совершенно различные схемы моделируют один и тот же нейрон? Скажем прямо: все зависит от того, какую цель преследует разработчик и какое свойство нейрона его интересует. Вопрос этот не так прост. Многое зависит от опыта и квалификации исследователя.Но читателю важно помнить, что существуют различные подходы.

Возьмем, к примеру, физиолога, не имеющего соответствующей подготовки или опыта в области электроники. Если он посмотрит на осциллограф, показывающий импульс потенциала действия, и увидит, что в действительности форма этого импульса, не идеально прямоугольна, а несколько искажена, то, строя схему для моделирования такого импульса, он будет стараться скопировать мельчайшие извивы, которые увидел на экране осциллографа. Если же кто-либо покажет ему модель, образующую импульс, не во всем идентичный реальному нервному импульсу, он эту модель отвергнет. И одна из причин его отказа заключается в том, что он не знает точно, каков механизм нейрона, и потому беспокоится, что, упустив крошечный извив, может потерять важную подробность.

Напротив, специалист по электронике, имеющий опыт в обработке электронных сигналов, знает, что именно важно при такой обработке. Он уверен также, что может определить, какие извивы представляют собой всего лишь ложные побочные эффекты от специфических колебаний, связанных со свойствами использованных им для построения схемы компонентов. Так что, если в модели и не хватает какого-то извива, инженер без труда решает, нужен ему этот извив или нет.

Таким образом, мы располагаем множеством моделей нейрона и минимумом аргументов, поскольку инженер и не старается уверить физиолога, что его модель наилучшая. Он-то убежден, что она не хуже, а, возможно, лучше, чем модель физиолога, но в интересах мирного сосуществования пытается создать впечатление, будто его дело - лишь построить прибор, а не объяснять принцип действия нервной системы.

Большинство описанных моделей, несмотря на различие их характеристик, имеет гораздо большее сходство с реальным нейроном, чем модели исследователей, придерживающихся противоположных взглядов. С этим типом нейрона мы можем познакомиться на примере А-ячейки, предложенной Ф.Розенблаттом (Корнелльская лаборатория аэронавтики) (рис.8 ).


Рис.8. А-ячейка, основной "нейрон", используемый в персептроне (машине, которая была обучена распознавать буквы алфавита).

У А-ячейки много входных контактов, аналогичных синапсам нейрона. Каждый вход, в отличие от нейрона, возбуждается не последовательностью импульсов, а единичным импульсом. Не все входы обязаны возбуждаться в одно и то же время. Кроме того, входной импульс в отличие от импульса, принимаемого нейроном, может быть либо положительным, либо отрицательным. Та часть А-ячейки, которая соответствует телу клетки, производит алгебраическое сложение импульсов со всех входов.

Это делается следующим образом. Положительному импульсу присваивается численное значение +1, отрицательному импульсу - значение -1; отсутствие импульса рассматривается как 0. Предположим, что у ячейки десять входов. Если на трех из них будут положительные импульсы, на пяти - отрицательные, а на оставшихся двух импульсов не будет, то сумма равна: 3-5+0=-2.

Но у А-ячейки имеется также порог, величина которого равна некоторому заданному числу. Если алгебраическая сумма входных импульсов превышает величину порога, то А-ячейка вырабатывает выходной сигнал величиной +1. Если же сумма меньше порогового значения, на выходе А-ячейки будет нуль.

Как построены схемы А-ячейки, чтобы она вела себя именно таким образом, не имеет большого значения, важно, что она делает это. Что же касается вопроса, почему она так построена, то подробнее на этом мы остановимся в гл.5, поскольку А-ячейка - основной нейрон в искусственной нервной системе, называемой "обучающейся машиной". Такие машины, персептроны, были "обучены" распознавать буквы алфавита. Описанные выше свойства А-ячейки мы используем в гл.5, когда будем рассматривать, как эти машины "преуспели" в распознавании букв.

Существует и другой упрощенный "нейрон", представляющий для нас интерес. Он называется АДАЛИН (ADALINE); это имя выведено из начальных букв слов АДАптивный [То есть самоприспосабливающийся.- Прим. перев.] ЛИнейный Нейрон (ADAptive Linear NEuron) (рис.9). Множество таких ячеек было смонтировано в машину, названную МАДАЛИН,- название естественное, ибо машина содержит Много (Many) АДАЛИНов! Эта машина, описание которой также приводится ниже, была "обучена" распознавать речь, предсказывать погоду и балансировать метлой. Мы не знаем, велик ли спрос на машины, умеющие балансировать метлой, но чего только не бывает!


Рис.9. АДАЛИН. Этот основной "нейрон" был использован в машине, обученной балансировать метлой, распознавать речь и выполнять ряд других задач.

Подобно А-ячейке, каждый АДАЛИН может принимать на каждый из своих входов либо сигнал +1, либо сигнал -1. Но он никогда не воспринимает нулевой сигнал на входе. Как и в ячейке Хармона, в каждой входной цепи АДАЛИНа имеется резистор. Все входные цепи соединены в схему, которая подсчитывает итоговую сумму сигналов, принятых с входов через эти резисторы. "Цена" сигнала от каждого входа, приходящая к суммирующей точке, зависит от номинала резистора, присоединенного к данному входу, и не равна точно +1 или -1. Номиналы резисторов могут быть изменены оператором, работающим с АДАЛИНом, в течение каждого "урока". В этом и заключается метод, с помощью которого происходит "обучение" нейрона.

В АДАЛИНе цены всех поступивших сигналов алгебраически складываются и сравниваются с величиной порога. Если суммарный входной сигнал превышает порог, на выходе нейрона будет +1. Если же сумма меньше порога или равна ему, то на выходе будет -1.

Вот пока и все, что следует сказать об АДАЛИНе.

Существует немало других подобных "нейронов", используемых во множестве "обучающихся машин", которые сейчас усиленно разрабатываются, но мы ограничимся этими двумя как наиболее типичными из всего семейства.

Теперь вернемся на время к нейрону Хармона. Эта схема принимает входные и выдает выходные последовательности импульсов. Но, как мы уже отмечали, назначение таких импульсных последовательностей состоит только в том, чтобы обеспечить эффективный способ передачи информации по аксону. Следует заметить, что вопрос о том, используется ли всего один или множество импульсов, оказывается решающим лишь в том случае, когда мы имеем дело с очень маленькими нейронами - такими, как в нервной системе живого организма.

Если не считать эстетического удовлетворения, получаемого от созерцания последовательностей импульсов наподобие тех, которые наблюдаются у реальных нейронов, инженеру, как правило, нет нужды применять нейрон, в котором вообще используются какие бы то ни было импульсы. Более того, гораздо удобнее вообще обойтись без них.

Это связано с тем, что информация, получаемая нейроном, представляет собой частоту следования импульсов. Поэтому нетрудно выразить ее через некоторый уровень напряжения. Аналогично частота выходной последовательности импульсов у нейрона также может быть выражена определенным уровнем напряжения. В таком случае нулевое значение входного напряжения соответствует отсутствию импульсов на входе нейрона. При увеличении напряжения получаем эквивалент последовательностей импульсов со все возрастающей частотой. Точно так же высокое напряжение на выходе соответствует высокой частоте повторения импульсов.

Такие безымпульсные нейроны изучались несколькими группами исследователей. В фирме "Рэйдио корпорейшн оф Америка" (РКА) были созданы искусственные нервные системы, в которых использовались как импульсные нейроны, так и их безымпульсные модификации; в большинстве работ применялись последние. Сама схема представляет собой всего лищь усилитель, обладающий способностью возбуждать нейрон. Сходный безымпульсный нейрон использовался и в экспериментах Лаборатории морской артиллерии США. Нейрон фирмы РКА нашел применение в искусственных нервных системах, разработанных для исследований по распознаванию речи. Подробнее об этом мы будем говорить в гл.7.

Существует множество разновидностей моделей искусственных нейронов.

Ну, а теперь, чтобы связать работу отдельных нейронов с машинами, в которых они используются, обратимся к понятию о нейристоре, о котором мы упоминали в начале этой главы.

ГЛАВА ЧЕТВЕРТАЯ. ПОНЯТИЕ О НЕЙРИСТОРЕ

Одним из наиболее значительных достижений в электронике за последние годы была тенденция к миниатюризации электронных схем. Инженеры старались разместить в заданном объеме как можно большее количество схем - тем самым они добивались того, что электронное оборудование усложнялось, в то время как занимаемое им пространство не изменялось. Это в свою очередь привело к развитию все более хитроумных схем.

В середине 50-х годов типовая логическая схема, применяемая в наиболее усовершенствованных цифровых вычислительных машинах, представляла собой набор резисторов, конденсаторов, диодов и транзисторов, смонтированных на печатной плате размером около 7.5*13 сантиметров. Транзистор в этих схемах по размеру не превышал крупной таблетки аспирина.

Коренные изменения в методах производства вскоре позволили изготавливать транзисторы и диоды значительно меньших размеров - они настолько малы, что целая плата (та самая, которая имела размеры 7.5x13 сантиметров) по объему стала почти такой, каким некогда был один-единственный транзистор. Вся схема целиком теперь изготавливается на маленькой кремниевой пластинке и упаковывается в оболочку, подобную той, которая в прежних схемах вмещала только транзистор. В наши дни появилась возможность разместить более чем миллион электронных деталей в объеме 0.028 кубического метра. Техника, позволяющая это осуществить, называется микроэлектроникой.

Микроэлектроника способствовала применению цифровых вычислительных машин во многих областях электроники и одновременно стимулировала проведение работ, направленных на создание искусственного разума и синтетической нервной системы. Раньше ученым казалось, что для "конкуренции" с мозгом - если только мы вообще когда-нибудь достигнем этого - нам потребуется огромное количество схем. Достижения микроэлектроники, по всей видимости, способствуют получению схем в более приемлемом для этой цели объеме. Но нам далеко до достижения плотности упаковки нервных клеток в мозге. Там, где микроэлектроника может достичь плотности в 1000000 деталей на 0.028 кубического метра, мозг может разместить 100000000000 нервных клеток. Таким образом, микроэлектронике предстоит еще проделать долгий путь, прежде тем она сможет соперничать с нервной системой.

В конце 1959 года Г.Д.Крейн из Стэнфордского научно-исследовательского института попытался установить, какие факторы препятствовали бы специалистам по микроэлектронике в достижении этих целей, где столкнулись бы они с трудностями, если бы постарались еще больше уменьшить размеры своих схем.

Как известно, схема - совокупность деталей, соединенных между собой проводниками. Поэтому уменьшение размеров деталей неизбежно связано с соответствующим уменьшением проводников. Но по мере уменьшения диаметра проводников последние начинают ограничивать текущий через них ток, поскольку их сопротивление увеличивается. Таким образом, если бы даже удалось уменьшить размеры деталей и проводников по сравнению с существующими в настоящее время, проводники стали бы узким местом схемы, ибо сигналы не смогли бы проходить между различными ее участками.

Задача Крейна как раз и заключалась в том, чтобы справиться с этой потенциальной проблемой, хотя сами специалисты еще не пытались достичь такой степени миниатюризации. Но было ясно, что в конце концов они к этому придут, и Крейн хотел облегчить им задачу.

В ходе поисков он пришел к выводу, что нервная система решила эту проблему, применив для передвижения импульса внутри себя нечто вроде "активного" проводника. Таким проводником у нейрона является аксон, описанный в гл.3. Поэтому Крейн начал присматриваться к аксону, но уже с позиций инженера по радиоэлектронике. Он не задумывался над тем, каким образом можно было построить аксон, а сосредоточил свое внимание на общих его чертах и возможных аналогиях аксона в электронных схемах.

Итак, известно, что аксон передает электрический импульс по всей своей длине. Бикфордов шнур, вроде того, который имеется на конце шутихи, проводит по себе "импульс" пламени. Но аксон можно использовать неоднократно, в то время как бикфордов шнур используют лишь один раз. Так что его сходство с аксоном ограничивается только способностью распространять возмущение.

Мы можем охарактеризовать это возмущение более обобщенным термином - РАЗРЯД. Разряд в бикфордовом шнуре - это пламя, разряд в аксоне - импульс напряжения.

Если взглянуть на аксон в тот момент, когда он проводит единичный импульс, можно обнаружить три различных участка. В одном из них внутренний потенциал (напряжение) положителен по отношению к внешней среде. Это так называемое "место действия импульса". Предположим, что оно передвигается вправо, и посмотрим, что происходит с аксоном (см. рис.3 и 4). Левая часть аксона старается возвратиться в свое первоначальное состояние, поскольку импульс только что миновал этот участок. Здесь внутри аксона содержится больше ионов натрия (Na+), чем обычно, а в окружающей среде - больше ионов калия (К+ ); это обусловлено спецификой действия мембраны во время прохождения импульса (разряда). Поскольку упомянутое распределение натрия и калия выходит за рамки нормы, ионы стараются вернуться на свои прежние места. Поэтому принято говорить, что в этом участке аксон испытывает ВОССТАНОВЛЕНИЕ (физиологи иногда называют его участком НЕВОЗБУДИМОСТИ).

Справа от импульса наблюдаются нормальные концентрации натрия и калия, поэтому можно сказать, что аксон в этом районе ЗАРЯЖЕН (физиологи называют это состояние "покоем").

Итак, три фазы распространения импульса по аксону можно выразить более общими понятиями, как участки заряда, разряда и восстановления. В момент продвижения по аксону местоположение самого импульса соответствует участку разряда. Участок непосредственно перед ним заряжен, а там, где импульс только что прошел, происходит восстановление. В свою очередь участок восстановления вновь становится заряженным, и таким образом следующий импульс имеет возможность пройти через эту точку.

Важно помнить, что на участке, где в данный момент происходит восстановление, не может иметь места разряд. Поясним это следующей аналогией.

Предположим, перед нами лес, в котором бушует пожар. Район, охваченный пламенем, претерпевает состояние разряда. Район, до которого пламя еще не добралось, заряжен, а выгоревший район находится в стадии восстановления. Там уже нельзя поддерживать пламя (разряд), ибо нечему гореть. Но в конце концов процесс восстановления закончится (т.е. вырастут новые деревья) и путем нового воспламенения можно будет начать следующий разряд.

Или возьмем другой пример. Рассмотрим корабль как импульс, а его кильватерную струю - как район восстановления, причем этот район обладает удивительной особенностью: если в кильватерную струю попадет другой корабль, то он потонет.

Что происходит, когда два импульса движутся навстречу друг другу с противоположных концов аксона? В точке столкновения оба они исчезнут, так как один из них попадет в район восстановления другого. Поэтому, если вы хотите помешать импульсу достичь конца аксона, пошлите навстречу ему другой, с тем чтобы оба импульса столкнулись (рис.10).


Рис.10. Столкновение импульсов нейристора. Так как области разряда у двух сталкивающихся импульсов нейристора попадают в области восстановления этих же импульсов, оба импульса в точке столкновения исчезают. Стрелкой внизу обозначена точка исчезновения импульсов.

Именно таким способом останавливают лесные пожары: поджигают второй огненный фронт, и он начинает двигаться навстречу тому, который хотят остановить. В месте встречи огонь гаснет.

Рассмотрев аксон в свете этих общих категорий, Крейн пришел к выводу, что можно создать множество разнообразных аксонов путем использования подходящих комбинаций материалов, с тем чтобы обеспечить распространение разряда того типа, который соответствовал бы выбранным материалам.

С этой целью он предложил новый класс электронных компонентов, названный им НЕЙРИСТОРАМИ. По его представлению, это подобные проводникам структуры, по которым импульс мог бы распространяться так же, как по аксону. Но Крейн не остановился на этом. Его заинтересовала возможность применения таких проводников для электронной обработки сигналов. Вскоре он понял, что может построить электронные цепи, используя один лишь компонент - нейристор - вместо комбинаций из резисторов, конденсаторов, диодов и транзисторов. Короче говоря, нейристор должен представлять собой качественно новый тип компонента, особенно подходящий для сверхминиатюрной электроники.

Чтобы осуществить обработку сигналов, нейристоры необходимо соединить каким-то особым образом. Крейн предположил, что это можно сделать с помощью двух типов пересечений, которые он назвал триггерными, или активными (А) переходами и невозбудимыми переходами, или переходами восстановления (В-переходами). Эти переходы требовалось сконструировать следующим образом.

Предположим, что у нас имеются три нейристора (три линии), соединенных в какой-то точке в А-переход (рис.11,а). Этот переход будет функционировать таким образом, что импульс, посланный по одной линии, автоматически потечет по всем остальным линиям, как только достигнет точки перехода. Следовательно, применяя А-переходы в пересечениях, можно пересылать импульсы из одной нейристорной линии в другую.


Рис.11. Нейристорные переходы. "Проводники" нейристора могут быть соединены друг с другом с помощью любого из двух основных методов создания переходов: активного, или А-перехода (а), и перехода восстановления, В-перехода (б).

Второй тип перехода (рис.11,б), предложенный Крейном, основан на способности двух сталкивающихся импульсов к взаимному уничтожению. По замыслу исследователя В-переход должен представлять собой пересечение двух линий, причем импульс с одной линии нельзя передать на другую, в то время как эффект невозбудимости - можно. Таким образом импульс, проходящий В-переход по одному из нейристоров, временно выводит из строя другой нейристор, и поэтому импульс, пытающийся пройти по последнему, достигнув перехода, затухнет, ЕСЛИ ТОЛЬКО ОН ПРИБУДЕТ СЛИШКОМ СКОРО после прохождения импульса по первой линии.

Итак, перед нами новый тип компонента электронной схемы и методы взаимного соединения этих необычных "проводников". Какое применение можно им найти, если предположить, что имеются три нейристора, которые можно было бы соединить друг с другом предложенным способом?

Прежде всего - построить цифровую вычислительную машину. Цифровая вычислительная машина - это практически совокупность переключателей, управляющих потоком электрических сигналов внутри себя. Следовательно, если мы сумеем доказать, что возможны переключатели с использованием нейристоров, мы по существу докажем, что можно построить и вычислительную машину. Не удивительно, что Крейн прежде всего намеревался заняться нейристорным переключателем. Рассмотрим и мы эту проблему.

Попробуем разобраться, что происходит при соединении нейристоров различными способами. Возьмем сначала В-переход (область Г), соединенный с нейристором так, как показано на рис.12,а. (Нейристоры изображены в виде линий, а переходы - как было показано на рис.11,б.).


Рис.12. Временные эффекты. Если два импульса поступают на В-переход почти одновременно, тот из них, который придет первым, уничтожит второй. Если в точку В подавать импульсы достаточно часто, то можно прекратить всякую передачу импульсов между точками А и Б, как если бы там был разомкнутый переключатель.

Предположим, что А - исходная точка импульса. Он будет автоматически двигаться к точке Б и в конце концов достигнет ее благодаря способности нейристора проводить импульс. После того как нейристор восстановится, к точке А можно подвести следующий импульс, который в свою очередь будет двигаться к точке Б. Как вы, очевидно, помните, импульс можно уподобить фронту пламени лесного пожара, а восстановление - росту молодых деревьев.

Поскольку нейристор требует какого-то времени для восстановления, в точке А существует верхний предел частоты посылок импульсов в линию. Если мы попытаемся послать импульс слишком скоро, он не распространится, так как линия еще не восстановилась после прохождения предыдущего импульса.

Посмотрим, что произойдет, если вместо точки А пустить импульс в точку В. Импульс пробежит весь путь до перехода - и все. Он не перейдет на линию между точками А и Б. Передать импульс между двумя линиями, соединенными В-переходом, невозможно. Но энергетический источник при В-переходе поделен между этими двумя линиями таким образом, что, как только от точки В приходит импульс, линия А-Б в области перехода временно отключается. Поэтому область, обозначенная на рис.12 буквой Г, не пропустит импульс дальше, если этот импульс следует тотчас после того, как импульс от точки В достиг перехода. Это явление аналогично тому, как если бы фронт пламени, следующий от точки В, послужил причиной увлажнения линии А-Б в районе точки Г. Пока этот участок не просохнет, никакое пламя не сможет через него пройти.

Теперь представим себе, что от точки А к точке Б идет последовательность импульсов. Что произойдет, если мы начнем в это же время подавать импульсы и в точку В?

Это зависит от того, какой импульс первым достигнет В-перехода - импульс от точки А или от точки В. Если первым будет импульс от точки А (рис.12,б), то импульс от точки В исчезнет, дойдя до перехода, поскольку эффект "увлажнения" может действовать в обоих направлениях. А между тем импульс от точки А пройдет к точке Б.

Но если первым будет импульс от точки В, как показано на рис.12,в, то импульс от точки А затухнет и не дойдет до точки Б. Образно говоря, если вы, сидя в точке Б, ждете, что все импульсы из данной последовательности придут к вам, то ваше ожидание будет напрасным: один из них будет пропущен - тот самый, который достиг участка Г позже импульса В.

Если вы хотите преградить путь всем импульсам, идущим от точки А, вам следует посылать импульсы из точки В, рассчитанные по времени так, чтобы они приходили к В-переходу достаточно часто и поддерживали участок Г в "увлажненном" состоянии (т.е. в состоянии непрерывного восстановления). Тогда ни один импульс не дойдет до точки Б. Если участку Г необходимо три секунды, чтобы восстановиться ("высохнуть"), то импульсы к точке В надо подавать каждые три секунды.

Подведем итог сказанному. Когда в точку В вовсе не поступают импульсы, то импульсы от точки А к Б могут проходить свободно; в сущности, они могут с таким же успехом идти и в обратном направлении. Короче говоря, между точками А и Б имеется соединение. Но, когда мы посылаем в точку В импульсы достаточно часто для того, чтобы удерживать участок Г в состоянии восстановления, ни один из импульсов от точки А не достигнет точки Б. Аналогично импульсы от точки Б не дойдут до точки А. Следовательно, приложение импульсов к точке В по существу разрывает электрическое соединение между точками А и Б. Таким образом, точки А и Б как бы являются выводами переключателя. Мы можем управлять переключателем, подавая импульсы в точку В.

Однако такой переключатель удовлетворяет не всем нашим требованиям. В частности, мы должны непрерывно подавать импульсы в точку В, а это равносильно тому, как если бы в нашем распоряжении имелся механический переключатель с пружиной, которая держала бы его в замкнутом состоянии. При всем желании разомкнуть его вручную мы все равно добьемся немногого: стоит нам убрать руку, как пружина вернет его в замкнутое состояние. Разумеется, нам хотелось бы избавиться от пружины, другими словами, подавать лишь один импульс на вывод В и иметь переключатель в разомкнутом состоянии до тех пор, пока мы не подадим следующий импульс.

Для этого необходимо преобразовать единичный импульс в серию импульсов.

Взгляните на рис.13,а. Здесь изображен нейристор, оба конца которого соединены друг с другом, т.е. связаны в кольцо; он соединен с другим неиристором посредством А-перехода (последний расположен на рисунке в точке, соответствующей 9 часам на циферблате часов). Что произойдет, когда мы пошлем импульс по направлению к кольцу? Он войдет в кольцо в 9-часовой точке, и вследствие особенности А-перехода от этой точки по кольцу пойдут два импульса. Но в 3-часовой точке они столкнутся друг с другом и исчезнут.


Рис.13. Запоминающее кольцо. Если послать импульс через А-переход в нейристор, выполненный в виде кольца (а), от перехода пойдут уже два импульса, которые и уничтожат друг друга. Но если послать импульс через комбинацию из В-и А-переходов (б), то по кольцу пойдет лишь один импульс. Он будет циркулировать неограниченно долго, так что если мы добавим А-переход в точку 3 (в), то при каждом полном обороте будет возникать еще один импульс.

Предположим, что для посылки импульсов в кольцо мы используем несколько измененное устройство (рис. 13,б). Входной импульс, прежде чем войти в кольцо через А-переход в точке 2, проходит по В-переходу между точками 1 и 2. Тогда импульс, выходящий из А-перехода, пойдет против часовой стрелки, а импульс, который стремится двигаться по часовой стрелке, исчезнет, поскольку входной импульс только что перевел часть кольца между точками 1 и 2 в состояние восстановления. Поэтому импульс, движущийся против часовой стрелки, не столкнется с другим импульсом, но будет продолжать беспрепятственно циркулировать по кольцу. (Мы предполагаем, что диаметр кольца достаточно велик, а импульс движется довольно медленно - в противном случае он наскочит на собственный след, т.е. попадет в район восстановления).

Теперь используем А-переход для присоединения к кольцу еще одной линии в точке 3 (рис.13,в). Всякий раз, когда циркулирующий импульс будет проходить мимо А-перехода, последний будет выдавать импульс на эту линию. Следовательно, единичный импульс, приложенный к входному нейристору, в свою очередь вызовет серию импульсов, в неограниченном количестве идущих из выходного нейристора. Единственный способ приостановить этот процесс - прекратить циркуляцию в кольце. А мы уже знаем, как останавливать движение в линии с помощью В-перехода. Присоединим для этого к кольцу еще один нейристор (рис.14). Приложение импульса к точке В остановит циркуляцию импульса по кольцу и тем самым положит конец непрерывному следованию импульсов из кольца в точке 3.


Рис.14. Управляемый переключатель. Комбинация структур, показанных на рис.12 и 13, еще с одной дает базовый элемент, на основе которого можно построить цифровую вычислительную машину.

Если объединить последнюю схему со схемой, изображенной на рис.12, получится управляемый переключатель (см. рис.14) - основной компонент цифровых вычислительных машин. Этот переключатель с выводами в точках А и Б обычно замкнут, т.е. импульсы могут проходить между этими двумя точками. Импульс, поданный на точку Г, вызывает циркуляцию импульсов по кольцу и тем самым выводит из строя линию А-Б. Таким образом, переключатель будет разомкнут. Чтобы снова замкнуть его, необходимо подать импульс в точку В. Это остановит циркуляцию импульса по кольцу и, следовательно, прекратит поток импульсов в район невозбудимости между точками А и Б. Теперь переключатель снова будет находиться в своем нормальном замкнутом состоянии.

Обратите внимание на дополнительные переходы на пути от точки В. С их помощью единичный импульс преобразуется в два импульса и на В-переход кольца придут уже два импульса. Это делается для того, чтобы гарантировать уничтожение импульса в кольце. Дело в том, что, если подать на кольцо лишь один импульс, он может прийти после того, как циркулирующий импульс минует переход - слишком поздно, чтобы прекращать циркуляцию.

Посылая по два останавливающих импульса, мы уже не сомневаемся в том, что один из них обязательно придет вовремя и остановит циркулирующий импульс.

Все, о чем мы рассказывали выше, должно дать читателю представление о замыслах Крейна в отношении нейристоров. Он высказал также мысль о том, что, может быть, эти нейристорные механизмы и используются в нервной системе как средство обработки сигналов с помощью аксонной части нейрона. Но, как мы уже отмечали, физиологи могут и не согласиться с таким предположением. Так что будем рассматривать его лишь как гипотезу.

Недостаток этого и других предложений, касающихся нейристоров, заключается в том, что до сих пор никому не удалось создать нейристор, который можно было бы с полным правом назвать удовлетворительным. Придется ограничиться рассмотрением паллиативов.

Приборы, созданные Г.Уолтером и Р.С.Лилли (о которых мы говорили в гл.3), в какой-то степени можно отнести к нейристорам, хотя они и не были задуманы в качестве таковых. Устройство Лилли, возможно, пока ближе других к реализации идеального типа крейновского нейристора, подобного проводнику, но оно неудобно. Что же касается прибора Уолтера, то он слишком сложен и по этой причине интереса не представляет.

Почти все современные варианты схем такого типа были разработаны специально для построения нейристора, за исключением одного. И.Нагумо из Токийского университета, стремясь создать схему цепного типа для имитации аксона, работал с новейшими полупроводниковыми элементами. Схема была готова году в 1960, но без учета работ Крейиа в этой области. Когда Нагумо узнал, чем занимается Крейн, он использовал смоделированные им аксоны для получения нейристорных схем, похожих на только что описанные кольцевые структуры.

Сам Крейн построил длинные цепи из реле, соединенных таким образом, чтобы они действовали как нейристор. И хотя это устройство не предназначалось для того, чтобы выступать в качестве нейристора, оно применялось для изучения различных аспектов поведения нейристора. Тщательно выполненными экспериментами Крейну удалось подтвердить многие свои предсказания относительно нейристора.

Но польза от подобных схем небольшая - в основном только на тот период, который требуется для того, чтобы ознакомиться с нейристором и с принципом его действия. Не удивительно, что вслед за неиристорами исследователи сосредоточили свое внимание на устройствах, имеющих желанную, максимально подобную нити форму. Однако вместо того, чтобы достичь этой цели прямым путем, они встали на путь эволюции. Замысел их состоял в том, чтобы применить микроэлектронную технологию в первую очередь для создания схемных цепочек, выполненных из отдельных элементов. Все устройство должно было иметь нитевидное строение.

Это оказалось попыткой с негодными средствами. Дело в том, что, когда начинали сокращать размеры схемы, сводя ее к длинной линии, в которой составляющие элементы уже нельзя было отличить друг от друга, появлялись неожиданные электрические эффекты, сводящие на нет все усилия разработчиков.

Эксперименты эти частично проводились в Стэнфордском научно-исследовательском институте коллегами Крейна. В одной схеме они старались использовать принцип сверхпроводимости, в другой - полупроводниковый прибор, электрические свойства которого очень напоминают свойства неоновых ламп в применявшейся Уолтером модели аксона. Но при работе этого полупроводникового прибора, получившего название четырехслойного диода, не наблюдается вспышек. Отрезок нейристора этого типа приведен на рис.15.


Рис.15. Нейристор. Брусок кремния, обработанный соответствующим образом с помощью методов, которые применяются при производстве транзисторов, был установлен на электропроводящую основу. К нему были подсоединены резисторы, конденсаторы и батарея таким образом, как показано на рисунке. На основе нейристора этого типа было создано кольцо, аналогичное приведенному на рис.13,б, и по нему распространялись импульсы со скоростью, примерно в сто раз большей скорости их распространения по аксону.

В отличие от устройства, показанного на этом рисунке и имеющего форму буквы I, нейристор, созданный в Стэнфорде, был сконструирован в виде буквы Р. Такой кольцевидный кусочек кремния с "хвостиком" подвергался легированию. В результате он превращался в своеобразный сандвич с тремя слоями в виде буквы Р, каждый из которых имел несколько отличные от других свойства. Затем в верхний слой вплавляли ряд крошечных алюминиевых шариков; между ними и источниками питания (то есть батареями) подсоединяли резисторы и конденсаторы. Таким образом, в ножку буквы Р можно было послать электрический импульс; он входил туда, обегал по кругу и продолжал циркулировать почти так, как это требуется, чтобы получить кольцо, показанное на рис.13.

Но, к сожалению, только Р-образная часть этого нейристора приближалась к требуемой нитевидной конфигурации. Без объемных резисторов и конденсаторов нельзя было обойтись, и поэтому предложенное устройство сочли непригодным для практического использования.

Сходный с рассматриваемым нейристор был продемонстрирован Р.X.Мэттсоном в Миннесотском университете. Но и в нем применялись резисторы и конденсаторы.

В своих попытках осуществить конструирование наиболее подходящего нейристора некоторые инженеры использовали принцип другого полупроводникового прибора, так называемого туннельного диода. К их числу принадлежат исследователи из Стэнфорда, Дж.Нишизава и его сотрудники из Университета в Тохоку (Япония), А.С.Скотт из Висконсинского университета и автор этих строк (кргда он работал в Лаборатории прикладной физики Университета Джона Гопкинса). И хотя все исследователи, за исключением последнего, исходили из аналитических расчетов, их оценки значимости такого типа нейристора оказались неубедительными.

Попробуем взглянуть на туннельно-диодный вариант с количественной точки зрения, а для этого вернемся к аксону. Грубо говоря, удивительные свойства аксона можно отнести за счет способа взаимодействия ионов калия и натрия с его мембраной. В электрическом отношении поведение мембраны напоминает поведение компонента, который инженеры называют "отрицательным сопротивлением". Так вот, туннельный диод можно уподобить отрицательному сопротивлению.

Туннельные диоды, как правило, изготавливаются либо из германия, либо из арсенида галлия. В пластинку, сделанную из этих материалов, посредством легирования добавляют мельчайшие количества других материалов, благодаря чему германий или арсенид галлия превращаются в своего рода сандвич. Во внешних слоях такого сандвича имеются подвижные электрические частицы, аналогичные ионам калия и натрия в аксоне. Между слоями находится еще одна область, которая не содержит подвижных частиц и поэтому называется "обедненной областью" туннельного диода. Обедненную область в какой-то степени можно считать аналогичной мембране аксона.

Первые экспериментальные попытки оценить обоснованность туннельно-диодного подхода к построению нейристора, сделанные в Лаборатории прикладной физики, оказались неудачными. По-видимому, рассуждать о создании полупроводниковых приборов легче, чем создавать их, особенно если еще нет необходимого опыта, а вся технология - в какой-то мере технология "проб и ошибок", что объясняется сложной природой различных процессов. Еще одна попытка была предпринята несколько позже, когда автор этих строк перешел в Лабораторию морской артиллерии США. Однако на сей раз разрабатывать прибор поручили сотрудникам отдела электронных компонентов и приборов фирмы РКА. Будучи более искушенными в технологии туннельных диодов, они оказались удачливее сотрудников Лаборатории прикладной физики, но и для них проблема изготовления послужила камнем преткновения, поэтому у нас до сих пор нет должной оценки справедливости представления нейристора как туннельного диода.

И все же приборы, которые работают подобно нейристорам, были созданы (рис.16), но они пока довольно сложны, так что о претворении в жизнь замысла Крейна - создании,нитеобразной структуры- говорить еще рано. Тем не менее этот метод является достаточно перспективным, если только удастся справиться с технологическими проблемами.


Рис.16. Нейристор на туннельных переходах. Показанный прибор (упрощенный по сравнению с нейристором на рис.15) имеет обмотки, в действительности представляющие собой просто куски провода. Брусок выполнен из германия. Импульсы распространялись по нему в тысячу раз быстрее, чем по аксону.

Итак, никто еще не продемонстрировал нейристор для практических целей, и идеи Крейна по-прежнему остаются непретворенными. Но в один прекрасный день методы, основанные на применении нейристора, могут затмить все предложенные до настоящего времени методы создания искусственного разума. Время покажет.
***

До сих пор мы сосредотачивали свое внимание на различных попытках исследователей промоделировать поведение нейрона - основного компонента нервной системы. Признаться, это не лучшее из того, что сделано в области искусственного разума. Сами по себе эти сравнительно простые модели нейрона не позволяют достигнуть многого. Поэтому для нас важнее познакомиться со способами использования их совокупностей.

ГЛАВА ПЯТАЯ. МАШИНЫ, КОТОРЫЕ ОБУЧАЮТСЯ

Много лет назад, в 1903 году, один русский ученый проводил эксперименты с собакой, тарелкой пищи и звонком. В наши дни результаты его экспериментов оправдывают проведение так называемых "хитроумных исследований проблем искусственного разума", хотя находятся люди, которые квалифицируют эти исследования чуть ли не как "техническое шарлатанство". Мы имеем в виду все то, что относится к области "обучающихся" машин.

Ученым, о котором идет речь, был русский физиолог, лауреат Нобелевской премии И.П.Павлов. Именно он ввел понятие условного рефлекса, и многие достижения, связанные с совершенствованием "обучающихся" машин, основаны на этих экспериментах. Павлову удалось показать, что в ответ на вид или запах пищи собака точно так же выделяет слюну, как если бы пища и в самом деле находилась у нее в зубах. Более того, он доказал, что если провести надлежащую тренировку, слюноотделение можно вызвать и в ответ на явления, не имеющие отношения к еде.

В классическом опыте Павлова непосредственно перед тем, как собаке давали пищу, звенел звонок. Эту последовательность "звонок-пища" повторяли несколько раз; в конце концов звонок давали, а пищу - нет. Оказалось, что собака, как и прежде, выделяла слюну, в то время как до тренировки звук звонка не вызывал слюноотделения. Звонок и пища - два различных возбудителя, а выделение слюны - реакция нервной системы собаки на эти возбудители. Сначала такая реакция могла вызываться только пищей, но после тренировок она приобретала условный характер, т.е. вызывалась и в ответ на звонок.

Ученых привлекала перспектива моделирования условного рефлекса. К числу наиболее известных машин, построенных для этой цели, относится машина, сконструированная Г.Уолтером в начале 50-х годов (хотя такого рода модель предлагалась еще в 1913 году). Ему же принадлежит модель аксона, описанная в гл.3. Первое из устройств Уолтера представляло собой электромеханическую "черепаху", которая якобы воспроизводила поведение, свойственное живому организму. На самом деле это делал вторая из двух черепах, построенных Греем Уолтером, первая же (не способная к условным рефлексам) получила название М.speculatrix, по аналогии с классификацией биологических видов.

Остановимся на первой, не способной к условным рефлексам черепахе, поскольку она представляет исторический интерес как "робот". Будучи прототипом черепахи с условными рефлексами, она имела много сходных с ней особенностей. М.speculatrix представляла собой трехколесное устройство с двумя встроенными моторчиками. Один из них приводил в действие два задних колеса, чтобы обеспечить передвижение, а другой заставлял поворачиваться переднее колесо, чтобы по мере передвижения черепаха могла менять направление. У этой черепахи имелось также два органа "чувств". Один из них представлял собой фотоэлемент, который всегда был направлен в ту же сторону, что и рулевое колесо, а вторым был окружающий устройство бампер, который при нажатии приводил в действие переключатель. Таким образом, черепаха Уолтера "видела" и "осязала". У нее имелись также некоторые электронные устройства "мозга". Они управляли скоростями обоих двигателей - в зависимости от сигналов, принятых "органами чувств".

Идея эксперимента заключалась в следующем. Испытуемое устройство помещали на дно большого ящика, где на одной из стенок находился небольшой источник света. Побуждаемая особенностями конструкции своего "мозга", черепаха должна была искать и обнаружить свет, после чего направиться к нему. Этого от нее удалось добиться, поскольку были выполнены следующие условия.

Когда фотоэлемент не улавливал света, рулевой моторчик заставлял переднее колесо поворачиваться, а приводной моторчик двигал черепаху на половинной скорости. Таким образом, если в ящике было темно, это подобное живому существу создание двигалось кругами - что вполне естественно. Мозг черепахи устроен так, что стоило фотоэлементу уловить умеренный свет, как рулевой моторчик останавливался, а приводной моторчик начинал работать на полной скорости и черепаха быстро устремлялась к источнику света. При очень ярком свете М.speculatrix продолжала двигаться на полной скорости, но руление происходило медленнее обычного. Уолтер назвал этот феномен "ослеплением".

Каким образом удавалось черепахе отыскивать дорогу среди препятствий, расставленных на ее пути? Прежде всего она ударялась о них. После этого бампер приводил в действие переключатель, что в свою очередь заставляло мозг генерировать колебания, и черепаха начинала вести себя так, как если бы она попадала попеременно то в темноту, то на очень яркий свет (на этот период фотоэлемент отключался от мозга). Короче говоря, существо сначала быстро поворачивало руль, двигаясь при этом медленно, затем руль начинал поворачиваться медленно, а скорость становилась большой, и все это повторялось снова и снова, пока ему не удавалось отойти от препятствия. Тогда автоматически включался фотоэлемент, и машина возобновляла свои "поиски" света.

Однако первую черепаху нельзя было использовать для демонстрации того, что Павлов назвал условным рефлексом,- ее поведение предопределялось схемой соединений, заложенной в мозге. Вторая машина Уолтера была сложнее. Он назвал ее М.docilus [От английского docile - понятливый, послушный.- Прим, перев.] и дал ей способность "обучаться". Это была та же М.speculatrix, только теперь в нее был встроен микрофон, так что черепаха могла "слышать" свист. Благодаря довольно сложной схеме, встроенной в мозг, появилась возможность учить ее реагировать на свистки.

Бампер этой черепахи выполнял роль тарелки с пищей в опытах Павлова. Колебательные процессы, возникающие в мозге и дающие черепахе возможность обходить препятствия на своем пути, можно было бы сравнить с выделением слюны у собаки. Первичным возбудителем был объект, касавшийся бампера (иными словами, пища), а ответной реакцией - колебания (т.е. слюновыделение). Свисток действовал так же, как звонок в опытах Павлова.

Разумеется, вначале свист никак не влиял на поведение черепахи. Затем ее стали обучать следующим образом: за секунду до того, как черепаха неизбежно должна была натолкнуться на препятствие, Уолтер издавал свист. Он делал так еще несколько раз перед самым столкновением. И благодаря особенностям конструкции мозга у созданной им черепахи пути, по которым внутри мозга проходили определенные сигналы, начинали изменяться таким образом, что в конце концов свист сам по себе вызывал колебания. Стоило Уолтеру дунуть в свисток до того, как черепаха налетала на препятствие, и она сразу же начинала маневрировать, стремясь обойти препятствие. Короче говоря, теперь колебательный режим возбуждался одним только свистом. Черепаха оказалась натренированной реагировать на свист точно так же, как в свое время собака была натренирована реагировать на звонок.

Хотя электронная схема в мозге М.docilus, необходимая для выполнения такого рода функций, была относительно сложной, сам по себе принцип весьма прост. Основные элементы процесса "обучения" сводятся к следующему (рис.17). Как видно из рисунка, переключатель бампера соединен непосредственно с колебательным контуром в мозге черепахи. Едва этот переключатель приводится в действие, как черепаха начинает попеременно выполнять два вида маневрирования, помогающие ей отыскать путь в обход препятствия. Провод от микрофона не соединен с каким-то конкретным устройством, но на рисунке он показан, так как его в случае необходимости можно использовать для контроля. Характерной особенностью схемы является резистор специального типа, соединяющий два указанных проводника.


Рис.17. Принцип обучения. "Обучение" электромеханической "черепахи" - результат "тренировочного" процесса, открывающего дополнительный путь для прохождения электрического сигнала внутри "мозга" черепахи. До тренировки сигналы идут только по пути 1, после тренировки они проходят и по пути 2, что вызывает изменения в поведении черепахи.

В самом начале эксперимента, до того как черепаха научится реагировать на свист, резистор имеет очень большую величину и поэтому служит препятствием для прохождения сигналов между микрофоном и колебательной схемой. Свист не оказывает влияния на колебательную схему.

Но предположим, что резистор обладает своеобразной способностью замечать, когда сигналы проходят по каждому из тех проводников, к которым он подсоединен. Предположим также, что он умеет распознавать случаи, когда эти сигналы проходят примерно в одно и то же время. Наконец, допустим, что всякий раз, когда происходит такое совпадение сигналов, величина сопротивления резистора слегка уменьшается и остается таковой.

Тогда, как только сопротивление резистора уменьшится, от микрофона к колебательной схеме сможет проходить сигнал большей силы. Если совпадение между свистом и срабатыванием переключателя бампера произойдет не один раз, сопротивление резистора в конце концов станет достаточно низким и проходящий от микрофона к колебательной схеме сигнал усилится настолько, что начнут генерироваться колебания. Если теперь свистнуть, то колебания в движении черепахи возникнут даже в том случае, когда переключатель бампера не сработает. Черепаху обучили реагировать на свист.

В данном случае резистор, грубо говоря, олицетворяет собой память черепахи. Поскольку величина его изменяется всякий раз, когда происходят совпадения, можно говорить о том, что он "запоминает" эти совпадения. Но предположим, что резистор выполнен так, что он не сохраняет той низшей величины, которой достигает при каждом совпадении. Допустим, что вместо этого он постепенно и АВТОМАТИЧЕСКИ возвращается к изначальной, большей величине. В таком случае мы могли бы сказать, что резистор "забывает" свои впечатления (другими словами, совпадения свистка с действием переключателя бампера).

Идея использования изменяющегося резистора важна потому, что она используется почти в каждом типе "обучающихся" машин, разработанных к настоящему времени. Попробуем сформулировать эту мысль по-иному и с этой целью рассмотрим несколько возможных вариантов.

Создавая машины, производящие впечатление "обучающихся", мы вводим в состав их схем изменяющиеся пути, по которым могут проходить внутренние электрические сигналы. После комплекса "тренировок" сигналы начинают проходить внутри "мозга" машины уже по иным, чем до тренировки, путям. Вообще-то говоря, пути как таковые остаются теми же, но величина сигнала, который они проводят, после тренировки будет другой. По существу это означает, что в результате тренировки сигналы перераспределяются.

Теоретически такие изменяющиеся пути можно рассматривать как резисторы, а каждый резистор в свою очередь - как запоминающий элемент. Значение (величина) его меняется согласно определенному закону, присущему каждому конкретному типу разрабатываемой обучающейся машины. В случае М.docilus закон гласит: "Всякий раз, когда сигналы с бамперного переключателя и с микрофона появляются одновременно, сопротивление резистора следует уменьшать на определенную величину".

В некоторых машинах памяти (то есть резистору) не разрешено забывать свой "жизненный опыт". Другими словами, память не возвращается автоматически к исходной величине после того, как заканчиваются события, вызвавшие ее изменение в процессе обучения. Но там, где "забвение" встроено умышленно, резисторы постепенно возвращаются в прежнее состояние. В этих случаях машину, обученную выполнять какой-то процесс определенным образом, можно полностью "перевоспитать" через некоторое время после первоначального обучения.

Хотя мы и назвали элемент памяти "особым типом резистора", в действительности таких резисторов не существует. Правда, в реальной машине их можно имитировать посредством комбинации из нескольких электронных компонентов, соединенных между собой таким образом, чтобы управлять по желанию величиной сигнала, проходящего через такой "резистор".

В М.docilus имелся всего один такой элемент памяти, но в большинстве современных машин их требуется гораздо больше, в силу чего одновременно изменяется множество путей, по которым проходят сигналы. Конструкция этих машин неизмеримо сложнее. Перейдем к их рассмотрению.

В сущности современные обучающиеся машины представляют собой примитивные нервные системы, которые иногда называют НЕРВНЫМИ СХЕМАМИ или НЕРВНЫМИ СЕТЯМИ. В 1943 году У.Мак-Каллок и У.Питт опубликовали свою классическую статью, в которой, по-видимому впервые, предложили использовать для режима обучения способные к изменениям пути в нервной сети. И хотя в 50-х годах этой проблемой заинтересовалось на удивление много исследователей, мы не станем ее сейчас касаться, а рассмотрим машину "персептрон", привлекшую к себе наибольшее внимание.

Работа над персептроном проводилась под руководством Фрэнка Розенблатта в Лаборатории аэронавтики Корнелльского университета. Персептрон - наглядная иллюстрация не только выгод, но и опасностей безудержного пропагандирования технического замысла. Идея его создания широко рекламировалась в ряде специальных журналов. В технических кругах в свое время имела место (и все еще продолжается) оживленная дискуссия о ее достоинствах и недостатках. Но как бы там ни было, персептрон, безусловно, способствовал активизации работ, связанных с созданием искусственного разума.

Первый персептрон был разработан таким образом, что он мог учиться распознавать буквы алфавита. Кроме того, создатели этого устройства считали, что с его помощью потенциально возможно объяснить механизм работы мозга, хотя, разумеется, потребуется еще экспериментальное подтверждение ученых-естествоиспытателей. Однако, прежде чем приступить к рассмотрению гипотетической работы мозга, рекомендуем читателю вспомнить устройство А-ячейки, которую мы описали на рис.8.

В своих первых описаниях персептрона ученые стремились показать некоторое его подобие устройству глаза и связанных с последним нервных ячеек в мозге. Подробнее на строении глаза мы остановимся в гл.6, а пока ограничимся рассмотрением схемы, приведенной на рис.18. Глаз воспринимает свет и фокусирует его на множестве светочувствительных датчиков. Последние генерируют электрические сигналы, которые обрабатываются, по-видимому, отлично организованными сетями нейронов. Результаты обработки передаются другим ячейкам мозга, которые, как полагал Розенблатт, соединены в неупорядоченные сети.


Рис.18. Персептрон. Эта обучающаяся машина основана на очень грубой модели глаза (а). Электрическая схема машины выполнена, как показано на рис.б. Каждое из соединений между А- и R-ячейками содержит элемент памяти, свойства которого изменяются в процессе обучения.

Стремясь смоделировать световые датчики и "организованные" слои нейронов, Розенблатт применил решетку из фотоэлементов, которую назвал "сетчаткой" из чувствительных S-ячеек (рис.18,б). Затем он построил другую решетку, выполненную из А-ячеек. Каждая из них была соединена со многими S-ячейками совершенно произвольно, что имело своей целью имитировать беспорядочную природу нейронов мозга.

Наконец, выход каждой А-ячейки был соединен с каждой из ячеек третьего выходного слоя. Эти последние получили название R-ячеек. Соединение между А-ячейкой и любой из R-ячеек осуществлялось посредством элемента памяти, подобного тому, который применялся в М.docilus.

Рассмотрим принцип работы персептрона.

Предположим, нам нужно, чтобы машина возбуждала определенную комбинацию R-ячеек всякий раз, когда ей показывают букву Т, и другую их комбинацию, когда перед ней демонстрируют букву L. Мы должны "обучить" машину. Покажем ей сначала букву Т и посмотрим, что она "ответит" (то есть какая комбинация R-ячеек будет возбуждена). Если ответ (комбинация) неверен, значит, сигналы внутри машины не проходят по нужным путям. В таком случае мы нажимаем кнопку обучения, расположенную сбоку. Машина же сконструирована таким образом, что при нажатии этой кнопки некоторые А-ячейки "наказываются", а некоторые "поощряются" (это означает, что изменяются значения элементов памяти). В результате, когда мы в следующий раз покажем машине букву Т, "наказанные" ячейки уже не пошлют в R-ячейки столько "неправильных" сигналов, как вначале. Зато "поощренные" ячейки пошлют больше "правильных" сигналов на R-ячейки, чем прежде. Поэтому на сей раз мы получим другой ответ и он будет ближе к истинному. Но он все еще может оставаться ошибочным. Тогда мы вновь нажмем кнопку обучения, и элементы памяти, соединенные с выходами А-ячеек, получат очередные "наказания" и "поощрения". Если теперь произвести проверку, то легко обнаружить, что ответ будет лучше предыдущего. В конечном счете персептрон придет к правильному ответу.

После этого мы начнем обучать его распознаванию буквы L, в конце концов он одолеет и это. Но нам необходимо вернуться назад и вновь проверить букву Т - и вот тут вдруг выясняется, что персептрон опять выдает неправильный ответ. Поэтому нужно переучивать машину до тех пор, пока она не начнет отвечать правильно, и только после этого перейти к проверке буквы L.

Иногда приходится неоднократно возвращаться к пройденному, пока, наконец, машина не станет давать желаемые ответы для обеих букв. К сожалению, некоторые машины так никогда и не могут научиться распознавать две буквы, поскольку они с самого начала были неправильно сконструированы. Такие машины просто не способны выполнять определенные виды распознаваний. Все зависит от того, какие именно буквы им заданы, какая конкретная схема электрических соединений применена в данной машине и сколько в ней имеется ячеек.

В идее персептрона имеются и другие слабые места. Чтобы составить о них правильное представление, рассмотрим простейший персептрон и проследим, что происходит в его "мозге", когда мы обучаем его узнавать буквы Т и L. В нашем иерсептроне по девяти S- и А-ячеек и одна R-ячейка.

Обратимся сначала к S-ячейкам. Расположим их в форме квадрата и перенумеруем (рис.19,а), S-ячейки могут быть либо светочувствительными приборами, либо простыми механическими переключателями. Чтобы предъявить машине буквы, которые мы хотим подвергнуть распознаванию, необходимо прежде всего возбудить ячейки соответствующим образом. Например, если это фотоэлементы, мы можем использовать диапроектор для проецирования изображений букв на нашу решетку. Тогда картина будет выглядеть так, как показано на рис.19,б (буква Т) или на рис.19,в (буква L).


Рис.19. В этом простейшем персептроне S-ячейки расположены, как показано на рис.а. Машина учится распознавать букву Т, которая активизирует заштрихованные ячейки (б), и букву L, возбуждающую заштрихованные ячейки (в).

А-ячейки мы можем расположить так же, как и S-ячейки на рис.19,а, и использовать ту же систему оцифровки. Каждая А-ячейка будет произвольно соединена только с пятью S-ячейками. При этом два соединения будут тормозящими, а три - возбуждающими. Поясним употребляемые термины. Если S-ячейка возбуждена, она пошлет сигнал на все соединенные с ней А-ячейки. Если соединение с А-ячейкой возбуждающее, то передаваемый сигнал будет иметь величину +1. Если же соединение тормозящее, будет послан сигнал -1.

Теперь постараемся разобраться в тех конкретных соединениях между А- и S-ячейками, которые мы в нашей машине осуществили совершенно произвольно. А-ячейка под номером 1 имеет возбуждающие соединения с S-ячейками 1, 3 и 7 и тормозящие соединения с S-ячейками 6 и 8. Мы можем показать эти связи для всех ячеек машины (рис.20). Для удобства разделим каждую A-ячейку на 9 секций, расположенных по тому же принципу, что и решетка из S-ячеек. Вместо того чтобы показывать проводники, соединяющие А- и S-ячейки, обозначим клетки в А-ячейках плюсами и минусами, указывающими, какие S-ячейки и какие сигналы посылают на данную А-ячейку. Если какая-то клетка не заполнена, это означает, что соединения между соответствующей S-ячейкой и данной А-ячейкой нет. Например, у А-ячейки 6 имеются возбуждающие соединения с S-ячейками 1, 4 ж 8 и тормозящие соединения с S-ячейками 2 и 3.


Рис.20. Этот простейший персептрон имеет лишь одну R-ячейку. Соединения на рисунке не показаны: их заменяют обозначения внутри каждой А-ячейки.

Для, большей наглядности все соединения сведены в табл.1. Во избежание каких-либо недоразумений сравним эту таблицу с рис.20.

Таблица 1
Соединения между S- и А-ячейками в простейшем персептроне.


Важно запомнить, что каждая S-ячейка соединена более чем с одной А-ячейкой и в зависимости от требований способна посылать сигналы со значениями либо +1, либо -1. Например, если возбуждена S-ячейка под номером 3, она пошлет сигналы +1 в А-ячейки 1, 2, 5 и 8 и сигналы -1 в А-ячейки 6 и 9. Или другой пример: S-ячейка 8 посылает сигналы +1 в А-ячейки 4, 5 и 6 и сигналы -1 в А-ячейки 1 и 3.

Итак, если мы показываем машине букву, каждая из А-ячеек примет какие-то сигналы. В свою очередь А-ячейка подытожит суммарный сигнал и сравнит его со своим порогом. Если сумма превысит величину порога, данная А-ячейка пошлет на R-ячейку сигнал +1. Поясним это на примере функционирования А-ячейки.

Допустим, что мы проецируем на чувствительную решетку (то есть на S-ячейки) букву Т; S-ячейки 1, 2, 3, 5 и 8 пошлют сигналы на А-ячейки. А-ячейка под номером 1 примет всего два сигнала +1 (от 1 и 3) и один сигнал -1 (от 8 ) и итог будет равен +1. Так как А-ячейка 1 не соединена с S-ятейками 2 и 5, последние не будут влиять на нее, хотя сами они возбуждены. Итоговый сигнал, принятый А-ячейкой 2, будет +2 и т.д. А-ячейка 9 получит итоговый сигнал -2.

На рис.21,а показаны итоговые сигналы, принятые каждой из А-ячеек для буквы Т, на рис. 21,б - сигналы, вызванные буквой L.


Рис.21. a - суммарный сигнал, принятый каждой из девяти А-ячеек для буквы Т; б - сигналы, обусловленные буквой L.

Мы уже говорили о том, какой итоговый сигнал будет принят на каждой из А-ячеек (рис.20), но необходимо сравнить каждый итог с порогом соответствующей А-ячейки. Это позволит нам судить, будет ли реагировать данная А-ячейка. В рассматриваемой машине пороговая величина для каждой А-ячейки была выбрана равной, +1/2. Если итоговый сигнал превысит эту величину, ячейка будет возбуждена. В противном случае она останется бездействующей.

В нашей машине (рис.21,а) в ответ на изображение буквы Т итоговый сигнал, превышающий величину порога, будут иметь А-ячейки 1, 2, 3, 4, 5 и 8. При изображении буквы L (рис.21,б) сигнал, превышающий величину порога, будет у А-ячеек 1, 6, 7 и 9. На рис.22 показано, какие из А-ячеек будут возбуждаться при демонстрации этих двух букв.


Рис.22. Сигналы, показанные на рис.21, обусловили превышение порогов у заштрихованных А-ячеек, и эти ячейки в свою очередь посылают сигналы на R-ячейку.

Теперь на время прервем наши рассуждения и посмотрим, что же произошло. Когда мы демонстрируем букву чувствительным элементам персептрона, каждая из возбужденных S-ячеек посылает сигнал на определенные А-ячейки. Передаваемые сигналы будут иметь величину либо +1, либо -1, в зависимости от того, какая конкретная схема электрических соединений была выбрана для данного персептрона. Следовательно, каждая А-ячейка принимает сигналы, алгебраически их складывает и сравнивает с величиной своего порога, А-ячейка будет реагировать на принятые сигналы лишь в том случае, если итоговый сигнал превысит порог.

В результате картина распределения возбужденных ячеек в S-решетке обусловит отличную от нее картину распределения возбужденных ячеек в А-решетке. По сути дела, мы преобразовали входное изображение. Это преобразование - автоматический процесс, определяемый конкретной схемой электрических соединений, выбранной для связи между А- и 5-ячейками. До некоторой степени это преобразование здесь является ненужным, оно вызвано, в частности, произвольным характером соединений между S- и А-слоями. Ниже мы будем говорить о соединениях, имеющих больше смысла. Пока же назовем преобразование между S- и А-слоями "первичной обработкой".

Теперь перейдем непосредственно к процессу обучения.

У рассматриваемого персептрона есть только одна R-ячейка; она принимает сигналы от каждой из девяти А-ячеек по путям, содержащим элемент памяти. Этот элемент способен менять свои параметры. R-ячейка в некоторых отношениях похожа на А-ячейку. У нее также есть порог, и при превышении его она генерирует сигнал +1. Но когда порог не превышен, она генерирует сигнал -1.

Предположим, автор этих строк в качестве инструктора персептрона решил, что R-ячейка должна отвечать сигналом +1 всякий раз, когда машине показывают букву L. Более того, ему желательно, чтобы при наличии на входе буквы Т ответ составлял -1. Для этого начнем с произвольной установки всех элементов памяти (резисторов на путях, соединяющих A-ячейки с R-ячейкой) на величину, равную 5.

Что мы подразумеваем здесь под словом "величина"?

Каждая А-ячейка, будучи возбужденной, генерирует сигнал +1. Но на сигнал, который достигает R-ячейки, оказывает влияние регулировка элемента памяти. Этой регулировке мы произвольно приписываем число, которое и называем "величиной". Число это иногда называют также "весом". Долю сигнала, которая доходит до R-ячейки, можно определить умножением сигнала +1 (от А-ячейки) на значение элемента памяти. Таким образом, если это значение первоначально установить равным 5, то величина сигнала, посылаемого одной А-ячейкой на R-ячейку, составит 5. Если возбуждены три А-ячейки, суммарный сигнал, принятый R-ячейкой, будет равен 15. Если же возбуждены три А-ячейки, соединенные с R-ячейкой через элементы памяти величинами 3, 5 и 6, то суммарный сигнал, принятый R-ячейкой, будет равен: 3+5+6=14.

С помощью этих чисел удается не только проследить то, что происходит внутри гипотетического упрощенного персептрона. Они имеют и непосредственное отношение к разнообразным токам и напряжениям в реальной машине, если бы нам предстояло построить таковую. Например, вес +1, который мы приписали выходному сигналу А-ячейки, может соответствовать напряжению в 10 вольт на выходе с А-ячейки в реальной машине. Значение элемента памяти, равное 5, соответствовало бы в такой машине сопротивлению резистора в 2ома, а сигнал величиной 5, доходящий до R-ячежки, соответствовал бы силе тока в 5 ампер. Мы не будем здесь углубляться в электрические аспекты работы машины. Но мы можем объяснить, каким образом "учится" машина, отмечая, как изменяются значения элементов памяти в течение каждого "урока".

Урок протекает следующим образом.

Поначалу мы показываем машине одну из двух букв. Это возбуждает определенные А-ячейки (рис.22). Зная величины элементов памяти между каждой из этих А-ячеек и R-ячейкой, вычисляем итоговый сигнал, принятый R-ячейкой. Затем сравниваем этот итоговый сигнал с порогом R-ячейки. Нам интересно, будет ли реакцией R-ячейки сигнал +1 или же -1. Сравним ответ с тем, что нам желательно (+1 для буквы L и -1 для буквы Т). Если мы получили правильный ответ, хорошо. Если же ответ неверен, машину следует "наказать" - ее память должна быть изменена. Для этого существуют стандартные правила. Руководствуясь ими, мы производим изменения в величинах элементов памяти - и урок закончен. Теперь электрические соединения внутри машины преобразованы таким образом, что, когда мы снова покажем машине ту же букву, ответ будет более правильным. Не исключено, что может понадобиться несколько уроков, прежде чем машина научится, наконец, давать правильный ответ.

Для большей убедительности рассмотрим, как изменяется наш персептрон, когда мы "учим" его распознавать буквы Т и L.

Начнем с буквы Т. Заметим, что все элементы памяти установлены на отметку 5, а порог R-ячейки равен 25. Теперь покажем (рис.23), какие из S- и 4-ячеек возбуждены. Вспомним, что R-ячейка разбита нами на клетки; это сделано для того, чтобы показать вес элементов памяти на пути от каждой из А-ячеек к R-ячейке. Конкретные пути, по которым идут сигналы, отмечены на рис.23 заштрихованными клетками.


Рис.23. Цифры внутри R-ячейки указывают величину каждого из элементов памяти машины в начале урока. Сигналы на R-ячейку принимаются только от тех элементов, которые соединены с возбужденными (на рисунке заштрихованы) А-ячейками. Итоговый сигнал, полученный R-ячейкой, равен сумме значений элементов памяти, равной в данном случае 30. Поскольку это превышает порог, равный 25, R-ячейка выдает в ответ сигнал +1.

Если теперь сложить численные значения, соответствующие заштрихованным клеткам, получим величину итогового сигнала, принятого R-ячейкой. Поскольку она равняется 30 (на 5 выше величины порога), выходной сигнал будет равен +1. Это и есть ответ, который даст персептрои, когда мы впервые покажем ему букву Т. Этот ответ неверен, потому что мы уже говорили, что нам нужно, чтобы машина при виде буквы Т выдавала сигнал -1. Машину надо наказать. Поэтому мы хорошенько ударяем по кнопке обучения.

Получив такой удар, другими словами, энергичное нажатие кнопки обучения, персептрон в силу своей конструкции изменяет значения элементов памяти в соответствии со следующими правилами:
1. Если ответ равен +1, а должен быть -1, значит, на R-ячейку поступает слишком большой сигнал. Поэтому вес каждого из путей, соединенных с возбужденными А-ячейками, необходимо уменьшить на единицу, в то время как остальные веса надо увеличить на единицу.
2. Если ответ равен -1, а должен быть +1, то на входе R-ячейки слишком малый сигнал. Поэтому вес каждого из путей, соединенных с возбужденными А-ячейками, надо увеличить на единицу, а все остальные веса уменьшить на единицу.

Очевидно, первое правило относится к случаю буквы Т, поэтому величины, указанные на заштрихованных клетках R-ячейки (рис.23), необходимо уменьшить до 4, а на остальных увеличить до 6. Первый урок закончен (см. о нем в первой строке табл.2).

Таблица 2
Пять уроков, необходимых для обучения персептрона. Значения элементов памяти изменяются согласно правилам, приведенным в тексте. Возбужденные А-ячейки выделены жирным шрифтом.


Помните, что все изменения, о которых мы говорим, в реальном персептроне производятся автоматически, нажатием кнопки обучения. Электронная схема машины на это рассчитана.

Начнем второй урок (см.табл.2). Начальные величины элементов памяти на путях между А-ячейками и R-ячейкой показаны в первом столбце таблицы. Их значения связаны с тем, что произошло во время предыдущего урока. И теперь, когда мы показываем машине букву Т, элементы на путях, номера которых выделены жирным шрифтом и которые ведут от возбужденных А-ячеек, обеспечивают итоговый сигнал, равный 24. Это ниже порога R-ячейки, так что ответ будет -1. Наш персептрон научился давать правильный ответ. Поэтому не будем изменять значения элементов памяти.

Ну, а что произойдет, если показать машине букву L? Даст ли она требуемый ответ +1? На третьем уроке (третья строка табл.2) мы показываем персептрону букву L и наблюдаем за тем, что происходит.

Цифры в первом столбце, выделенные жирным шрифтом, указывают, по каким путям будут идти сигналы между А-ячейками и R-ячейкой. Это, как мы уже говорили, возбужденные пути (см. рис.22). Следовательно, суммарный сигнал, принятый R-ячейкой, будет равен 22. Это меньше величины порога (равной 25), так что ответ будет -1. Глупая машина опознала в букве L букву Т! Ясно, что ее ошибка заслуживает еще одного удара по кнопке обучения.

Но на сей раз коррекция будет происходить по второму из упомянутых правил: величины элементов памяти, номера которых выделены жирным шрифтом, будут увеличены, в то время как все остальные будут уменьшены. В результате значения элементов памяти будут уже такими, как показано в пятой колонке третьей строки табл.2.

Чтобы проверить, принесло ли "наказание" какую-нибудь пользу, на четвертом уроке снова предъявим персептрону букву L. Теперь R-ячейка принимает итоговый сигнал, равный 26, как раз над порогом. Персептрон "выкрикивает" +1 и настораживается. Но ответ правилен, и мы удовлетворены. Почти удовлетворены. Почти - ибо нам необходимо вернуться назад и перепроверить букву Т, чтобы убедиться, не позабыл ли персептрон ответ, которому он научился ранее.

Пятый урок: показываем машине букву Т. Суммарный сигнал, принятый R-ячейкой, теперь равен 20 (а не 24, как в конце второго урока): по-прежнему он ниже порога. И опять ответ правилен.

Итак, персептрон обучен.

К сожалению, рассматриваемая нами машина обладает чрезвычайно ограниченными способностями из-за малого числа используемых в ней компонентов (ячеек). Первая машина, построенная Розенблаттом в Лаборатории аэронавтики Корнелльского университета, была намного больше. Марк I (так назвали машину) использовал 400 фотоэлементов в качестве S-ячеек (они были собраны в решетку 20*20 элементов), 512 А-ячеек и 8 R-ячеек. Каждая из S-ячеек была соединена (произвольно) с 40 А-ячейками, а каждая R-ячейка - со всеми А-ячейками. Эта машина научилась распознавать все 26 букв английского алфавита после того, как ей показали около 15 различных (но сходных по начертанию) образцов каждой из букв. Стоит добавить, что буквы не обязательно нужно было располагать в одном и том же положении относительно решетки S-ячеек. Иногда возбуждали также "незаконные" S-ячейки, чтобы придать буквам "шумовое" оформление, как если бы они были окружены раскиданными по случайному закону пятнами краски. Но даже несмотря на то, что эти добавочные S-ячейки возбуждали лишние А-ячейки, персептрон не сбивался с толку и все еще был в состоянии узнавать букву.

Другой интересной особенностью работы персептрона был тот факт, что некоторые А-ячейки можно было произвольно отключать и машина все равно давала правильные ответы. Иначе говоря, функционирование машины не имеет критической зависимости от работы всех ячеек. Подобно нервной системе живого организма, машина могла перенести выход из строя некоторых нейронов.

Но у персептрона Марк I все же были свои ограничения; в Корнелльской лаборатории аэронавтики исследовались более сложные типы персептронов. Так, Карл Кесслер проводил исследования модели персептрона на основе цифровой вычислительной машины ИБМ 7090. Этот "смоделированный" персептрон использовал 3969 S-ячеек, расположенных в решетку 63x63 элементов. В нем применялось несколько слоев А-ячеек, соединенных последовательно.

В отличие от рассмотренных персептронов здесь соединения с А-ячейками делались уже не случайным образом, но тщательно планировались, чтобы получить желаемый результат. S-ячейки были соединены с 18000 А-ячеек, в задачу которых входило распознавание линий и краев изображений; они функционировали таким же образом, что и нейроны в глазе кошки. (Ниже, в гл.6 мы рассмотрим глаз кошки). В свою очередь эти 18000 А-ячеек были соединены со вторым слоем, состоящим из 2000 А-ячеек. Каждая из А-ячеек второго слоя соединялась с девятью А-ячейками первого слоя. Имелся и третий слой из 1000 А-ячеек. Из этих последних каждая соединялась по случайному закону с А-ячейками двух первых слоев через элементы памяти. Были и другие незначительные изменения как в работе ячеек, так и в правилах обучения.

Применение этого более сложного персептрона позволило эффективнее решать определенные задачи обучения. Так, например, он за шестьдесят уроков научился различать вертикальные и горизонтальные линии, в то время как менее сложному персептрону (не Марку I) для решения этой задачи потребовалось свыше пятисот уроков.

Причиной такого рода улучшения в значительной мере послужили "неслучайные" соединения между входной решеткой из S-ячеек и А-ячейками. Читатель, видимо, помнит, что распределение возбужденных А-ячеек в упрощенной машине, которую мы анализировали (рис.22), представляло собой преобразование входного изображения. Но поскольку это преобразование не преследовало какой-либо конкретной цели, оно оставалось по существу бесполезным. В персептроне же, построенном по принципу глаза кошки, в подобном преобразовании имеется определенный смысл, поскольку там входное изображение подвергается анализу, причем селектируются его важнейшие свойства. Этот предварительный анализ, получивший название КАЧЕСТВЕННОЙ ФИЛЬТРАЦИИ, по-видимому, необходим в любой реальной машине. В гл.6 мы увидим, что биологические системы также выполняют предварительный анализ.

Исследования персептронных систем продолжаются, однако окончательного варианта пока не создано. Поэтому остановимся еще на одном типе обучающихся машин - это позволит нам узнать, чего же добились ученые в этом направлении.

Чтобы сходство между двумя машинами стало нагляднее, изобразим уже изученный простейший персептрон несколько по-иному (рис.24) и покажем все соединения между слоями.


Рис.24. Полная схема простейшего перcептрона, о котором говорится в тексте. На рисунке видно сходство этого переептрона с другой обучающейся машиной, МАДАЛИН, показанной на рис.25.


Рис.25. МАДАЛИН. Один из вариантов обучающейся машины, которая умеет распознавать речь, играть в очко и предсказывать погоду. Отличия от персептрона указаны в тексте.

На рисунке можно видеть, что входное изображение проникает в машину через S-ячейки. Затем по произвольно выполненным соединениям оно поступает на А-ячейки. Таким образом, как уже отмечалось выше, входное изображение подвергается преобразованию. Но если это преобразование основано на произвольно выполненных соединениях, оно практически не имеет смысла - с таким же успехом можно направить входное изображение непосредственно на А-ячейки. Если же осуществить соединения между S- и А-ячейками гораздо продуманнее, с тем чтобы они приносили больше пользы, можно было бы получить упомянутую качественную фильтрацию.

Однако при желании можно избежать преобразования между S- и А-ячейками. Примером тому служит МАДАЛИН - обучающаяся машина, в которой предварительное преобразование исключено (рис.25). Апологет этой машины - Бернард Уидроу из Лаборатории электроники Стэнфордского университета.

На выходах А-ячеек в МАДАЛИНе имеются сигналы величиной либо +1, либо -1; в этом они очень сходны с S-ячейками персептрона. У МАДАЛИНа есть и R-ячейки, и немало, но Уидроу называет их по-иному. Имеется в машине также дополнительный элемент памяти, постоянно соединенный с источником сигнала +1; порог у всех R-ячеек равен нулю. Такая R-ячейка в совокупности с соединенными с ней элементами называется АДАЛИНом (мы рассматривали эту модель нейрона на рис.9).

Выход с каждого АДАЛИНа ведет к ячейке, именуемой мажоритарной [От слова majority (англ.), что означает "большинство".- Прим. перев.] ячейкой. Эта последняя собирает голоса среди АДАЛИНов и обеспечивает выходной сигнал, согласующийся с мнением большинства - отсюда и ее название. Так что, если четыре из семи АДАЛИНов отвечают сигналами -1, реакцией мажоритарной ячейки будет сигнал -1.

Другое различие между МАДАЛИНом и персептроном - набор правил, используемых для изменения величин элементов памяти. Например, только часть этих элементов может менять свою величину в течение каждого урока. В действительности существует множество вариантов основных типов обучающихся машин. Каких-то устоявшихся, неприкосновенных их форм нет; основное требование - наличие элемента памяти, величина которого может изменяться в процессе обучения.

Посмотрим, как МАДАЛИН научился предсказывать погоду.

Как знает любой из нас, важнейшая стадия прогнозирования погоды связана с прослеживанием места и передвижений областей высокого и низкого атмосферного давления. Прогнозирующий МАДАЛИН был способен использовать те карты атмосферных давлений, которые ежедневно подготавливаются метеорологами. Эти карты внешне похожи на контурные карты, но в отличие от последних показывают контуры давлений, а не высот. Вместо того чтобы обучать МАДАЛИН буквам алфавита, ему предъявлялись карты давлений.

В распоряжении исследователя из Стэнфордского университета, разработавшего прогнозирующую машину МАДАЛИН, были карты атмосферных давлений по состоянию на 4 часа утра с января по апрель 1961 года. Он получил их в Бюро погоды США в международном аэропорту Сан-Франциско. Каждая такая карта содержала данные о давлениях для района площадью около 8 миллионов квадратных километров (между 25 и 55o северной широты и 110 и 150o западной долготы). Данный район затем разбивался на сорок восемь квадратов площадью 5*5o, чтобы образовать прямоугольную сетку из шести ячеек в высоту и восьми ячеек в ширину. В каждой ячейке подсчитывалось среднее давление; в соответствии с полученными средними данными ячейки делали либо светлее, либо темнее. Короче, то была грубая картина состояния атмосферного давления (рис.26).


Рис.26. Прогнозирующий МАДАЛИН. Карты погоды, показывающие атмосферные давления в районе Сан-Франдиско, были разбиты на отделения (квадраты). Для установки выходного сигнала в каждой А-ячейке машины учитывалось давление в каждом квадрате карты. Затем значения элементов памяти изменялись в соответствии с описанной в тексте последовательностью обучения. Одной R-ячейке предписывалось предсказывать ДОЖДЬ или ЯСНО на каждый показанный период времени. Машина предсказывала погоду не хуже (а иногда и лучше), чем синоптики.

В МАДАЛИНе имелось 96 А-ячеек, но они посылали на R-ячейки сигналы величиной не +1 или -1, а величиной от 0 до 10. Это делалось для того, чтобы нагляднее отражать яркость соответствующих ячеек на входной карте атмосферных давлений. На выходе машины было три R-ячейки: одна должна была предсказывать погоду на СЕГОДНЯШНИЙ ДЕНЬ (с 8.00 до 20.00); вторая - на СЕГОДНЯШНЮЮ НОЧЬ (с 20.00 до 8.00) и третья - на ЗАВТРА (с 8.00 до 20.00).

Это делалось следующим образом.

Сначала шел период обучения, во время которого машине предъявлялась карта по состоянию на 4.00 какого-либо дня в прошлом и СООБЩАЛАСЬ ПОГОДА, имевшая место в тот день, ту ночь и на следующий день, то есть эту карту показывали А-ячейкам, а желаемым ответом была соответствующая этой карте погода. Допустим, что дождь обозначался сигналом +1, а ясная погода - сигналом -1. Если карте по состоянию на 4.00 какого-то конкретного дня соответствовал дождь днем, ясная погода вечером и дождь на следующий день, машину учили отвечать выходными сигналами +1, -1 и +1 соответственно с R-ячеек, названных СЕГОДНЯ ДНЕМ, СЕГОДНЯ НОЧЬЮ и ЗАВТРА. Тем самым, показывая машине многочисленные утренние карты и обучая ее отвечать согласно тому, что имело место в действительности, машине как бы создали "жизненный опыт". После этого ее можно было подвергнуть реальным испытаниям, которые заключались в том, что машине предъявлялась совершенно свежая карта, а от нее ждали уже настоящего прогноза.

Затем исследователи произвели оценку 18 ее прогнозов. Из предсказаний на СЕГОДНЯШНИЙ ДЕНЬ верными оказались 72% случаев, зато из прогнозов на СЕГОДНЯШНЮЮ НОЧЬ и на ЗАВТРА верными были только 67%. Не так уж плохо, особенно если учесть, что синоптики на эти же дни правильно предсказали погоду в 78, 89 и 67% случаев соответственно.

Но все же результаты требовали улучшения. И тогда ученые пришли к парадоксальному выводу: наиболее вероятная причина просчетов крылась не в конструкции машины, а скорее в скудной информации, с которой машине приходилось работать!

В программе обучения, приводившей к неудовлетворительным результатам, использовалась только утренняя карта на СЕГОДНЯ. Поэтому входное изображение активизировало лишь 48 (из 96) А-ячеек. Исследователи Стэнфорда решили показать МАДАЛИНу две карты давлений в течение одного и того же периода обучения. Они ввели в машину карты давлений и на СЕГОДНЯ и на ВЧЕРА. По окончании обучения они вновь взяли от машины 18 прогнозов и сравнили результаты. Теперь прогнозы на СЕГОДНЯШНИЙ ДЕНЬ оказались верными в 78% случаев, на СЕГОДНЯШНЮЮ НОЧЬ - также в 78% и на ЗАВТРА - тоже 78%. Это уже лучше. МАДАЛИН оказался не хуже синоптика в своих прогнозах на СЕГОДНЯШНИЙ ДЕНЬ, лучше, чем прежде, но еще не совсем хорошо на СЕГОДНЯШНЮЮ НОЧЬ и лучше синоптика на ЗАВТРА (78% против 67%).

Наконец, чтобы улучшить характеристики машины, применили утреннюю карту на СЕГОДНЯ и новую карту, созданную на основе различий между картами на СЕГОДНЯ и ВЧЕРА. И вот результат: МАДАЛИН сравнялся с синоптиками в прогнозах на СЕГОДНЯШНИЙ ДЕНЬ и побил их (83% против 67%) в прогнозах на ЗАВТРА! Машина превзошла человека! Правда, по нашему глубокому убеждению, синоптики - никудышные предсказатели погоды, так что хвалиться особенно нечем.

И все-таки характеристики МАДАЛИНа, занимающегося прогнозами, свидетельствуют как о возможностях, так и об ограниченности современных обучающихся машин. По существу эти машины занимаются тем, что обеспечивают инженеров устройством для распределения входных изображений по отдельным классам. Это очень удобное устройство, работающее автоматически и выполняющее задачи, которыми мы сами занимались при обучении простейшего персептрона. Однако суть проблемы - во входных изображениях. Если мы не покажем машине картин, содержащих основные данные для такого рода классификации, машина не принесет никакой пользы. На первых сеансах обучения прогнозирующего МАДАЛИНа машине не дали нужной картины. После того как ей показали нужные материалы, ее способности улучшились.

Следовательно, для всех этих машин важно преобразовать исходную информацию в форму, пригодную для них. Это может быть сделано как вне машины (пример - прогнозирующий МАДАЛИН), так и путем создания самой машины в расчете на выполнение ею определенных преобразований в слое предварительной качественной фильтрации. Соединения между слоем S-ячеек и слоем А-ячеек в персептроне, работающем по принципу "кошачьего глаза", как раз и выполняют это нужное преобразование.

Подведем итог сказанному. Для эффективного использования обучающихся машин необходимо, чтобы слоя А-ячеек достигали только определенные, важные признаки входных изображений. Но какие из них являются важными? Это еще предстоит выяснить.

Возможно, в этом нам вновь поможет природа. Обратимся к ней и посмотрим, какие признаки входных изображений отбирают биологические системы, чтобы пропустить их в обучающиеся участки мозга.

ГЛАВА ШЕСТАЯ. РАСПОЗНАВАНИЕ ЗРИТЕЛЬНЫХ ОБРАЗОВ ЖИВОТНЫМИ И МАШИНОЙ

До сих пор мы рассматривали принцип работы некоторых биологических систем, знакомились с исследованиями их основных компонентов и останавливались на идеях, развитых в ходе разработок "обучающихся" машин. Но из примеров прогнозирования погоды, приведенных в гл.5, читателю должно быть ясно, что для обеспечения надежной работы сложная машина нуждается еще кое в чем, помимо механизма обучения. Особое значение в этой связи приобретают устройства "фильтрации свойств". Другими словами, прежде чем распознать какой-либо объект, необходимо подвергнуть его анализу и определить важнейшие признаки. Ибо что такое распознавание, как не сравнение обнаруженных признаков объекта с перечнем известных признаков и оценка степени их совпадения?

Бесспорно, в некоторых случаях можно было бы обойтись без предварительного анализа и тем не менее научиться распознавать данный объект. Но, очевидно, это не самый лучший способ. Поэтому сейчас мы в первую очередь рассмотрим различные методы анализа, разработанные для лучшего распознавания зрительных образов, а затем перейдем к анализу речи. Заметим, что и здесь существуют два подхода. Один из них основан на стремлении человека соперничать с биологическими системами, а другой сводится к попыткам воспользоваться идеями, выдвинутыми человеком без обращения к аналогиям в живой природе.

Начнем с описания устройства глаза. На рис.27 изображен правый глаз в поперечном сечении. По форме глаз представляет собой подобие сферы, а внутренняя полусфера - это экран, на котором хрусталик глаза фокусирует изображение.


Рис.27. Поперечный разрез глаза.

Глаз состоит из роговой оболочки (роговицы), века, радужной оболочки, хрусталика, белковой оболочки (склеры), сосудистой оболочки и сетчатой оболочки (сетчатки). Роговая оболочка - это прозрачное окно, прикрываемое веками. Радужная оболочка - структура, управляющая количеством поступающего на хрусталик света. Она имеет отверстие, диаметр которого изменяется и которое всем нам известно под названием зрачка. Для изменения размера зрачка служат специальные мышцы. Хрусталик представляет собой структуру, которая с помощью определенных мышц может перемещаться (чтобы изменять поле зрения) и менять свою форму (чтобы изменять фокусное расстояние).

Белковая оболочка, образующая как бы "футляр" глаза, соединена с мышцами, которые управляют движениями глаза. Сосудистая оболочка расположена непосредственно под белковой оболочкой; у некоторых животных она служит для поглощения света, прошедшего сквозь сетчатку, и тем самым предотвращает образование ореолов (то есть рассеяния света и повторных отражений). Однако у многих животных, обитающих в воде или ведущих ночной образ жизни, имеется и отражающий слой, предназначенный как раз для того, чтобы вернуть непоглощенный свет на сетчатку и таким образом за счет четкости повысить чувствительность. Сетчатка - слой, лежащий глубоко внутри стенки глаза; здесь расположены светочувствительные рецепторы, на которые фокусируется изображение; там же находятся нервы, выполняющие первые этапы анализа.

Остановимся более подробно на сетчатке (рис.28 ). Сетчатка обладает двумя важными особенностями: у нее имеется вдавленная центральная часть, называемая центральной ямкой и расположенная на одной оси с хрусталиком, и слепое пятно - маленький участок, через который к мозгу проходят нервные волокна. Отметим еще такие детали сетчатки, как палочки и колбочки,- два типа элементов, преобразующих свет в электрические сигналы. Они расположены на сетчатке, но не на самой внутренней поверхности, а непосредственно перед сосудистой оболочкой. Поэтому свет, идущий от хрусталика, проходит сначала через слои нейронов, а уже затем попадает на эти рецепторы.


Рис.28. Сетчатка. Показаны палочки, колбочки и нейроны в сетчатом слое. Центральная ямка - область наивысшей остроты зрения.

Благодаря палочкам человек видит ночью, а колбочки наиболее эффективны днем. В сетчатке человеческого глаза содержится около 120 миллионов палочек, расположенных вокруг центральной ямки. В самой же ямке имеются только колбочки, и как раз здесь отмечена наибольшая четкость изображения. Насчитывается около 7 миллионов колбочек; некоторые из них расположены вне центральной ямки. Колбочки обусловливают наше цветовое зрение; имеются колбочки, чувствительные к каждому из трех основных цветов: красному, голубому и зеленому. Изображение, получаемое посредством палочек, может быть только черно-белым.

Следовательно, палочки и колбочки - наши первичные световые датчики, преобразующие интенсивность света в электрические сигналы, анализировать которые предстоит нейронам сетчатки. Существует три типа этих нейронов (отличающихся по форме), и расположены они в нескольких слоях. Если вспомнить нашу аналогию нейронов с деревьями, то слои нейронов в сетчатке можно уподобить "лесу".

Сигналы от палочек и колбочек входят в ветви одного такого "леса" и выходят через его корни, переходя в ветви леса, лежащего внизу. В свою очередь корни этого последнего возбуждают ветви следующего слоя. Корни самого нижнего слоя сведены в общем участке, где они проходят сквозь отверстие в сосудистой оболочке и выходят сзади глаза в виде пучка нервных волокон, называемого зрительным нервом. Зрительный нерв проводит сигналы дальше, в мозг.

Таково в самых общих словах описание глаза. Важно помнить, что на самом деле внутри глаза имеются нейроны и именно там начинается анализ изображения. Картина, которую видит глаз, в целом не транслируется в мозг; передаются лишь некоторые ее особенности.

Что же привлекает к себе внимание нейронов глаза? Это во многом зависит от того, о каком типе глаза идет речь. Так, например, глаз лягушки не обязательно ищет ту же информацию, что и глаз осьминога или человека. Но в любом случае самый простой способ ответить на этот вопрос - переадресовать его нейрофизиологу и попросить последнего произвести кое-какие эксперименты. Правда, нейрофизиологи не всегда имели возможность определять функции нейронов в глазу человека, зато они очень много занимались глазами кошек и лягушек.

Итак, начнем с лягушек - или (если перефразировать заголовок статьи, опубликованной в одном из технических журналов) постараемся узнать, что глаз лягушки сообщает ее мозгу.

Ряд наиболее известных экспериментальных исследований из тех, что проводились в последние годы, выполнен в Лаборатории электроники Массачусетского технологического института под руководством Дж.Леттвина, Г.Матураны, У.Мак-Каллока и У.Питтса (последние создали известный искусственный нейрон Мак-Каллока - Питтса).

Система сетчатки у лягушки стабилизированная. Иными словами, в то время как сама лягушка поворачивается, ориентация ее глаза по отношению к окружающим предметам не изменяется. Если поле зрения лягушки пересекает движущийся предмет, то глаз ее не следует за ним, а, напротив, застывает в фиксированном положении. Но, по-видимому, глаз лягушки улавливает лишь движущиеся объекты, поэтому утверждение, будто лягушка "умрет с голоду в окружении пищи, если только пища не движется", не лишено оснований.

Во время экспериментов, проводившихся в Лаборатории электроники, лягушку закрепляли на специальной платформе и производили соответствующий разрез, чтобы получить доступ к зрительному нерву. Глаз лягушки закрывали сферическим экраном, так что он мог видеть лишь пустую поверхность. Затем по этой внутренней поверхности сферы передвигали с помощью магнита различные объекты (магнитом управляли снаружи). В зрительный нерв вводили электрический зонд и перемещали исследуемый объект в поле зрения лягушки до тех пор, пока зонд не улавливал электрический сигнал. Это указывало на то, что нейрон, в который проник зонд, "обслуживает" именно тот участок поля зрения, где в данный момент находился объект.

Тогда исследователи стали ограничивать движение объекта лишь участком, внутри которого производилось множество перемещений. Тем самым они стремились определить пределы поля зрения выбранного нейрона и проверить, какое влияние оказывают форма объекта и характер его движения на снимаемый с зонда электрический сигнал. Выяснилось, что нейроны реагируют на это особым образом.

И вот тут мы подошли к проблеме, анализ которой поможет разъяснить точку зрения автора этих строк. А родилась она так.

Примерно в то же время, когда начались эксперименты с лягушками, автор пытался нащупать пути создания машины, которая могла бы "видеть" и "истолковывать" световые метки на экране радиолокатора. В процессе работы он наткнулся на одну из публикаций Массачусетского технологического института, в которой описывались результаты проводимых исследований. В сообщении, в частности, говорилось:

1. "Некоторые нейроны обладают довольно низкой чувствительностью, но обширным рецептивным полем. Интенсивность их реакции зависит также от коэффициента, имеющего большую постоянную времени..."

Попробуем расшифровать это положение. Каждый нейрон воспринимает лишь определенную часть видимой картины. Область его чувствительности называется "рецептивным полем". "Низкая чувствительность" означает, что, будучи возбужденной, клетка выдает не очень большой сигнал. "Большая постоянная времени" означает, что клетка функционирует медленно.

2. "Вторая группа нейронов очень похожа на первую, за исключением того, что она обладает узкими рецептивными полями и высокой чувствительностью".

3. Интенсивности реакций обеих групп зависят от направления движения объекта в поле зрения.

4. Третья группа почти не отличается от предыдущих, но "...в центре ее рецептивного поля имеется большой провал". Нейроны этой группы всегда "...спарены с дополняющими их волокнами, то есть с теми, которые соответствовали провалу".

5. Обнаружено, что "...реакция нейрона на соответствующий раздражитель иногда, по-видимому, зависела от поведения раздражителя до того, как он попадал в рецептивное поле".

Из всего прочитанного автор вынес убеждение, что лягушка использует не просто какие-то определенные нейроны. Очевидно, под их личиной скрыт хорошо развитый аппарат. Находясь под впечатлением от весьма любопытного устройства глаза лягушки, он начал прикидывать, нельзя ли применить заложенные здесь принципы к решению стоявшей перед ним проблемы радиолокационного экрана. И ему удалось найти решение, о котором вкратце будет рассказано несколько позже.

Между тем исследования в Массачусетском технологическом институте продолжались, и в конце концов их итоги были опубликованы в классической статье, озаглавленной "Что глаз лягушки сообщает ее мозгу". В этой статье имелся только один недостаток: из всего сказанного в ней почти ничто не совпадало с тем, о чем говорилось в упомянутой выше публикации. В самом деле, результаты работ сводились к следующему:

"Восприятие изображения в глазу лягушки проходит четыре самостоятельные стадии. Результаты каждой из них передаются по особой группе нервных волокон, равномерно распределенных по сетчатке, и все они почти не зависят от общей освещенности. Стадии эти: 1) обнаружение длительно существующего контраста; 2) обнаружение выпуклости изображений; 3) обнаружение движущихся контуров и 4) обнаружение общего затемнения".

Далее довольно подробно описывались особенности этих операций. И трудно было отыскать сходство между этим описанием и тем, о чем говорилось прежде. Все это свидетельствует об интересном аспекте исследований, в которых использовались идеи, порожденные количественным изучением биологических систем. Описания количественных измерений не обязательно однозначны, и их интерпретации могут быть очень разными. Так что к любому категорическому утверждению о том, как функционирует биологическая система, следует относиться с осторожностью. Недаром же говорят, что кое-кто из физиологов не признает результатов количественных измерений, проводившихся в Массачусетском технологическом институте на лягушках, только потому, что сами они не сумели воспроизвести эти результаты на своих лягушках!

Но мы еще не сказали о том, как работают четыре типа клеток, о которых говорили сотрудники МТИ. Постараемся объяснить функции лишь одного из них, обнаружителя выпуклости изображений, или, как его еще называют, "жук-детектора" (локатора насекомых).

В своих опытах массачусетские исследователи передвигали объекты различной формы в поле зрения такой клетки и выяснили, что ее чувствительность связана с величиной объекта. Как оказалось, ни большой, ни слишком маленький объект реакции не вызывали, в то время как на объект средних размеров реакция была! Ученых поразило сходство размеров этого объекта с размерами насекомого. Впрочем, предоставим им слово. Перед нами выдержка из работы, в которой показан ход особенно увлекательного эксперимента.

"В наших руках отличный экспонат - большая цветная фотография с изображением цветов и травы (обычного места обитания лягушки), снятая в том же ракурсе, в каком его видит лягушка. Мы можем передвигать эту фотографию в поле зрения клетки примерно на 18 сантиметров в разные стороны - и безрезультатно: реакции не будет. Но если на входящей в поле зрения части фотографии с помощью магнита поместить объект величиной с муху и передвигать его, реакция будет превосходной. Когда же объект закреплен на фотографии примерно на одном и том же месте, но двигается вместе с ней, реакции снова нет".

Ну, чем не локатор насекомых!

Однако, прежде чем перейти к дальнейшим разъяснениям, необходимо сказать несколько слов об экспериментальных данных, полученных Д.Хьюбелом в Гарвардском университете. Хьюбел занимался исследованием свойств нейронов в глазу кошки. Пути от глаза к мозгу у кошек и лягушек различны, и, вероятно, это имеет большое значение. Но мы сейчас пренебрежем этим обстоятельством. Хьюбел проводил свои исследования примерно в той же области, что и массачусетские ученые, но сумел проникнуть глубже в мозг испытуемого животного. Как можно судить на основании работ сотрудников Массачусетского технологического института, реакции клеток глаза кошки до некоторой степени сходны с реакциями клеток глаза лягушки. Но уже далее, в коре мозга кошки, начинается нечто необычное. Дело в том, что корковые нейроны генерируют сигналы лишь в том случае, если глазу показывают узкий, длинный предмет. Более того, этот предмет должен быть расположен под определенным углом, к тому же двигаться, да еще в определенном направлении! Именно эти особенности и побудили исследователей провести те эксперименты с персептроном типа глаза кошки, о которых мы говорили в гл.5.

Хьюбел сформулировал также и другие свойства нейронов (на них исследователи обращали внимание и раньше, но не придавали им существенного значения). Он обратил внимание на то, что с точки зрения зависимости реакции нейронов от интенсивности света их можно описать следующим образом. Рецептивное поле отдельного нейрона таково, что реакция в центральной его части отличается от реакции на периферии. Если бы мы начали исследовать это поле с помощью маленького светового пятна, то обнаружили бы, что в центральном участке реакция происходит, когда свет ВКЛЮЧАЕТСЯ (on-центр), а на периферии - когда свет ВЫКЛЮЧАЕТСЯ (off-периферия). Существуют и такие нейроны, у которых, наоборот, центр поля реагирует на включение, а окружающая его часть - на выключение света. Некоторые ученые обратили внимание на то, что имеются клетки, у которых рецептивное поле всех нейронов реагирует либо только на включение, либо только на выключение света.

Разумеется, было бы совсем неплохо, если бы все перечисленные разновидности удалось связать друг с другом таким образом, чтобы их можно было приписать одному и тому же типу живых существ. Попробуем это сделать, но заранее предупреждаем читателя, что высказываемая нами точка зрения - всего лишь мнение одного инженера по поводу того, как происходит обработка зрительной информации в нейронах глаза.

Отправным пунктом нам послужат описанные Хьюбелом типы рецептивных полей, которые он усматривает в глазу кошки (рис.29). Отметим, что каждое из этих полей изображено, исходя из наличия в нем on- и off-участков. Рассмотрим, как клетка с такими полями может чувствовать направление движения видимого ею объекта.


Рис.29. Рецептивные поля различных нейронов глаза кошки. а - центр поля реагирует на включение света (on-центр), а периферия на выключение (off-периферия); б - off-центр и on-периферия; в - более обширные рецептивные поля других типов.

Взгляните на грубый эскиз единичного нейрона с on-периферией и off-центром (рис.30,а); заметьте, что он представляет собой древовидную структуру, причем световые сигналы идут сверху. Предположим, что на свет реагируют кончики ветвей и что сигналы, принятые всеми ветвями, собираются в стволе. Зачерненные на рисунке участки ветвистой структуры реагируют на ВЫКЛЮЧЕНИЕ света, а остальная часть - на ВКЛЮЧЕНИЕ его.


Рис.30. Модель зрительного нейрона.

Поведение такой клетки можно описать с помощью функциональной модели, изображенной на рис.30,б. Входные датчики посылают соответствующие токи на суммирующий нейрон, который, как это явствует из его названия, суммирует все приходящие к нему токи. (Буква "ц" над одним из датчиков указывает, что это "центральный" элемент.)

Мы говорили о нейроне с off-центром и on-периферией, но можно использовать и клетки с on-центром и off-neриферией или с только on- либо только off-датчиками. Основываясь на уже упоминавшейся статье о нейронах лягушки, придадим сигналам, поступающим с датчиков, следующие характеристики. Датчики, соединенные с центром, дают сигналы большой величины и малой продолжительности, а датчики, соединенные с периферией, дают слабые медленно затухающие сигналы. Таким образом, возможны четыре основных типа сигналов, показанные на рис.30,в.

Читатель, вероятно, обратил внимание на то обстоятельство, что так называемый "центральный" датчик на рис.30,а и б на самом деле не находится в центре ветвистой структуры. И это не просчет художника; это сделано намеренно. В реальной жизни мы не найдем деревьев, в которых центральный ствол был бы расположен точно по центру,- это знает каждый, кому доводилось покупать новогоднюю елку. Поэтому можно ожидать, что и дендритная структура нейрона смещена относительно центра тела клетки. Более того, такое смещение центра внутреннего участка по отношению к его периферии полезно, поскольку оно позволяет живому существу больше знать о том, что происходит кругом, чем можно было бы предполагать. В сущности именно оно обусловливает и реакцию клетки на движущиеся объекты таким образом, что характер этой реакции связан с направлением движения. Прежде чем объяснить, почему это происходит, рассмотрим простой набор датчиков, расположенных по прямой линии (рис. 31,а). Что произойдет, если мы будем передвигать световое пятно вдоль этого ряда с постоянной скоростью? Каким будет выходной сигнал нейрона?


Рис.31. В результате смещения центра максимальный сигнал имеет большую величину при движении в одном направлении, чем в другом.

Это зависит от того, насколько быстро и в каком направлении будет перемещаться пятно. Если оно движется слева направо очень-очень медленно, сигнал от каждого датчика может затухнуть раньше, чем пятно дойдет до его соседа. Если же пятно движется быстро, то сигнал от первого датчика еще будет поступать в нейрон, а второй датчик уже пошлет свой сигнал. Другими словами, в этом случае сигналы будут частично перекрывать друг друга и накапливаться в теле клетки, где они образуют суммарный сигнал с возрастающей амплитудой (рис.31,б). Следует обратить внимание на две особенности: 1) наибольший сигнал принимается в том случае, когда световое пятно пересекает центральный элемент; 2) как только световое пятно минует датчики, выходной сигнал нейрона начинает уменьшаться до нуля.

Сильный сигнал с центрального элемента в нашем случае отмечается в тот момент, когда суммарный сигнал только начинает возрастать. Но если мы будем перемещать световое пятно в противоположном направлении, центральный сигнал появится позже. Следовательно, при движении светового пятна в одном направлении общий максимальный сигнал [То есть сумма сигнала центрального датчика и суммарного сигнала остальных датчиков.- Прим. ред.] будет сильнее, а при движении в другом - слабее. Именно на этом принципе основана способность клетки распознавать направление движения. Так, если перед нами две клетки и у одной из них центральный датчик смещен влево от центра, а у второй - вправо, мы можем сравнить их выходные сигналы. Зная, какая из клеток дала больший выходной сигнал, мы без труда определим, в каком направлении двигалось пятно. (Заметим, что, будь центральный датчик расположен строго по центру среди других датчиков, максимальный выходной сигнал был бы одним и тем же при движении пятна в обоих направлениях).

Общая амплитуда, которую обеспечивают датчики слабых сигналов, зависит, как уже отмечалось, от скорости движущегося светового пятна (рис.31,г), поэтому клетка может выдавать сигнал, величина которого связана с этой скоростью.

Итак, расположив датчики в порядке, подсказанном нам перечисленными ранее свойствами 1, 2 и 4 глаза лягушки, мы в принципе продемонстрировали возможность нейронов обеспечивать выходной сигнал, связанный с направлением движения (как отмечено свойством 3). Чувствительность к скорости движения достигается путем, сходным с тем, который используется в глазу кошки.

И хотя мы не собираемся в этой книге рассматривать математические методы решения проблемы, запомните, что все, о чем здесь говорилось, можно доказать с помощью математического анализа. Для подтверждения же ожидаемых результатов поведения нейрона были построены конкретные его модели.

Но каким образом модель нейрона глаза лягушки одновременно обеспечивает выполнение того, что описано в публикации массачусетских исследователей, и того, что делает "жук-детектор", о котором мы уже говорили? Оказывается, совместить функции "жук-детектора" с чувствительностью к скорости и направлению движения вполне возможно. А чтобы понять, как это достигается, остановимся на одной из моделей нейрона.

Перед нами схема модели, исследовавшейся в Лаборатории морской артиллерии (рис.32). Рассмотрим, что в ней происходит, не вдаваясь в подробности, почему это происходит именно так.


Рис.32. Электрическая модель нейрона с on-центром и off-периферией.

Квадратиками слева (рис.32,а) обозначены устройства, преобразующие свет в электрическое напряжение. Если свет попадает на одно из этих устройств, по направлению к телу клетки начинает протекать ток. Этот ток течет лишь на протяжении коротких интервалов времени после включения и после выключения источника света. На рисунке показаны как возбуждающие (светлые квадраты), так и тормозные (черные квадраты) датчики. Амплитуды и продолжительность упомянутых кратковременных токов будут зависеть от того, какой датчик (возбуждающий или тормозной) был освещен. Объясняется это тем, что в цепях, связывающих датчики того и другого типа с телом клетки, включены детали с различными параметрами. Формы токов, притекающих к телу клетки от датчиков того и другого типов, показаны на рис.32,б.

Схема тела клетки работает так. Сначала она меняет полярность тормозных токов на противоположную (рис.32,в); затем суммирует все токи от обоих типов датчиков и, наконец, отсекает отрицательные составляющие результирующего сигнала (рис.32,г). Таким образом, при освещении одного датчика сигнал на выходе схемы будет зависеть от того, каким был этот датчик - возбуждающим или тормозным (рис.32,г).

Если вдоль ряда датчиков движется узкий пучок света, то на выходе будет иметь место ранее описанное явление зависимости величины сигнала от скорости и направления движения (см.рис.31).

Эта же модель нейрона может вести себя и как "жук-детектор". У. ван Бергейк и Л.Хармон предложили возможный механизм работы нейрона глаза настоящей лягушки; наша модель (рис.32) будет функционировать таким же образом. При освещении полосы датчиков выходной сигнал нейрона будет зависеть от величины освещенного участка. Если освещена вся полоса, выходного сигнала не будет. Если освещен один датчик, на выходе будет небольшой сигнал. Но самый сильный сигнал образуется в том случае, когда световое пятно имеет величину, среднюю между этими двумя крайностями. Подобно "жук-детектору" в глазу лягушки, наш нейрон сильнее всего реагирует на объект определенной величины.

Проиллюстрируем нашу мысль с помощью рис.33. Примем для начала, что всего имеется 30 датчиков и в результате их реакции на свет появляются сигналы с амплитудами, соответствующими показанным на рисунке. Теперь предположим, что мы включаем свет, который освещает всю полосу. Каждый из тормозных датчиков пошлет к телу клетки свой ток, причем пиковая амплитуда каждого тока составит 1 единицу. Пиковую амплитуду каждого из возбуждающих токов положим равной 5 единицам. Поскольку тело клетки изменит знак тормозных сигналов, а затем просуммирует их с возбуждающими сигналами, итоговый выходной сигнал ячейки будет равен: 25-25=0. Но если освещается 25 датчиков (куда входят и все возбуждающие), доля участия тормозных датчиков будет меньше, и итоговый выходной сигнал теперь будет равен: 25-20=5 единиц.


Рис.33. Механизм "жук-детекции" образуется в результате взаимодействия on- и off-участков в рецептивном поле.

Возможны различные комбинации размеров светового пятна, его расположения и итогового выходного сигнала модели (рис.33,б). Заметим, что в тех случаях, когда тормозных сигналов больше, чем возбуждающих, выходной сигнал модели все равно будет равен нулю, но не станет отрицательным, так как модель отсекает сигналы отрицательной полярности.

Особенно важно отметить, что с уменьшением размеров светового пятна выходной сигнал нейрона возрастает, пока не достигнет своего максимального значения (при этом ширина его соответствует пяти датчикам). По мере дальнейшего уменьшения пятна сигнал уменьшается до нуля. Следовательно, подобно "жук-детектору" в глазу лягушки, этот нейрон дает выходной сигнал наибольшей величины при конкретных размерах светового пятна.

А теперь посмотрим, как можно применить все эти принципы к решению практической задачи. На рис.34 изображен индикатор радиолокационной станции, в котором применена так называемая развертка типа Б. Нечто вроде этого вы можете увидеть на экранах некоторых радиолокаторов. Три черные точки соответствуют световым отметкам от самолетов. По расположению отметок на экране оператор станции судит о том, где находятся самолеты. Чем они дальше, тем выше на экране отметки, и чем ближе, тем эти отметки ниже. Расположение отметок на экране слева направо соответствует азимуту самолетов по отношению к месту нахождения радиолокатора.


Рис.34. На экране радиолокационного индикатора с разверткой типа Б, похожем на экран телевизора, световые отметки соответствуют самолетам. Дальность связана с положением по вертикали, а азимут зависит от положения по горизонтали на экране.

Значит, если судить по рис.34, самолет 2 находится дальше, а самолет 3 - ближе. Если самолет 2 находится, скажем, к северу от радиолокатора, то самолет 3 примерно на востоке, а самолет 1 - на западе.

Стрелки около каждой цели (самолета) на реальном экране отсутствуют и нарисованы здесь лишь для того, чтобы показать, что световые отметки перемещаются по экрану в соответствии с движением самолетов. Различная длина стрелок соответствует различным скоростям, а их направления указывают направления движения самолетов. Следовательно, самолеты 1 к 3 движутся к радиолокатору, а самолет 2 - от него.

Задача оператора состоит в следующем. Допустим, что радиолокатор находится на базе управляемых зенитных ракет, защищающих некий город, и что все самолеты опознаны как вражеские. Оператор должен непрерывно следить за изображением на экране и оценивать, какая из целей первой достигнет города. Это позволит распределять очередность залпов зенитных ракет по целям.

Из рис.34 видно, что ближе всего идут цели 1 и 3. Но несмотря на то что цель 3 - самая ближняя, цель 1 перемещается быстрее и, вероятнее всего, придет первой. Поэтому оператор наверняка решит, что наибольшую угрозу представляет цель 1, и посоветует операторам зенитных ракет сосредоточиться именно на ней.

Теперь предположим, что нам хотелось бы заменить оператора машиной. Выполнимо ли это?

Оказывается, выполнимо, если должным образом использовать цифровую вычислительную машину. Можно запрограммировать машину так, чтобы она справилась с этой задачей - во всяком случае, в принципе. Однако практическое осуществление представляет некоторые трудности. Мы, к примеру, рассматривали только три самолета, а на деле их может быть гораздо больше. Если их будет слишком много, вычислительная машина может и не уследить за тем, что происходит. К тому же на реальном радиолокационном экране не исключены добавочные световые отметки, которые отнюдь не обусловлены движущимися целями. Специалисты называют их "ложными отметками". Такие отметки затрудняют работу вычислительной машины, которая вынуждена считать их истинными целями до тех пор, пока путем вычислений не докажет обратного. Не удивительно, что ложные отметки значительно увеличивают рабочую нагрузку машины, загоняя ее "до седьмого пота"!

В тех системах, где истолковывать картину на экране радиолокатора приходится человеку, все гораздо проще - оператор быстро распознает, где истинные цели, а где ложные отметки. Кроме того, он имеет возможность решать, какая из целей имеет тенденцию первой приблизиться на минимальное расстояние. Таким образом, человек принимает решение, а затем передает в ведение вычислительной машины только одну критическую цель. С ней-то машина справится и проведет вычисления, необходимые для наведения зенитной ракеты.

Из всего сказанного следует,что если подобной системе и предстоит обойтись без человека, то цифровую вычислительную машину вряд ли можно считать лучшим кандидатом на его замену. Для этого случая требуется совсем иной тип машины - очевидно, способной решать проблему такими же путями, что и человек. Нам нужна машина, сочетающая искусственную нервную систему с искусственным зрением. И оказывается, что глаз лягушки, по-видимому, способен справиться с такой задачей.

Предположим, что мы передали картину с экрана радиолокатора на полосу нейронов (см. рис.30,б). Вспомним, что центральные датчики реагируют на включение сигнала, а периферийные - на выключение, и допустим, что центральные участки у всех нейронов смещены от центра в одном и том же направлении (рис.35). Заметим, что ветвистые структуры этих нейронов частично перекрывают друг друга, и примем, что нейроны расположены достаточно тесно - следовательно, световое пятно всегда будет попадать на один из центральных участков. Что же произойдет, если распределение световых отметок на экране радиолокатора, показанное на рис.34, сфокусировать на нашу полосу (рис.35)? У какого нейрона будет наибольший выходной сигнал ?


Рис.35. Если все центры смещены в направлении минимальной дальности, наибольшие выходные сигналы будут соответствовать самолетам, движущимся в направлении на радиолокатор.

Если читатель усвоил объяснения, которые относились к рис.31, он поймет, что все нейроны, на которые попадают световые отметки, выдадут сигналы со своих центральных датчиков. Но из всех этих нейронов наибольший сигнал с остальных датчиков будет у нейрона, соответствующего расположению цели 1 (на рис.34). Так получается не только потому, что эта цель движется быстрее всех; она к тому же возбудит большее число датчиков в ветвистой структуре, ибо направление ее движения почти совпадает с направлением на центральный элемент. Поэтому, если бы мы проверили выходные сигналы от всех нейронов нашей решетки и отобрали нейрон с наибольшим сигналом, этим нейроном оказался бы нейрон, соответствующий цели 1. И это почти все, что требуется для приближения к функциям радиолокационного оператора.

Предположим, что цель 2 движется в том же направлении и с той же скоростью, что и цель 1. Тогда оба соответствующих этим целям нейрона в решетке будут выдавать выходные сигналы одинакового уровня. Следовательно, машина - а она, как известно, отбирает максимальный выходной сигнал - будет считать, что, по-видимому, обе цели придут в один и тот же момент. Но поскольку цель 2 находится дальше, она на самом деле придет позже. Поэтому решетку из ячеек (рис.35) необходимо построить таким образом, чтобы ячейки, соответствующие ближним расстояниям, выдавали сигналы большей величины, чем те, которые отвечают более дальним дистанциям. Тогда, если решетка будет составлена из ячеек, у которых выходной сигнал из центрального участка будет тем меньше, чем выше она расположена в решетке (чем дальше цель), дальность цели также будет учтена.

При должном построении нейрон с самым большим выходным сигналом будет соответствовать той цели, которая с наибольшей вероятностью придет первой. Ложные отметки не составляют особой проблемы, если они возникают на экране по случайному закону.

Конкретные исследования в этом направлении проводились на вычислительной машине, сконструированной в Лаборатории прикладной физики Университета Джона Гопкинса для моделирования глаза лягушки. В машине использовалось специальное телевизионное оборудоваие, причем светочувствительные слои телевизионных трубок соответствовали нейронам глаза лягушки. Все выбранные принципы оказались справедливыми.

Особый интерес представляло испытание устройства при наличии ложных отметок. Отметка цели подавалась на смоделированный экран радиолокатора одновременно с множеством ложных отметок. Человеку, смотрящему на экран, казалось, что экран заполнен массой мерцающих световых пятен. Лишь понаблюдав за экраном некоторое время, он мог различить, которое же из пятен является отметкой цели. Затем эту же картину, но воспринятую моделью глаза лягушки, вывели на телевизионный монитор. Сначала глаз лягушки тоже не был в состоянии распознать, какое из световых пятен соответствует цели. Но вскоре он, подобно глазу человека, тоже начал "различать" цель. Первое время телемонитор показывал и цель и ложные отметки, но вскоре ложные отметки потухали и оставалась лишь отметка цели. Таким образом цель была идентифицирована.

На основании сказанного можно было утверждать, чтр в принципе такой тип вычислительной машины мог бы заменить оператора радиолокационной станции. Увы! Вряд ли это произойдет в скором времени. Дело в том, что аппаратура, используемая в модели глаза лягушки, неизмеримо дальше от практического использования, нежели цифровая вычислительная машина. Вот когда мы научимся создавать искусственные нервные системы, эта концепция найдет свое воплощение. А пока в решении этой проблемы ничто не может сравниться с вычислительной машиной, этим булевым "крысоловом" [Имеется в виду старинная легенда о крысолове из Гаммельна, который своей игрой на волшебной дудочке вывел из города всех крыс. Легенда положена в основу поэмы Броунинга "Гаммельнскии крысолов".- Прим. ред.]. Говоря о машине для интерпретации картин, видимых на экране радиолокатора, мы стремились показать, что исследования в области создания искусственных нервных сетей имеют несомненную практическую ценность. И хотя в этой книге мы лишены возможности вдаваться в подробности, необходимо отметить, что действие чувствительных к линейным объектам нейронов, обнаруженных в мозгу кошки, также можно объяснить с позиций только что рассмотренных механизмов. К сожалению, такой "бионический" подход вряд ли осуществим в ближайшее время, поэтому ограничимся анализом достижений человеческого разума, создающего практические схемы искусственного зрения.

Попробуем детальнее разобраться в некоторых устройствах, которым независимо от подсказок Природы стало доступно распознавание печатных и рукописных букв и цифр. Ведь часть из них уже сегодня в состоянии "читать" банковские чеки, кредитные карточки на бензин и промышленные товары, а также кассовые чеки.

Каким же образом они это делают?

Один из самых простых способов - так называемый процесс сравнения с трафаретом. Предположим, что на листе белой бумаги отпечатана буква Е. Чтобы распознать ее, мы должны построить машину, в которой имеется набор трафаретов - по одному на каждую букву алфавита. Машина же отбирает каждый из трафаретов и накладывает его на подлежащую распознаванию букву. Всякий раз, когда на букву накладывается очередной трафарет, машина проверяет, видна ли под его прорезью только черная поверхность. Если буква выглядит так, как показано на рис.36,а, то при наложении на нее трафарета в виде буквы Е в прорези будет виден лишь черный цвет (рис.36,б). Если же приложить сюда, к примеру, трафарет с изображением буквы Т, то в его прорези обнаружится несколько белых участков (рис.36,в). Не правда ли, все очень просто? И все же этот способ не так уж хорош. Посмотрите, что произойдет, если на букву Е наложить трафарет буквы F (рис.36,г). Поскольку машина не увидит белых участков, она может поддаться искушению и сделать вывод, что смотрит на букву F. Поэтому процесс следует улучшить.


Рис.36. Распознавание путем сравнения с трафаретом. а - все буквы имеют непрозрачные трафареты; б - при наложении трафарета на соответствующую букву светлых участков не видно; в - неправильное наложение отмечается наличием светлых участков (А); г - возможно и ложное распознавание.

С этой целью необходимо заставить машину вырабатывать второй вариант входной буквы, который должен быть негативным изображением первого. Тогда, если исходная распознаваемая буква была черной на белом фоне, машина выдаст белую букву на черном фоне. Затем обе эти буквы сравниваются с парой трафаретов, которые машина держит про запас для каждой буквы алфавита.

Расположим входную букву справа (рис.37,а), а ее искусственный аналог, созданный в машине,- слева. Что произойдет, если на каждую из этих букв наложить изображенные прямо под ними трафареты (рис.37,б и в)?


Рис.37. Создавая негативное изображение входной буквы и применяя пары трафаретов, можно избежать неправильной идентификации.

Если на букву Е посмотреть через трафарет буквы Е, белых участков не видно. Но когда буква Е рассматривается через трафарет буквы F, в левой части картинки появится белый участок (рис.37,г). Аналогично, если на букву F посмотреть через трафарет буквы Е, то на правом трафарете (рис.37,д) заметен белый участок.

Следовательно, в машине такого типа нужный трафарет находят в том случае, когда испытания с обоими трафаретами показывают отсутствие белых участков. Подобная машина была построена в отделе оборонной электроники фирмы РКА; она выполняет только что описанные процессы сравнения трафаретов электронным способом. Попытаемся объяснить принцип ее работы, не слишком углубляясь в электронику. Покажем прежде всего, как работает сканирующая трубка.

Эта трубка весьма похожа на ту, что используется в вашем телевизоре. В ее горловине расположена электронная пушка, испускающая поток электронов по направлению к передней стенке трубки. Такую картину можно уподобить струе воды, направленной из шланга в стену, за исключением того, что нацеливание электронного пучка происходит за счет напряжения, прикладываемого к встроенным в трубку отклоняющим пластинам. (В некоторых трубках отклонение осуществляется с помощью магнитных полей - в отклоняющие катушки трубки посылаются соответствующие токи). Можно заставить пучок двигаться либо слева направо по экрану трубки, либо сверху вниз.

В том месте, где пучок попадает на экран трубки, излучается свет. Следовательно, если смотреть на экран в то время, когда луч медленно движется слева направо, можно увидеть, как по экрану перемещается яркое пятно. Если же луч движется достаточно быстро, то вследствие инерции зрительного восприятия эта движущаяся точка покажется нам неподвижной линией.


Рис.38. Многие распознающие машины сначала преобразуют изображение в последовательность электрических сигналов.

Теперь предположим, что сканирующая трубка помещена в темный ящик вместе с листом бумаги, на котором изображен черный прямоугольник (рис.38,а). С помощью системы линз сфокусируем на этом листе изображение экрана трубки. В результате световое пятно будет двигаться по листу, повторяя движение пятна на экране. Ясно, что в точке падения светового пятна на бумагу происходит какое-то отражение света. Если теперь поставить фотоэлектрический датчик, который улавливал бы весь отраженный от бумаги свет, окажется, что интенсивность отраженного света при движении светового пятна изменится, как только пятно попадет на черные участки (рис.38,б).

Движение (сканирование) луча в этом случае происходит по пяти строкам, расположенным на листе через равные промежутки (рис.38,б). Луч начинает двигаться из верхней точки слева, с умеренной скоростью идет направо и затем, когда достигнут правый край, вновь быстро перескакивает к левому краю, но уже ниже. После этого он опять с небольшой скоростью проходит направо и, дойдя до края, перелетает налево и вниз, чтобы начать третью строку. До сих пор интенсивность света, отраженного от бумаги и уловленного датчиком, не менялась. Но часть пути по третьей строке свет падает на зачерненную область, от которой отражается меньше света, и здесь выходной сигнал датчика на время резко падает, пока световое пятно вновь не достигнет белой бумаги. Поскольку при движении по четвертой строке световое пятно снова пересечет темный участок, выходной сигнал опять уменьшится на этот период. Когда свет дойдет до нижнего правого угла листа, он перескочит в верхний левый угол - и все начнется сначала.

В результате такой развертки и процесса регистрации света выходные сигналы датчика представляют собой электрический вариант того, что изображено на листе бумаги. Полностью все сигналы показаны на рис.38,г.

Если бы в нашем распоряжении была еще одна электроннолучевая трубка, движение луча в которой во времени и пространстве совпадало бы с движением луча первой трубки, то на ее экране можно было бы восстановить изображение, пользуясь получаемыми с выхода датчика сигналами как средством изменения интенсивности электронного пучка во второй трубке. Если сильный сигнал соответствует большой яркости, а слабый - низкой, то картина будет выглядеть так, как показано на рис. 39,а. Изменив полярность этих сигналов до того, как они будут приложены ко второй трубке, мы получим негативный вариант входного изображения (рис.39,б).


Рис.39. Изображение можно образовать, подавая соответствующие сигналы на электроннолучевую трубку (а); если сначала изменить полярность электрических сигналов, можно получить негативное изображение (б).

Итак, уяснив принцип действия электроннолучевой трубки и метод получения негативного варианта изображения, мы можем перейти к полному описанию читающей машины фирмы РКА (рис. 40), Сканирующая система улавливает входное изображение и преобразует его в ДВА ИЗОБРАЖЕНИЯ (позитивное и негативное) на экране кинескопа. Затем специальная оптическая система проецирует эти изображения на стандартные трафареты; каждый из них имеет по паре всех букв и цифр, для распознавания которых предназначена данная система. Если она должна распознавать двадцать шесть знаков, то оптическая система проецирует входное изображение сразу на 26 трафаретов. За трафаретами расположены 26 светочувствительных приборов (по одному на каждую пару трафаретов). Тот датчик, на который не попадет свет, будет находиться как раз за трафаретом, соответствующим знаку, изображенному на предъявленном машине листе бумаги. Электронное устройство узнает, у какого из датчиков нет входного светового сигнала, и сообщает об этом результате, посылая серии единиц и нулей в цифровую вычислительную машину, обслуживающую читающую машину. Один из вариантов такой машины был рассчитан на то, чтобы читать две строки шрифта на карточках размером примерно 8*13 сантиметров. Машина способна прочитывать 6.25 карточки в секунду; па одну букву она тратит 0.1 секунды. Машина умела распознавать шестнадцать знаков, совершая в среднем пять ошибок на каждый миллион прочитанных знаков. Когда ее снабдили трафаретами русских букв, она столь же успешно справлялась и с русским алфавитом.


Рис.40. Машина фирмы РКА для распознавания букв совершает в среднем пять ошибок на миллион распознаваемых букв. Заменив трафареты, можно работать и с другими языками, например с русским.

Для получения электрических отображений входных знаков в этой машине последние обследовались сканирующей трубкой, после чего электрическое отображение снова преобразовывалось в оптическое, чтобы провести сравнение с оптическим трафаретом. Но это обратное преобразование вовсе не обязательно, поскольку для исследования сигнала, созданного сканером, можно воспользоваться и электрическим трафаретом. Именно так поступает машина, разработанная фирмой "Филко".

В ее сканере луч движется по строке распознаваемого шрифта ступеньками в особой последовательности, показанной на рис.41,а. Он начинает с нижнего левого угла строки и перемещается вертикально вверх 22 дискретными шагами (выборками). Затем луч перескакивает вниз, к нижней части строки и чуть правее, и снова движется вертикально вверх, проходя при этом 22 шага; он перелетает к нижней части строки, повторяет вертикальную развертку и продолжает до тех пор, пока не пройдет всю строку.


Рис.41. В машине фирмы "Филко" для распознавания используется принцип сравнения с электронными трафаретами.

В каждой выборке датчик, следящий за отраженным светом и отмечающий его интенсивность, способен ответить, какой цвет - черный или белый - у бумаги в этой точке. Затем датчик вырабатывает напряжение, равное нулю для белых участков и единице для черных. По мере того как луч проходит всю строку, датчик вырабатывает некоторую последовательность нулей и единиц.

Для наглядности рассмотрим упрощенный вариант развертки (рис.41,б) и выясним, что происходит, когда луч движется по строке, содержащей буквы L и Т, которые были распознаны персептроном (гл.5). Заметим, что строка разделена на квадраты, перенумерованные в соответствии с той последовательностью, в которой луч обходит каждый из них при проверке на присутствие черного или белого цвета. В результате проверки образуется последовательность сигналов, показанная на рис.41,в.

Эта последовательность сигналов поступает в электронное устройство (называемое сдвиговым регистром), которое работает следующим образом. Оно состоит из ряда ячеек, именуемых каскадами или разрядами. В каждом разряде может содержаться либо i, либо 0. Разряд может также переносить (сдвигать) то, что в нем содержится (1 или 0), на соседний разряд, когда ему приказано это сделать. В самом начале цикла развертки во всех разрядах будут нули. Но всякий раз, когда световое пятно исследует какой-либо квадрат, в крайний левый разряд посылается 1 или 0 (в зависимости от того, что находится в данном квадрате), а всем остальным разрядам отдается приказ передвинуть хранящуюся в них информацию соседям справа. Таким образом, последовательность сигналов, представляющих рассматриваемую букву, проходит слева направо по сдвиговому регистру (табл.3).

Таблица 3

Когда луч обследует каждый квадрат, в первый разряд приходит либо 1, либо 0 и одновременно содержимое всех разрядов сдвигается в соседние высшие разряды (слева направо). Содержимое девятого разряда в процессе сдвига теряется. Цифры показывают содержимое разрядов регистра для верхней точки каждой линии сканирования.

Тогда, помня, что регистр имеет всего девять разрядов, мы можем использовать его для проверки девяти квадратов, на которые разбито входное изображение. Допустим, что мы проверяем содержимое регистра каждый раз, когда луч изучает верхний квадрат своей развертки. То, что предстает нашему взору, составляет содержимое той сетки квадратов, которая исследовалась последней. Так, когда луч доходит до квадрата 15, в регистре содержится информация о квадратах с 9 по 15 включительно. В правом разряде регистра будет 1, соответствующая тому, что находится в квадрате 9, а в левом - 0, соответствующий квадрату 15.

Мы можем проверять содержимое регистра всякий раз, когда луч попадает на верхний квадрат развертки (рис.41). Вспомним, что последовательность сигналов, хранящаяся в регистре, есть электрическое изображение того, что напечатано на листке бумаги, который находится на входе машины. Теперь нам надо сравнить это изображение с электронными трафаретами тех букв, для распознавания которых предназначена система. Эти трафареты соединены со сдвиговым регистром (рис.42). Отметим, что каждый ряд представляет собой набор резисторов, соединенных с индикатором нуля или единицы каждого из разрядов регистра. Если в данном разряде хранится 0, то "нулевой" выход этого разряда [То есть выход индикатора нуля.- Прим. ред.] передаст на каждый из соединенных с ним резисторов сигнал величиной в одну условную единицу, а "единичный" выход этого разряда не выдаст никакого сигнала ни на один из соединенных с ним резисторов. Для любого конкретного распределения нулей и единиц в регистре каждым из суммирующих и пороговых элементов, находящихся на правом конце каждой линии резисторов, будет принят итоговый сигнал. Если этот сигнал превышает заданный порог, буква распознана. Другими словами, каждая строка резисторной сетки соответствует трафарету одного знака (буквы или цифры), а регистр служит для того, чтобы передвигать последовательности нулей и единиц, соответствующие входному изображению, в положение, необходимое для сравнения с трафаретами.


Рис.42. Проводники, выходящие из регистра, несут информацию об электронном образе, соответствующем просматриваемому объекту. Соединения в каждом ряду резисторов выполнены так, чтобы соответствовать образу буквы, подлежащей распознаванию. Сравните соединения в рядах, соответствующих буквам L и Т, с содержимым регистра, показанным в строках табл.3 для положений луча 15 и 27.

Но не следует забывать, что этот девятиразрядный регистр применим только для того простейшего порядка сканирования, который использован в нашем примере. В одной из машин, созданных фирмой "Филко", каждая вертикальная линия развертки содержит 22 выборки вместо наших трех. И по ширине в развертке насчитывается для каждой буквы 12 линий, а не три, как у нас. В машине "Филко" используется регистр из 264 разрядов. Кроме того, там применены некоторые ухищрения, которые мы здесь обсуждать не намерены (речь идет главным образом о различных электронных "хитростях", необходимых для того, чтобы избежать ошибок при распознавании бледных оттисков букв, а также других "практических" соображениях, влияющих на способность машины справляться с распознаванием предъявляемых ей букв и цифр).

Прежде чем закончить обсуждение методов распознавания печатных знаков (в отличие от написанных от руки), необходимо сказать несколько слов о специальных типах шрифтов, применяемых для облегчения задач машинного распознавания. Это поможет нам перейти от метода сравнения с трафаретами к методу распознавания штрихов, который особенно важен для распознавания почерка. Вместо того чтобы говорить об аппаратуре, предназначенной для поисков этих особенностей, рассмотрим-ка лучше сами эти особенности.

Машина, которая распознает цифры, показанные в табл.4, выискивает наличие или отсутствие вертикальных и горизонтальных линий на различных участках той площади, которую занимает напечатанная цифра. Так, цифра 6 распознается в том случае, когда машина определяет, что сверху нет горизонтальной линии, справа вверху нет короткой вертикальной линии, в середине и внизу есть горизонтальные линии, справа внизу есть короткая вертикальная линия и, наконец, слева имеется длинная вертикальная линия. Для того чтобы машина могла сделать вывод о том, что она "видела" цифру 6, каждая из этих особенностей в соответствии с только что сказанным должна либо присутствовать, либо отсутствовать. Отметим, что цифры в рассматриваемом шрифте несколько искажены - это гарантирует наличие либо отсутствие указанных характерных черт.

Таблица 4

Иногда для облегчения задачи машинного распознавания создают специальный шрифт. Когда применяются показанные здесь цифры рисунка "Селфчек", машина проверяет наличие (1) или отсутствие (0) определенных вертикальных и горизонтальных штрихов.

Другая специализированная машина ищет лишь вертикальные линии (рис.43). Здесь пространство, занимаемое цифрой, разбивается на десять прямоугольных участков и для идентифицирования каждой цифры используются последовательности единиц и нулей.


Рис.43. Специальный шрифт. Используется в некоторых системах, распознающих знаки на основе наличия (1) или отсутствия (0) вертикальных штрихов в десяти точках выборки, размещенных по площади, которую занимает знак.

Другие специальные типы шрифтов (с различной степенью успеха, зависящей от конкретных конструкций) использовались в различных машинах. Однако чтение отпечатанных цифр - сравнительно легкая задача по сравнению с проблемой распознавания почерка. Пока еще не существует практически пригодных машин такого назначения, но уже проводятся кое-какие исследования, связанные с распознаванием написанных от руки знаков.

Остановимся на одной из интереснейших моделей, в которой используется цифровая вычислительная машина. Исследования проводил Л.Д.Эрнест (корпорация "Майтр").

Рассматриваемая вычислительная машина работает вместе со специальной электроннолучевой трубкой, на которой "пишут" слова, предназначенные для распознавания. Разумеется, "пишут" не в буквальном смысле слова, а просто водят по экрану трубки электронным "пером". В перо встроен фотодетектор, который "чувствует" свет от бегущего по экрану трубки луча. Как только свет обнаруживается, электронное перо посылает в вычислительную машину сигнал. Основываясь на нем, машина может определить, где находится "перо", ибо она же и управляет положением светового пятна на экране трубки. Другими словами, вычислительная машина перемещает световую метку по экрану трубки до тех пор, пока не получит сигнала от "пера". После этого она останавливает луч, отмечает его направление и сообщает своей "памяти", что это именно та точка, где в данный момент расположено "перо".

Поиск "пера" выполняется очень быстро, так что по мере его движения вычислительная машина будет за ним "следить" и весь путь, пройденный пером, зафиксирует в своей памяти.

Каждому понятно, что все это происходит так потому, что машина запрограммирована именно на такие действия. Ведь сама по себе электронно-вычислительная машина - не более как робот, послушно исполняющий приказания.

Итак, вы "пишете" нужное слово на экране трубки и тем самым вводите информацию в память машины. Запрограммированная соответствующим образом машина считает количество верхних и нижних штрихов (имеются в виду, к примеру, верхняя часть буквы h или нижние хвостики буквы g). Она отмечает также их относительное месторасположение в вашем слове, регистрирует число горизонтальных штрихов и их положение в слове, после чего пересчитывает все вертикальные штрихи, ПРИ ВЫПОЛНЕНИИ КОТОРЫХ ПЕРО ДВИЖЕТСЯ ВНИЗ.

Сопоставив все действия машины, мы убеждаемся, что некоторые характерные особенности (штрихи) слова отмечены. Зарегистрировано и их взаимное расположение внутри слова. Полученные данные сравниваются с данными главной картотеки, и все хранящиеся там слова с такой же комбинацией штрихов выводятся на печатающее устройство вычислительной машины.

Иногда получают правильный ответ, например когда искомым словом является слово "feature" (рис.44), а временами предоставляется несколько слов на выбор. Если же исходным словом было "battle", машина заключает, что это либо "battle", либо "bottle", либо "kettle".


Рис.44. Машина, созданная в Линкольновской лаборатории Массачусетского технологического института, распознает слово а, но путает слово б со словами "bottle" и "kettle".

Так или примерно так работают современные вычислительные машины, предназначенные для распознавания рукописных знаков. Не исключено, однако, что придет время, когда машина "взглянет" на неразборчивые каракули и негодующе заметит: "Неужели вы думаете, что я буду читать эти чертовы закорючки?"

И, право же, ей никогда этого не осилить!

ГЛАВА СЕДЬМАЯ. РАСПОЗНАВАНИЕ РЕЧИ И СВЯЗАННЫЕ С ЭТИМ ПРОБЛЕМЫ

Как мы могли убедиться, в распознавании зрительных образов достигнуты немалые успехи. Рассмотрим же гораздо более скромные достижения в распознавании звуков. Конечной целью работ по распознаванию звуков является создание машины, которая слышала бы настолько хорошо, что в один прекрасный день могла бы воскликнуть: "Тише, вы! Я не могу сосредоточиться на вычислениях!"

Возможно, мы слегка преувеличиваем. Но лишь слегка.

В идеале мы хотим получить машину, которая была бы в состоянии выслушивать устные инструкции оператора и совершать требуемые действия. Ведь сейчас, работая с любой из существующих машин, человек вынужден приноравливаться к ее уровню, применять ее язык. Но мы бы предпочли, чтобы машина воспринимала наш родной язык,- это и приводит нас к проблеме распознавания звуков. И хотя успехи в этой области пока еще очень ограниченны, они тем не менее представляют несомненный интерес.

Начнем с того, что нам известно о принципе действия биологических слуховых аппаратов, а затем перейдем к попыткам соперничества с ними.

Если задуматься над проблемой распознавания звуков, нетрудно заметить, что она имеет общие черты с задачей распознавания зрительных образов, а в сущности - с задачей распознавания в любой области восприятия, доступной биологическим системам. В коже, например, расположены нервные волокна, обеспечивающие обработку и интерпретацию сигналов, принятых чувствительными элементами. Вряд ли внутренняя обработка зрительной информации значительно отличается от обработки звуковой информации. Различие, по-видимому, заключается лишь в месте входа информации в систему. Здесь соответствующие элементы воспринимают свойства окружающей среды, в которой живет данное существо.

Очевидно, на внешней границе системы обработки данных у живого существа имеются компоненты, преобразующие сигналы из внешней среды в форму, пригодную для обработки в нервной системе, а именно в цепочки ("цуги") импульсов, частота которых зависит от интенсивности принятых сигналов. Поэтому периферические датчики можно назвать преобразующими элементами. Они предназначены воспринимать вкус, запах, свет, звук и давление (прикосновение).

Мы уже видели, как палочки и колбочки глаза преобразуют свет в сигналы, удобные для обработки их в нервной системе. Сигналы от всех палочек и колбочек объединяются, что и дает нам зрительную картину окружающей нас среды. Нервная же система выделяет в этой картине определенные образы. Ее деятельность по существу есть процесс распознавания образов.

По аналогии мы вправе ожидать, что и любая другая группа элементов, преобразующих внешние сигналы, создает "картины" обстановки в своем диапазоне восприятия. Полученные "картины" окружающего мира затем обрабатываются в нервной системе, по-видимому, теми же методами, что и при обработке визуальных изображений.

Чтобы понять, какого рода звуковая картина окружающей среды поступает для последующей обработки в нашу нервную систему, необходимо прежде всего разобраться в строении нашего уха, то есть того элемента, который создает эту картину (рис.45). Звуковые волны, пройдя через наружный слуховой проход, вызывают колебания мембраны, которая известна под названием барабанной перепонки. Цепь соединенных между собой слуховых косточек, расположенных в среднем ухе, передает эти колебания следующей мембране, которая в свою очередь передает их на структуры внутреннего уха. Во внутреннем ухе расположены структуры, имеющие отношение к двум различным функциям организма: восприятию звука и обеспечению равновесия. Равновесие контролируется с помощью нервных волокон, расположенных внутри трех петлевидных завитков, показанных на рисунке. Звуковая же картина воспринимается в спиралевидном устройстве, носящем название улитки.


Рис.45. Поперечный разрез уха.

Улитка представляет собой длинный канал, продольно разделенный на три камеры. Нервные волокна входят в меньшую треугольную камеру через отверстие в ее вершине. Из улитки они выходят перпендикулярно плоскости, в которой завита улитка (на рисунке они образуют пучок, идущий как бы в глубь книги, за улитку).

Две большие камеры улитки наполнены жидкостью. Звуковые волны, которые через слуховые косточки среднего уха попадают на мембрану внутреннего уха, передаются этой жидкостью по всему каналу улитки. Рассмотрев изображение поперечного разреза улитки, можно заметить, что у одного из этих наполненных жидкостью каналов имеется наружная стенка, называемая основной мембраной (рис.46). Внутри треугольной камеры имеется еще одно образование - покровная мембрана, которая по существу как бы подвешена в пространстве. От нервных клеток, расположенных в толще основной мембраны, тянутся тонкие волоски по направлению к покровной мембране.


Рис.46. Поперечный разрез улитки.

Когда звук достигает уха, обусловленные им колебания давления, распространяющиеся по наполненным жидкостью камерам улитки, вызывают колебания основной мембраны. В свою очередь эти колебания заставляют перемещаться волоски, изменяя степень их контакта с покровной мембраной. В результате этого волоски будут сгибаться, что возбудит в их клетках электрические сигналы; затем эти сигналы поступят на другие нейроны, которые передадут их в мозг. Именно так (представлено в очень упрощенном виде) звуки из окружающего пространства вызывают сигналы в нервной системе.

Но этим дело не ограничивается.

Улитка также создает звуковую "картину" окружающей среды. Дело в том, что волосковые клетки расположены вдоль всего канала. Но в разных его местах колебания основной мембраны имеют различную интенсивность, поэтому тот или иной звук, попадая в ухо, возбуждает лишь те или иные волосковые клетки. Нервная система получает сведения о том, какие именно волоски возбуждаются, и, очевидно, использует это для распознавания звука.

Попробуем пояснить нашу мысль.


Рис.47. "Распрямленная" улитка. "Распрямив" ее таким образом, легко представить себе длинное и узкое "отображение" приходящего звука, изменения амплитуды колебаний которого можно уподобить изменениям интенсивности света, отраженного от какой-либо картины.

Допустим, что улитка распрямлена (рис.47). Толщина основной мембраны меняется по всему каналу улитки не одинаково. Это значит, что механические свойства мембраны, обусловливающие характер ее колебаний, в различных точках канала также неодинаковы. Вследствие этого место, где амплитуда колебаний мембраны достигает наибольшей величины, будет зависеть от частоты приходящего сигнала. Доведись нам прослушать высококачественную звукозапись, на которой запечатлены отдельные частоты, мы бы обнаружили, что высокие частоты вызывают максимальные колебания на одном конце улитки, а низкие - на другом. Иными словами, улитка преобразует доходящие до нее звуки в "картину", отображающую примерный спектр частот этих звуков. В любой момент времени эта картина будет соответствовать пикам и впадинам интенсивностей звука, показанных на рис.48 длинными тонкими линиями. Их величины и расположение непрерывно меняются в зависимости от изменений приходящего звука.


Рис.48. Уровни интенсивности в различных точках улитки изменяются особым образом, характерным для каждого принятого звука.

Чтобы понять принцип использования такого рода картины при распознавании звука, рассмотрим исследования, связанные с моделированием голоса.

Когда мы говорим, наш рот, язык и голосовые связки действуют совместно - подобно очень сложному музыкальному инструменту. Многие музыкальные инструменты построены по принципу комбинации двух основных частей: генератора, богатого звуковыми гармониками, и фильтра, отбирающего некоторые гармоники для передачи их в окружающее пространство. Примером можег служить кларнет. Язычок кларнета вырабатывает основной, богатый гармониками тон, в то время как корпус с отверстиями, которые открываются посредством клапанов, действует в качестве резонатора. Последний отбирает частоты, дающие звук нужной высоты.

В процессе речи наши голосовые связки генерируют основной низкий тон, который идет из гортани в рот и в носовые ходы. Определенным образом располагая язык и в нужной степени приоткрывая или закрывая рот, мы в сущности фильтруем образованный голосовыми связками звук и позволяем выйти наружу лишь некоторым частотам. Звуки, полученные таким путем, называют звонкими, поскольку они связаны с действием голосовых связок. Но имеются также звуки другого типа, которые, будучи по своей природе щелевыми согласными, называются фрикативными. Струя воздуха, посылаемая из гортани, проталкивается через рот, суженный благодаря соответствующему расположению языка, зубов и губ.

Примерами звонких звуков служат звуки, которые образуются при произнесении букв типа "о" или "н", а типичные фрикативные звуки образуются при произнесении букв "т", "п" и др.

Изучение звуков речи с помощью специальной электронной аппаратуры показало, что при формировании звуков, пропускаемых полостью рта, имеются по крайней мере три основных диапазона частот. На самом деле их гораздо больше, но интенсивность других относительно мала. Основные диапазоны частот называются ФОРМАНТАМИ.

Положение и ширина формант изменяются в процессе произнесения звуков, и именно эти изменения придают звукам их индивидуальность. Уже проводились опыты по имитации звуков с помощью машин, рассчитанных на генерацию частот в этих формантных диапазонах. Если взглянуть, например, на форманты, требующиеся для произнесения слова "typical", можно заметить, что амплитуды их меняются определенным образом (рис.49).


Рис.49. Частоты, используемые в машине, когда она произносит слово "typical".

Каким образом звуки речи воздействуют на ухо? Они образуют изменяющуюся во времени "картину" вдоль канала улитки (рис.50). Расположение участков с максимальными амплитудами колебаний основной мембраны можно уподобить расположению светлых участков на визуальной картине, а расположение впадин (участков с минимальными амплитудами колебаний) - расположению темных участков.


Рис.50. "Картины", полученные в 18 последовательных моментов времени, пока машина произносит слово "typical". Если в это время контролировать улитку, то "картины" будут выглядеть примерно так, как изображено на рисунке (высшие частоты - слева).

Теперь вернемся к нашему первоначальному вопросу: как связана возникающая в улитке картина с распознаванием звуков?

Прежде всего оговоримся: ответ будет гипотетическим, ибо в нашем распоряжении слишком мало информации о процессах в нервных волокнах, ведущих от уха к мозгу. Но сведения, которыми мы располагаем относительно функций нейронов в глазах лягушки и кошки, дают нам некоторые указания.

Если допустить, что процессы в нейронах уха вряд ли сильно отличаются от того, что происходит в нейронах глаза, мы можем рассчитывать найти в ухе возбуждающие и тормозные нейроны, нейроны, чувствующие движение, и так далее. А с учетом звуковых картин, образующихся в канале улитки, мы вправе предположить, что перечисленные типы нейронов могут оказаться чрезвычайно важными для определения тех характеристик звуковых формант, которые, по-видимому, играют столь существенную роль в индивидуализации звуков. Так, например, клетки, чувствующие движение, были бы весьма полезны для определения изменяющейся частоты той или иной форманты.

Но, повторяем, все это лишь предположения.

А пока мы с достаточно обоснованной уверенностью можем говорить лишь о том, что улитка функционирует так, как описано выше. Конкретных данных для объяснения роли нейронов, воспринимающих сигналы от волосковых клеток, у нас почти нет. Отсутствие такого рода сведений затрудняет задачу создания машин, которые действовали бы по образу и подобию биологических систем. Однако это вовсе не означает, что такие машины не разрабатываются.

Посмотрим, что делается в этом направлении. Начнем с работ, проводившихся фирмой "Белл" и описанных в 1952 году. Была сконструирована машина, которая, как надеялись, сумеет распознавать на слух цифры от нуля до девяти. Эта машина следила за частотными "координатами" двух самых низких формант и использовала их для создания изображения. Само изображение представляло собой линию, образованную перемещением точки, "координаты" которой соответствовали частотам этих формант (рис.51). При произнесении звука положение этой точки меняется, так как изменяются формантные частоты. Поэтому такого рода картина играла роль как бы визуального образа. Все, что она дает,- это преобразование исходного звука в зрительный образ. Пока что мы еще ничего не "распознали".


Рис.51. "Картина" слова "seven". Получена путем записи траектории точки, определяемой постоянно меняющимися положениями первой и второй формант.

Чтобы распознать звук, необходимо научиться распознавать эти образы, которые мы вполне можем уподобить буквам некоего нового алфавита. А для этого можно воспользоваться принципами, изложенными в предыдущих главах. Так вот, в машине, созданной фирмой "Белл", и был по существу применен один из этих принципов - вариант метода сравнения с трафаретами. В машине хранились образцы "картин", соответствовавших каждому из упомянутых чисел (то есть от нуля до девяти). Всякий раз, когда машина улавливала звук, она формировала его визуальный образ и сравнивала этот образ с картинами, хранившимися в ее памяти, после чего отбирала наиболее близкое совпадение и выдавала решение.

Хорошо ли справлялась машина со своими функциями? Она была способна распознавать цифры от нуля до девяти с точностью от 97 до 99%, если имела дело с каким-то одним человеком. При этом условии ее можно было "настроить" так, что она давала хорошие результаты. Но стоило к машине обратиться любому другому человеку, как точность ее падала до 50-60%.

Не удивительно, что конструкторы занялись новыми расчетами. Но они столкнулись с проблемой, на наш взгляд, задержавшей развитие распознавания речи лет на двадцать. Мы имеем в виду влияние фонетики. Прежде чем продолжить наше повествование, скажем несколько слов о фонемах.

Специалисты, занимающиеся изучением звуков, которые образуют нашу речь, классифицировали их, разбив на ряд компонентов, получивших название фонем. Как утверждают, фонемы представляют собой основные звуки речи. В каждом языке существует свой набор звуков (хотя, по-видимому, имеет место некоторое перекрывание). Согласно одной из теорий, большинство английских слов можно выразить различными комбинациями из сорока одной фонемы, каждая из которых обозначена своим символом (табл.5). Читатель вправе спросить: какое отношение все это имеет к разработке машин для распознавания речи?

Таблица 5


Дело в том, что, когда разработчик машины впервые сталкивается с этой проблемой, он, естественно, исходит из того, что основными "кирпичиками" речи служат слоги. Но в английском языке существует около 4000 слогов, которые ждут своего распознавания. И тут оказывается, что уместнее не спешить с выводами, а обратиться к фонетистам, которые оперируют всего лишь 38 основными элементами. Бесспорно, машина, распознающая фонемы, гораздо экономичнее.

Именно поэтому разработчики сосредоточили свои усилия на создании машин- распознавателей фонем. Они обнаружили, что можно создать машины, способные распознавать некоторые фонемы, но только при определенных условиях; единичные фонемы удавалось распознать только в тех случаях, когда они произносились очень тщательно, с большими паузами и избранными дикторами. Однако, к сожалению, "когда эти элементы объединялись в связную речь и произносились различными дикторами, их акустические образы оказывались на редкость изменчивыми - как правило, в худшую сторону, по крайней мере для машинного распознавания".

Одному из ветеранов - создателей искусственного разума приписывают следующую оценку проблемы распознавания речи: "Мы должны уяснить себе, справедливо ли с нашей стороны ожидать от машины столь многого. Возможно, взаимоотношения человека с машиной следует строить так, чтобы предъявлять к машине меньше требований".

Некоторые специалисты сводят эту проблему лишь к правильной постановке вопросов цифровой вычислительной машине. В частности, они настаивают на том, чтобы ответ на вопросы мог быть только однозначным - ДА или НЕТ,- тогда робот сможет справиться с проблемой. Именно этот принцип был положен в основу работ Дж.Хемдэла (Мичиганский университет) и Дж.Хьюза (Университет Пардью). Их вычислительное устройство было запрограммировано для распознавания десяти гласных звуков и девяти дифтонгов. (Дифтонг - это две следующие непосредственно друг за другом гласные, например комбинация oi в слове "oil"). Машина может регистрировать дифтонги, когда они расположены между согласными.

С целью проверки своих гипотез Хэмдел и Хьюз придумали 227 не имеющих смыслового значения слогов, которые представляли собой комбинации звуков в следующем порядке: согласный - гласный - согласный. Помимо этих слогов, они отобрали еще 50 коротких односложных общих слов. Все это, а также куски связной речи записали на магнитную ленту "в условиях обычного разговора". Запись подавалась на 35 полосовых фильтров, с тем чтобы получить информацию о звуковом спектре. Полученные данные наносились на перфокарты и шли в машину ИБМ 7090.

Используя составленный исследователями вопросник, рассчитанный на ответы ДА или НЕТ, машина анализировала эти данные и "высказывала" свое суждение. Так, например, она отвечала на следующие (и многие другие) вопросы: что это - звук или тишина? Имеются ли элементы звонких согласных? Преобладают ли высокие частоты? ЭВМ идентифицировала звуки с точностью до 92% - правда, в тех случаях, когда звуки произносились раздельно. При связной речи результаты были неважные.

Итак, если мы несем бессвязную чушь, вычислительная машина готова нас выслушать.

Теперь остановимся на другом подходе к решению проблемы распознавания речи. Поговорим о работах, осуществленных в Отделе оборонной электроники фирмы РКА. В своих исследованиях ученые исходили из анатомического строения уха, и в модели, приводимой на рис.52, даже использовались искусственные нейроны.


Рис.52. Модель "искусственного уха", созданная фирмой РКА, распознает некоторые фонемы с точностью 80-100%.

По существу исследователи попытались создать аналог человеческого уха с относящимся к нему участком нервной системы. С этой целью они использовали все доступные данные, относящиеся к биологическим характеристикам, присовокупив к ним некоторые собственные гипотезы. Для моделирования улитки применили 19 фильтров, настроенных таким образом, что они могли пропускать сигналы с различных участков диапазона звуковых частот. Сигналы с выходов фильтров в совокупности давали картину колеблющихся уровней интенсивности (см. рис.48 ).

Полученную картину анализировали с помощью схемы, состоявшей более чем из 500 "нейронов" и рассчитанной на выявление таких особенностей, как пики (форманты), впадины (антиформанты), переходные участки между ними, изменения всех этих особенностей во времени и другие свойства, которые предполагали использовать в дальнейшем. После этого исследователи тщательно изучали различные звуки речи, чтобы определить, какие их особенности целесообразнее использовать для распознавания. Наконец, были созданы специальные схемы из "нейронов", позволяющие выделять нужные особенности.

В число фонем, которые подвергались распознаванию, входили две (из трех) носовые согласные, восемь (из девяти) щелевых (фрикативных) согласных и четыре полугласные - наиболее трудные для распознавания (см. табл.5). Слова, предназначенные для испытаний, содержали эти фонемы в сочетании с десятью последующими гласными; читали их шесть мужчин-дикторов. Десять фонем распознавались с точностью от 90 до 100%, остальные четыре - с точностью от 80 до 90 %.

В результате исследований был сделан важнейший вывод: форманты или антиформанты не могут служить основой для распознавания звуков. Оказалось, что очень трудно осуществить удовлетворительный машинный подход к выявлению пиков и впадин. Зато удалось выяснить следующее: фонемы можно распознать, выявив, какие участки спектра сигналов увеличиваются или уменьшаются по амплитуде. Но ведь это как раз те особенности, на которые реагируют возбуждающие и тормозные ячейки! Правда, нельзя было с уверенностью утверждать, что нервная система не использует форманты.

Работа, проводившаяся фирмой РКА, как и другие аналогичные эксперименты, относилась к распознаванию отдельных звуков, но, по мнению исследователей, методы можно распространить и на задачу распознавания длительной связной речи. Однако обоснованность подобной гипотезы нуждается в подтверждении.

Итак, выходит, что проблема распознавания речи до сих пор не решена.

Почему?

Вернемся к диаграмме частот, требующихся для воспроизведения слова "typical" посредством машины (см. рис.49). Отметим, что у всех частот одна и та же амплитуда. Так что если бы речь шла о создании машины для распознавания слов, произносимых машиной же, проблемы практически не существовало бы.

Верхняя левая и нижняя правая "картины" получены при произнесении слова одним и тем те человеком.

А теперь взглянем на шесть контурных диаграмм (рис. 53), дающих аналогичные сведения (т.е. зависимости частоты от времени, причем контурные линии здесь изображают различные интенсивности). Эти диаграммы были получены от пяти различных людей, произносивших слово "you" (дважды это слово произносил один и тот же человек). Нетрудно видеть, что рисунки характеризуются не наличием или отсутствием тех или иных частот (ср. с рис.49), а различными уровнями их интенсивностей. И хотя все дикторы говорили одно и то же слово, разница бросается в глаза.


Рис.53. Шесть контурных диаграмм интенсивностей сигналов для слова "you".

Фирма "Белл" намерена использовать эту разницу как средство для идентификации личности с помощью "отпечатков голоса", во многом сходной с идентификацией посредством отпечатков пальцев.

Поэтому не удивительно, что мы еще не имеем машин, способных распознавать "живую речь". Но пусть те, кто привык опасаться автоматизации, не успокаиваются - похоже, что день, когда такие машины будут созданы, не за горами.

ГЛАВА ВОСЬМАЯ. РОБОТЫ - БИБЛИОТЕКАРИ, ИГРОКИ В ШАШКИ И БЕЙСБОЛЬНЫЕ БОЛЕЛЬЩИКИ

Работы, о которых до сих пор шла речь в этой книге, укладываются в довольно четкие категории. Но в общем потоке исследований, относящихся к созданию искусственного разума, встречаются и такие, которые трудно классифицировать. В этой главе мы остановимся на некоторых идеях, хоть в какой-то мере позволяющих судить о разнообразии работ, проводимых в настоящее время.

Для начала зададим вопрос: как обстоят дела с роботами?

Очевидно, именно недостаточными успехами в этом направлении можно объяснить тот факт, что мы во многом неправильно подходим и к самой проблеме. Достаточно вспомнить, как ранее представляли себе мыслящую машину: это нечто, выполненное из тусклого серого металла и по форме напоминающее человека. У нее только две руки, две ноги, а вместо головы - буквально! - набалдашник с двумя электрическими лампочками-глазами и усеченной воронкой-носом. Передвигается существо медленно, неуклюже, каждый шаг сопровождается скрипом, ибо его безумный создатель забыл смазать его машинным маслом. А когда оно начинает говорить, голос его звучит вяло и невыразительно. Стоит только взглянуть на это создание - и вы уже знаете, что имеете дело с "думающей машиной".

Теперь сравним этот образ с тем, что предлагает нам современная техника.

Экскурсовод укажет вам на стеклянную дверь, ведущую в помещение с кондиционированным воздухом. Вы увидите там с десяток высоких, расположенных в один ряд шкафов. И еще шесть с застекленными верхушками и двумя большими дисками (глазами?) в каждом из них. В помещении имеются и другие металлические устройства. В дальнем углу находится внушительный кронштейн с узким выступом, предназначенным выполнять функции стола. На лицевой панели кронштейна расположены кнопки (их больше, чем клавиш у пишущей машинки) и лампочки (их больше, чем на световой рекламе). И вся эта мрачная декорация оживлена лишь тем, что окрашена в нежные пастельные тона.

Не удивительно, что создатели таких, с позволения сказать, "машин" не могут добиться от них разумности. Они даже не могут начать с подходящего оформления!

Исследователи все же предприняли попытку, которая в известной мере была направлена в нужную сторону - по крайней мере в том, что касалось всякого рода изобретательности. Речь идет о создании автомата, способного выдерживать влияние окружающей среды, работать и, быть может, со временем даже учиться. В результате появилась та алюминиевая "шляпная коробка", которая раскатывала по коридорам Лаборатории прикладной физики Университета Джона Гопкинса и о которой мы говорили в самом начале. И хотя эта "коробка" не очень-то напоминала двухметровый робот с лампами вместо глаз, зато она явно отличалась от скопища шкафов пастельного цвета, заключенных в помещении с кондиционированным воздухом!

Правильно поставить вопросы - значит наполовину выиграть исследовательскую битву. Движущийся автомат Лаборатории прикладной физики и был предназначен для того, чтобы облегчить постановку соответствующих вопросов. Конечной целью его создателей была машина, достаточно умная, чтобы исследовать окружающую среду - губительную для человека, но, быть может, не опасную для машины. Возможно, например, что для исследования космоса гораздо уместнее было бы использовать машины... будь у нас нужные машины. То же относится к автоматам, которые можно было бы послать на дно морей для поиска остатков затонувших судов вроде "Трешера".

Короче говоря, все это - не надуманные, а самые житейские проблемы, и только когда к ним подходят вплотную, становится видно, сколь трудно их решить.

Ученые Лаборатории прикладной физики (ЛПФ) поставили перед собой цель: разработать окончательный вариант машины в несколько этапов. В конечном счете необходима думающая машина, но сделать ее сразу невозможно - надо действовать постепенно. Надеялись, что таким образом удастся выявить необходимые вопросы, которые в свою очередь помогут выработать общие принципы, применимые к самым разнообразным машинам, в том числе и к машинам "грядущих поколений".

Ясно, что первая задача такой самостоятельной машины - "выжить" в условиях окружающей среды. Чтобы выполнить это, машина должна находить "пищу", "распознавать" ее, "питаться" - и все это не впадая в роковую для себя ошибку (вроде падения с обрыва). Разумеется, это тривиальные задачи, не связанные с конечным полезным эффектом, который надеются получить от машины. Но их нельзя игнорировать, если хотят, чтобы машина была по-настоящему самостоятельной.

Чтобы изучать проблему "выживания", сотрудники ЛПФ создали машину, способную "жить" в коридорах лаборатории. Энергия, необходимая для ее работы, шла из аккумулятора, который можно было перезаряжать. Таким образом, "пища" поступала в машину из электрических розеток в стенах лабораторных коридоров.

Будучи "сытой" (аккумуляторы полностью заряжены), "шляпная коробка" начинала странствовать по помещениям; когда же встроенный детектор определял, что заряд батареи упал ниже установленного уровня, машина "решала", что она голодна. Если уровень был выбран слишком низким, энергии для поисков розетки могло не хватить и машине оставалось лишь "умереть" голодной смертью, то есть остановиться. Если уровень был установлен слишком высоким, машина могла потратить все свое время на поиски пищи и не имела возможности делать что-то полезное (при условии, что конструкторы ухитрились заставить ее выполнять полезную работу). Если же уровень выбирался правильно, у машины было достаточно времени, чтобы побродить, прежде чем ее детектор начинал чувствовать падение заряда батареи до критической точки.

Обнаружение недостатка заряда ведет к перебросу определенных переключателей внутри машины, что позволяет некоторым датчикам влиять на ее поведение. Так, например, рассматриваемая машина, будучи лишена слуха и зрения, могла в то же время "нащупывать" свой путь. Из верхней части коробки параллельно полу выходила металлическая "рука", на конце которой размещался набор переключателей. При соприкосновении с препятствием они переключались. Какие из них сработают - зависело от того, "голодна" машина или нет.

Будучи "голодной", машина двигалась по направлению, в котором была протянута ее "рука", до тех пор пока "рука" не ударялась о стену. Тогда машина поворачивалась и двигалась параллельно стене, причем "рука" продолжала касаться стены. Когда "рука" встречалась с открытым дверным проемом (она воспринимала это как внезапное исчезновение стены), машина некоторое время продолжала двигаться вперед, пока снова не нащупывала стену. (У первой модели это свойство отсутствовало - машина просто огибала стену и въезжала в помещение).

В коридорах ЛПФ имелись лестницы. Если бы конструкторы не учли этого обстоятельства, машине грозило бы падение. Однако под машиной имелись датчики, постоянно касавшиеся пола; стоило одному из них внезапно утратить этот контакт, как внутри машины происходили переключения, заставлявшие ее резко остановиться, продвинуться назад и изменить направление.

Так как, двигаясь, машина ощупывала стену коридора, она без труда находила розетку по выступу на стене. Выступ обнаруживали чувствительные переключатели на "руке", которые и посылали сигналы, заставлявшие машину остановиться. Как только машина останавливалась, "рука" автоматически принимала нужное положение над розеткой и из нее выдвигались два штыря, которые вставлялись в розетку. Аккумулятор заряжался; по окончании процесса питания машина отсоединялась от розетки.

Зарядившись, машина вновь могла произвольно странствовать и легко обходить препятствия. Однако, если теперь ей доводилось наткнуться на штепсельную розетку, она ее игнорировала, так как не была "голодна"; процесс питания в данный момент не привлекал машину, ибо находившиеся внутри нее схемы его уже не стимулировали.

Остановимся на этой машине несколько подробнее. Это всего лишь слегка усовершенствованный вариант черепах Грея Уолтера, описанных в гл.5. Но хотя возможности машины ограничены, при ее разработке создателям пришлось затратить немало усилий, чтобы добиться и этих "незначительных" усовершенствований. Каждое движение машины было заложено в нее конструкторами; сама машина ничему не училась. Если во время испытаний конструкторы обнаруживали, что машину ставит в тупик какое-то препятствие, они старались тут же выяснить, как нужно изменить электронную схему, чтобы выйти из тупика. Более того, они вынуждены были встроить в машину телеметрические передатчики, которые передавали по радио данные о состоянии схем в "мозге" при встрече с препятствием. В основном при создании машины пользовались обычной электронной аппаратурой, мало чем отличающейся от схем в цифровых вычислительных машинах. Однако исследователи работали и над моделью синтетической нервной системы, которую со временем предполагалось применить в машине.

Итак, несмотря на то что успехи машины, созданной в Лаборатории прикладной физики, были не очень велики, они все же свидетельствовали о напряженной конструкторской работе. Но ясно, что ученым предстоит пройти очень долгий путь, прежде чем на нашей планете появится машина, которую можно будет уподобить хотя бы простейшему животному. Что же касается создания машины высотой около двух метров, весящей семьдесят пять килограммов и ведущей себя сложнейшим, свойственным только человеку образом, то пока можно не волноваться.
***

Одним из недостатков движущегося автомата ЛПФ было его предназначение делать то, в чем не было практической нужды (а именно искать штепсельные розетки). Но существуют роботы, сконструированные для решения более важных проблем. Они продаются под такими экзотическими именами, как "Версатран", "Хэндимен", "Флексимен" и т.п.- чтобы ни у кого не вызывало сомнения, что это роботы. Но при взгляде на них вы испытываете некоторое разочарование, поскольку выглядят они как обыкновенные машины.

Одно из таких созданий, "Юнимэйт", на чикагском заводе литья под давлением заменяет четырех человек. О его деятельности руководители завода говорят так: "В настоящее время мы используем этого робота для управления двумя машинами литья под давлением и для установки отливок на транспортеры. Робот функционирует 20 часов в сутки, выполняя работу, требующую обычно четырех человек (при двух десятичасовых рабочих сменах). Чистая годовая экономия, за вычетом 7000 долларов за аренду оборудования, составляет около 15000 долларов. Эта экономия, в которой учтен лишь непосредственный труд, достигается без больших начальных затрат и фактически является чистой прибылью".

Да, такой робот заслуживает уважения!

Что же представляет собой "Юнимэйт"?

По существу это управляемая гидравлическими приводами "рука", движения которой можно запрограммировать таким образом, что они будут напоминать работу плечевых, локтевых и кистевых суставов человека. В ней заложена также возможность и других движений, обеспечивающих самые разнообразные хватательные функции.

Согласно проспектам фирмы-производителя "Юнимэйшн инк.", в число операций, которые может выполнять "Юнимэйт", входят: автоматическое управление двумя машинами для литья под давлением и частичная их очистка; перенос раскаленного стекла с конвейера термической обработки на движущийся конвейер охлаждения; перенос деталей с конвейера на штамповочный пресс, управление этим прессом и снятие с него деталей; закрепление заготовок на токарных станках, управление станками и снятие обработанных деталей и ряд сходных с перечисленными операций.

Как работает "Юнимэйт"?

Прежде всего его устанавливают непосредственно на рабочем месте, так как ему нужно предметное обучение - в действии. Затем, нажимая определенные кнопки в различных точках "руки", инструктор программирует ее движения. После этого он начинает медленно двигать "руку" в нужном направлении, прикладывая к ней соответствующие усилия. Таким образом, "Юнимэйт" заставляют пройти весь цикл движений, который он затем должен осуществлять самостоятельно.

Допустим, нам нужно, чтобы машина переносила детали с одного места на другое.

Инструктор приводит "руку" в начальное положение, то есть помещает ее вблизи той детали, которую предстоит перенести, и нажимает кнопку обучения. Ориентация "руки" в пространстве постоянно контролируется электронными датчиками, которые вырабатывают цифровые коды, соответствующие положению "руки" в каждый данный момент. Когда нажимается кнопка обучения, коды, соответствующие положению "руки" в этот момент, вводятся в память "Юнимэйта". Таков первый этап рабочего цикла.

Затем инструктор перемещает "руку" в такое положение, что ее "пальцы" (нечто вроде зажима), если их сжать, могут схватить деталь. Нажимая кнопку обучения, он закладывает в память машины данные о втором этапе рабочего цикла.

Далее инструктор начинает сближать "пальцы" таким образом, чтобы они обхватили деталь, и вновь нажимает кнопку обучения. Запечатлен третий этап рабочего цикла.

Если на пути к тому месту, куда следует доставить деталь, "рука" должна обойти какое-то препятствие, инструктор продвигает ее до точки, от которой путь далее уже свободен. Кнопка обучения вводит координаты этой точки в рабочий цикл как четвертый этап.

Пятый этап - та позиция "руки", в которой деталь должна быть освобождена, и шестой - само освобождение. По окончании обучения "Юнимэйт" готов к работе.

Движение "руки" робота, когда он выполняет поставленную перед ним задачу, складывается из ряда операций. В начале каждого этапа датчики, размещенные в "руке", отмечают ее положение в данный момент. Оно сравнивается с желаемым положением, записанным в памяти машины, и механизмы, управляющие положением "руки", заставляют ее двигаться до тех пор, пока "рука" не достигнет нужной позиции. (Заметим, что "рука" отходит от положения, записанного в памяти машины, не более чем на 1.3 миллиметра.)

Вот так и проходит "Юнимэйт" весь цикл поэтапно. В относящейся к нему инструкции сказано: ""Юнимэйт" лишен зрения и разума. Поэтому любой предмет или человек, оказавшийся на его пути, получит удар от движущейся "руки". В результате пострадает либо человек, либо мешающий машине предмет, либо сам "Юнимэйт"".

В реальных условиях для расширения возможностей применения робота его можно использовать в совокупности с другими управляющими устройствами. Он сконструирован таким образом, что может останавливаться на любом этапе своего цикла, прежде чем начнет выполнять следующий. Команда на выполнение следующего этапа дается с дополнительного управляющего устройства. Например, можно сделать так, что робот будет дожидаться поступления детали на конвейер. Когда деталь появится, ее заметит электрический "глаз", который пошлет на "Юнимэйт" сигнал, вызывающий переход его к следующему этапу, то есть к захвату детали.

Теперь перейдем к рассмотрению другого типа робота, до такой степени игнорируемого большинством из нас, что его смело можно назвать "невидимым роботом". Вместо двухметрового металлического чудовища конструкторы создают, так сказать, новую "породу", возможно, даже не отдавая себе полностью отчета в том, что творят. На первый взгляд создаваемые ими модели могут показаться просто скоплениями обычных вычислительных машин. Каждое из них, взятое отдельно, можно считать "неразумным", но они редко используются порознь. Напротив, они объединяются в большие сети, специально рассчитанные на то, чтобы взаимодействовать и дополнять друг друга. В результате образуется сложнейший организм, который можно уподобить живому существу - в том отношении, что он воспринимает входные сигналы из окружающей среды и реагирует на них не всегда предсказуемым образом.

В качестве примера сошлемся на один из таких "невидимых роботов", который используется в Северо-восточной энергосистеме США - Канады. Именно во время "эпилептического припадка" этого робота и произошло знаменитое "Великое затемнение" 1965 года.

Норберт Винер как-то высказал опасение, что в один прекрасный день машины возьмут верх над человеком. Нам кажется, что при этом он имел в виду как раз нечто вроде упомянутых "невидимых роботов", но уж, конечно, не тех лупоглазых уродов, по поводу которых мы все время твердим, что их нетрудно удержать под контролем, так как, мол, "всегда можно выдернуть вилку из штепсельной розетки, если они попытаются выйти из повиновения".

Конечно, читатель вправе с недоверием отнестись к идее "невидимых роботов". Чтобы переубедить скептиков, остановимся подробнее на двух вопросах. Прежде всего рассмотрим одну из попыток усовершенствовать процесс принятия административных решений - технический метод, носящий название промышленной динамики. Это поможет читателю разобраться в основных особенностях сложной системы на примерах более привычных для него понятий, чем если бы мы стали разбираться в живом организме. После этого вернемся к Северо-восточной энергосистеме и к той катастрофе, которая произошла вечером 9 ноября 1965 года.

Идея промышленной динамики в основном принадлежит Дж.Форрестеру, профессору Массачусетского технологического института. По мнению Форрестера, организация промышленности - это ИНФОРМАЦИОННАЯ СИСТЕМА С ОБРАТНОЙ СВЯЗЬЮ. Такие системы (рис.54) взаимодействуют с окружающей их средой примерно следующим образом. Состояние окружающей среды наблюдается системой, то есть о нем вырабатывается определенная информация. Информация затем подается в те пункты системы, где принимаются решения. Последние в свою очередь обусловливают действия, направленные на изменение элементов окружающей среды, которые представляют интерес для системы. Эти изменения регистрируются системой и вызывают поток новой информации, что влечет за собой новые действия, и процесс продолжается. Таким образом, система постоянно взаимодействует с окружающей средой.


Рис.54. Основные составные части информационной системы с обратной связью.

Подобный подход к организации производства, по-видимому, в полной мере применим и к живым организмам. Так, например, органы чувств контролируют окружающую обстановку и определяют присутствие пищи. Информация о наличии пищи поступает в находящиеся в мозгу особые центры "выработки решений". Последние обусловливают действия, побуждающие систему достать и проглотить пищу, тем самым вызывая изменения окружающей обстановки. В свою очередь эти изменения отмечаются органами чувств, которые передают полученную информацию дальше, к центрам "выработки решений", и процесс продолжается.

Все сказанное относится не только к системе в целом, но и к различным ее подразделам.

Короче говоря, биологические и социальные (или промышленные, экономические и т.п.) системы можно рассматривать как сложные наборы цепей с обратными связями, действующих во взаимодействии друг с другом подобно единому "живому" организму. Образно выражаясь, их можно воспринимать как роботов.

(Форрестера ни в коем случае нельзя обвинить в том, что он рассматривает людей как роботов. Хотя он и пытается уподобить биологические системы информационным системам с обратной связью, в общем-то он сосредоточивает свое внимание на промышленности, рассматривая функционирование предприятия как следствие использования принципов обратной связи на производстве. Нас же, естественно, волнует проблема "люди или роботы", и мы вкратце остановимся на этом несколько ниже).

Форрестер утверждает, что информационные системы с обратной связью, "будь то механические, биологические или социальные", обязаны своим поведением трем характеристикам, которые он называет СТРУКТУРОЙ (составные части и их взаимосвязи), ЗАДЕРЖКАМИ (время, потребное для сбора информации и передачи ее различным частям системы) и УСИЛЕНИЕМ (отдельные звенья системы реагируют на информацию гораздо активнее, чем можно было бы ожидать).

Эти характеристики ответственны за поведение системы, которая реагирует на изменения окружающей среды. Если бы их удалось зафиксировать поэтапно, во всех деталях, можно было бы понять поведение системы в целом. Но реально существующие системы слишком сложны, и полностью изучить их нет возможности. Поэтому Форрестер пытался подробно МОДЕЛИРОВАТЬ систему, чтобы затем проверить поведение модели по мере изменения ее характеристик. Тем самым он стремился хоть как-то предсказать поведение реальной системы, ЕСЛИ ТОЛЬКО МОДЕЛЬ ЯВЛЯЕТСЯ СПРАВЕДЛИВЫМ К НЕЙ ПРИБЛИЖЕНИЕМ. При этом условии те или иные изменения в политике, принятии решений и т.д., которые улучшают смоделированную систему, можно вводить и в реальную систему.

Такой подход легче всего проиллюстрировать на примере системы распределения продукции, в частности, промышленности бытового оборудования (рис.55). На рисунке линии с кружочками обозначают прохождение заказов, а сплошные линии - поток товаров. Большие кружки изображают задержки; цифры в них указывают продолжительность задержек в неделях. Так, от заполнения покупателем бланка заказа до получения нужного товара задержка составляет одну неделю, в то время как заказ магазина на пополнение запаса проданного товара будет составлен не ранее чем через три недели после продажи из-за задержек в бухгалтерии и отделе снабжения магазина. Еще дня три будет потеряно на пересылку заказа из магазина на оптовую базу - ведь заказ идет по почте. Примерно такая же картина будет наблюдаться на уровнях оптовой базы и заводского склада готовых изделий. Заметим, что на заводе между принятием решения об изменении продукции и моментом, когда эта продукция действительно будет освоена (длительность подготовки производства), проходит шесть недель.


Рис.55. Основные составные части системы распределения продукции.

Но это лишь часть реального процесса. Если учесть, что не все население страны является потенциальным потребителем данного продукта, а также иметь в виду роль рекламы, то организация системы изменится; на рис. 56 пунктирными линиями отмечен поток информации двойными - поток людей.


Рис.56. Система распределения продукции, учитывающая влияние рекламы и потребительского рынка.

Но диаграммы, представленные на рис.55 и 56, не отражают еще одного аспекта системы. Если они в какой-то степени и показывают структуру и задержки, то об усилении ничего не сообщают. Усиление, то есть реакцию отдельных звеньев системы на информацию, гораздо труднее зафиксировать из-за сложных связей с механизмами принятия решений. Приглядимся внимательнее к сектору розничной торговли рассматриваемой системы (рис.57). Значками в виде галстука-бабочки отмечены места регулирования потоков внутри системы. Пятиугольник - пункт принятия решений, в котором определяется скорость поступления наличных товаров к потребителю и прохождение заказов (от необработанных, опущенных в почтовый ящик до "закрытых", расставленных в картотеке). Но на этой диаграмме не видно основы для принятия решений.


Рис.57. Некоторые элементы сектора розничной торговли.

На выработку решения влияют два обстоятельства: сведения об истинном положении дел (например, о наличии товара или невыполненных заказах) и сведения о ЖЕЛАЕМОМ ходе процесса (например, о планируемых товарах или же о желательном уровне резервов). Разумеется, истинная картина намного сложнее, чем то, о чем мы здесь говорим, но мы не имеем возможности подробно ее рассматривать. Однако, чтобы дать читателю хотя бы частичное представление об этой сложности, приведем полную диаграмму потоков для сектора розничной торговли (рис.58 ), не стремясь к подробной ее расшифровке с точки зрения процесса продажи.


Рис.58. Полная схема сектора розничной торговли. При машинном моделировании она описывается 18 уравнениями.

По существу на рис.58 изображена модель, позволяющая судить о том, как функционирует сектор розничной торговли в системе распределения продукции. Каждый квадрат, изображенный на рисунке, можно представить в виде одного или нескольких уравнений. (Аналогичные диаграммы и уравнения можно составить и для других секторов системы). Вводя уравнения в цифровую вычислительную машину, управляющий этим промышленным комплексом начинает исследовать его поведение в различных условиях.

К примеру, введя в машину набор цифр, представляющий гипотетическую модель спроса, оператор может заставить машину решить уравнения и выдать ему данные относительно изменения выпуска продукции, наличия товаров, уровня занятости рабочей силы и т.д. Таким образом, он собирает данные о том, как ведет себя эта МОДЕЛЬ системы.

Если (а это слово здесь очень важно) модель является достаточно хорошим приближением к реальному объекту, то на основании проводимых экспериментов оператор сумеет в известной степени предсказать, какие изменения в реальной организации промышленности, позволяющие улучшить те или иные аспекты ее деятельности, можно осуществить. По крайней мере такова идея. Насколько успешной окажется ее претворение в жизнь, нам предстоит увидеть.

Впрочем, попытка применить эту методику на практике уже имела место. Ее предприняла фирма по изготовлению компонентов электронной аппаратуры, обеспокоенная чрезмерными колебаниями уровня занятости рабочей силы. Созданная модель отображала организацию производства и политику фирмы. Когда в целях проверки в нее вводили данные прошлых лет, модель демонстрировала такое же поведение, какое имело место в реальной системе. Поэтому сочли, что она дает достаточно обоснованные результаты, которыми можно руководствоваться на практике. Модель, в частности, показала, что большое значение имеют задержки, относящиеся к аренде, которым ранее уделялось недостаточное внимание со стороны руководства фирмы. Поэтому в модель были внесены соответствующие коррективы; в результате положение дел значительно улучшилось. Проводились также изменения в политике использования материальных резервов, что в свою очередь способствовало улучшению дел. В результате проведенных изменений колебания занятости рабочей силы значительно сократились (рис.59).


Рис.59. Машинное моделирование промышленной организации может помочь в выработке политики. Верхний график иллюстрирует колебания в занятости рабочей силы для исходной модели промышленной организации; нижний график - уменьшение колебаний, вызванное определенными изменениями в политике этой организации.

Однако эти изменения проводились на модели изучаемой фирмы. К сожалению, как можно судить на основании работы, в которой описывался рассматриваемый эксперимент, фирма так и не извлекла уроков из новой методики. Так что ценность данных, полученных на модели, еще предстоит проверить.

Но важность проводимых исследований заключается в том, что в них использовалась та же методика и те же принципы, которые применяются при разработках сложных электронных систем. Промышленная организация рассматривается как некая машина, поведением которой можно управлять, то есть как машина, представляющая собой сложный набор деталей, определенным образом взаимодействующих друг с другом. Только оказывается, что некоторые ее "детали" не лампы и не транзисторы, а люди. Руководители таких систем (промышленной, экономической или социальной) не очень отличаются от инженеров, разрабатывающих машинные системы. Они тоже постоянно должны пересматривать характеристики системы, чтобы получить желаемый результат. Применяемые ими принципы в полной мере пригодны и для управления целыми обществами и, по-видимому, неизбежно будут в конце концов использоваться и в этом направлении.

Идея ПРОМЫШЛЕННОЙ ДИНАМИКИ, выдвинутая Форрестером, сравнительно молода и пока что не получила серьезного развития. Но мы сочли необходимым упомянуть о ней в связи с тем, что она рассматривает различные аспекты нашего общества как бы в качестве сложных исполнительных механизмов. Если встать на эту точку зрения (а мы не видим причин, почему бы это не сделать), то следует соответствующим образом пересмотреть и наше отношение к поискам роботов. В их разработке мы преуспели гораздо больше, чем могли надеяться. Но, с другой стороны, современные роботы настолько сложны, что мы поистине не в состоянии удержать их под своим контролем, и они способны внезапно выйти из устойчивого состояния, а это чревато серьезными последствиями.

Теперь перейдем к событиям, которые произошли вечером 9 ноября 1965 года. Для описания энергокомплекса под названием Кэнюз (Canuse) - от слов Канада (Canada), Соединенные Штаты (United States) и Северо-восточная энергосистема (Eastern Interconnection) - можно воспользоваться различными диаграммами, в частности изображенной на рис.60. На рисунке в упрощенном виде представлена схема, каждый квадрат которой обозначает энергетическую компанию, а каждый кружок - группу таких компаний. Каждый кружок и квадрат заключают в себе целый комплекс электрических и других машин, таких, как паровые котлы, турбины, генераторы, автоматические выключатели, линии электропередачи и т.д. и т.п. Но не будем далее перечислять. Достаточно отметить, что перед нами структура, не менее сложная, чем электронная цифровая вычислительная машина или же система распределения продукции. В принципе ее можно смоделировать так же, как и промышленную систему, только "потребителями" на сей раз будут штепсельные розетки в домах, на заводах, в больницах и их более мощные собратья, доставляющие энергию лифтам, метро и т.п.


Рис.60. Взаимосвязи между компаниями, входящими в Северо-восточную энергосистему. 1 - "Онтарио Хайдро"; 2 - "Найэгара Моухок"; 3 - ПДМ; 4 - КЭК; 5 - Конвекс; в - "Лонг Айленд лайтинг"; 7 - "Нью Инглэнд электрик систем"; 8 - "Нью-Йорк стейт гэс энд электрик корп."; 9 - "Сентрал Хадсон гэс энд электрик корп."; 10 - "Орэндж энд Роклэнд ютилити инк."; 11 - "Бостон Эдисон"; 12 - "Нью Бэдфорд гэс энд электрик"; 13 - "Монтеап электрик", 14 -"Детройт Эдисон"; 15 - "Консамерс пауэр"; 16 - "Хайдро Квебек"; 17 - "Сентрал Мэйн пауэр".

У потребителей энергосистем, равно как и у потребителей промышленной продукции, спрос постоянно меняется; здесь также отмечены колебания, хотя в известной мере и циклического характера. Вспомним, что в обеденное время, например, все включают электрические плиты почти одновременно, хотя можно было бы разработать такой график, чтобы некоторые обедали в другое время, скажем несколько позже. На рис.61 показана типовая кривая потребления электроэнергии, которое на основании имеющихся данных вполне резонно может планировать такая электрическая компания, как, например, "Консолидэйтед Эдисон Ко". И в этом одна из причин объединения электрических компаний в единые системы. Поскольку картина потребления энергии каждой компании отличается от других как по амплитуде, так и по времени, каждая из них может обойтись меньшими мощностями, если в периоды максимального спроса позаимствует энергию у соседа, при условии, разумеется, что у последнего в это время будет период затишья.


Рис.61. Колебания потребительской нагрузки энергосистемы в течение 9-10 ноября 1965 года.

Помимо преимуществ, которые можно извлечь из различия в энергетических нагрузках разных компаний, такие объединения позволяют наиболее эффективно и экономично эксплуатировать мощные генераторы и оказывать взаимную поддержку в случае аварий.

Энергосети, образованные за счет такого объединения ресурсов, весьма сложны и покрывают значительные территории. Энергокомплекс Кэнюз не исключение (рис.62). Жирные линии на рисунке окружают районы, которые обычно обслуживают компании или группы компаний, показанные на рис.60. Все эти районы энергетически связаны друг с другом в различных пограничных точках. Особый интерес представляют энергосети в районах Ниагарского водопада и Массины, штат Нью-Йорк. Это единственные два соединения между районом 1 ("Онтарио Хайдро") и районом 2 ("Найэгара Моухок").


Рис.62. Некоторые районы, обслуживаемые компаниями, которые входят в энергокомплекс Кэнюз. Обозначения те же, что на рис.60.

Именно в соединении, лежащем в районе Ниагарского водопада, и произошло событие, положившее начало беде. "Онтарио Хайдро" в том районе располагает двумя гидроэлектростанциями: Сэр Адам Бек #1 и Сэр Адам Бек #2. Станция #2 по пяти линиям электропередачи подает энергию на север, к Торонто, а по двум линиям - на юг, в Нью-Йорк.

И вот что случилось.

9 ноября 1965 года в 17 часов 16 минут 11 секунд ток, идущий по одной из северных линий, превысил критическое значение и защитное реле автоматически отключило линию. ("Вылетели пробки!") Электроэнергия, поступавшая по этой линии, была распределена по четырем оставшимся линиям. Но это в свою очередь вызвало их перегрузку, в результате чего все они внезапно, в течение 2.7 секунды, отключились.

Это отрезало все пути электроэнергии, вырабатываемой на обеих станциях для передачи на север; тогда она ринулась через два ниагарских соединения к Нью-Йорку, а часть ее попыталась "прорваться" и в Канаду через единственную соединительную линию у Массины. Тем самым была перегружена и эта линия, которая тоже автоматически отключилась. Это случилось ровно через 0.5 секунды после того, как вышла из строя последняя из пяти северных линий.

А через 0.2 секунды среагировали еще семь внезапно перегруженных линий на границе штатов Нью-Йорк - Пенсильвания,что в свою очередь вызвало аварию большинства соединений с электросетью Пенсильвания - Нью-Джерси - Мэриленд (для краткости назовем ее ПДМ.- Ред.).

Но и в самой системе Кэнюз положение с каждой секундой осложнялось, ибо в ответ на происходившее генераторы начали работать с перебоями, нарушив ту синхронность, с которой должны были работать все устройства. Вступила в действие дополнительная аппаратура защиты. В тот момент, когда разорвалось соединение с энергосетью ПДМ, вышли из строя главная сеть электропередачи к востоку от Рочестера и большинство линий, принадлежащих компаниям "Найэгара Моухок" и "Нью-Йорк стейт электрик энд гэс".

Еще через 0.1 секунды на Бруклинской подстанции "Консолидэйтед Эдисон Ко" (КЭК) автоматически отключилась последняя линия, ведущая к энергосети ПДМ.

Тем временем в Онтарио разомкнулись линии внутри системы Кэнюз, и вся она вдруг оказалась разбитой на три отдельных сектора.

Две линии, идущие от Массины на юг, к Адирондаку [Горный массив на северо-востоке США.- Прим. перев.], которые то включались, то отключались, в конце концов все-таки отключились, и это вывело из строя пять (из шестнадцати) генераторов в Массине.

С момента первоначального отключения линии на гидроэлектростанции Бек #2 прошло всего 4.8 секунды. За это время три линии из энергокомплекса Новой Англии также отключились. Примерно через минуту автоматически разомкнулись два соединения от штата Нью-Йорк на штат Вермонт и одно - от штата Нью-Йорк на штат Массачусетс.

В это время на нескольких регуляторах станций Бек упало давление масла, в результате десять установок остановились; пять других также были остановлены командами с регуляторов скорости. Это, очевидно, и была та соломинка, которая переломила хребет двум соединениям станции Бек с нью-йоркской сетью. Они разомкнулись.

Теперь с момента первоначальной аварии на станции Бек #2 прошло 2 минуты 19 секунд. Все отключения, о которых мы говорили до сих пор, совершались АВТОМАТИЧЕСКИ. Человеческая рука еще не дотрагивалась до робота. Созданный ЧЕЛОВЕКОМ и ДЛЯ человека, он, очевидно, НЕ БЫЛ с человеком в этот период своего существования.

Но этим дело не кончилось.

Все происходившее совершенно нарушило работу КЭК в штате Нью-Йорк. Обычно в это время суток компания получала электроэнергию извне - в дополнение к той, которую вырабатывала сама. Но когда линии, соединявшие ее с остальным комплексом, начали отключаться одна за другой, оказалось, что она должна самостоятельно полностью удовлетворить собственные нужды. К тому же от нее автоматически стала отбираться часть электроэнергии для возмещения нехватки в других частях штата, от которых эта система не отключилась. Ей удалось выдержать такую нагрузку на протяжении нескольких минут с помощью энергии, идущей от системы Конвекс (Convex-Connecticut Valley Electric Exchange) и от "Лонг Айленд лайтинг Ко".

Но примерно в 17 часов 19 минут поступление энергии от Конвекса внезапно сменилось дополнительным забором энергии от КЭК (между 17 часами 17 минутами и 17 часами 21 минутой систему Конвекс вручную отключили от энергосистемы Новой Англии, и последняя почти в ту же минуту оказалась в безнадежном положении).

Затем, в 17 часов 23 минуты, в тщетной попытке уцелеть, от КЭК отключилась "Лонг Айленд лайтийг Ко".

К этому времени (согласно докладу Федеральной энергетической комиссии), по-видимому, единственным шагом, который мог бы спасти КЭК, было отключение некоторых ее потребителей, или цепей, связанных с остальной системой. Они лишь выкачивали остатки энергии. Была предпринята попытка отключиться от сети компании "Найэ-гара Моухок", но, очевидно, не вовремя. Дело в том, что в этот момент нагрузка на установки КЭК была слишком велика, чтобы с ней могли справиться, а достаточно быстро ввести в действие резервное оборудование оказалось невозможным.

В довершение ко всему качество электроэнергии, вырабатываемой КЭК, начало ухудшаться, что нарушило работу отдельных вспомогательных устройств, действовавших совместно с паровыми котлами. Правильнее всего было бы сразу же отключить часть этих паровых агрегатов; возможно, это помогло бы избежать серьезных повреждений, которые вывели из строя несколько генераторов и тем самым увеличили нагрузку на остальные. Но этого не сделали, и дела пошли еще хуже.

К 17 часам 28 минутам КЭК вышла из игры.

Вот что произошло 9 ноября 1965 года на большей части Северо-восточного энергокомплекса (рис.63).


Рис.63. Районы, затронутые аварией энергокомплекса Кэнюз 9 ноября 1965 года.

На протяжении 12-минутного отрезка времени знаменитый "невидимый робот" Кэнюз перенес припадок и свалился в беспамятстве. И увлек за собой еще несколько энергетических роботов. Так, вышел из строя робот, питающий нью-йоркское метро, которое насчитывает около шестисот поездов; более 600000 человек оказались в бедственном положении. В полночь 10000 из них все еще находились в поездах, а 700 человек попали в ловушку на мосту через Ист-Ривер. Только к 8 часам 30 минутам следующего утра этот робот вновь ожил.

Сходный недуг одолел и других роботов. За исключением поездов на Пенсильванской железной дороге (получающей электроэнергию из штата Ныо-Джерси), все железнодорожные поезда бездействовали до 5 часов следующего утра. На территории штата Нью-Йорк было отменено (или изменено) около 250 воздушных рейсов. Более 800 больниц на северо-востоке страны остались без электричества. Не работало в этот период и большинство телецентров. На севере штата Нью-Йорк и в ряде районов Новой Англии на некоторое время прервалась телефонная связь. Телеграфные сообщения запаздывали на срок до четырнадцати часов. Прекратили работу некоторые водопроводные системы на западе штата Массачусетс и в районе Квинса в Нью-Йорке. Бездействовали газовые насосы. Остановились лифты.

Да, людям было о чем поговорить!

Вот так в один из ноябрьских вечеров 1965 года и выявился один из тех "невидимых роботов", о которых мы говорили выше. Можно было бы, конечно, рассказать о тех усилиях, которые потребовались для того, чтобы снова поставить его на ноги, но это уже совсем другая история. Чтобы покончить с нашей темой, упомянем лишь, что 7 февраля 1967 года американские инженеры завершили сооружение четырех соединительных линий в переходных пунктах на западе США, которые связали этот район с северо-восточными энергосистемами.

Ну, вот и все о невидимых роботах в электроэнергетике. Если читатель принадлежит к числу тех, кто боится автоматизации, он должен помнить, что цифровые вычислительные машины не единственная угроза. Остерегайтесь роботов, которых нельзя увидеть!

Среди волнующих нас сегодня проблем особое место занимает так называемый взрыв информации. Больше всего эта проблема обилия информации тревожит научных работников и инженеров - специалистов, воспитанных в догматическом убеждении, будто, берясь за новую задачу, они обязаны просмотреть всю литературу по интересующему вопросу. По их мнению, это гарантия того, что не придется повторять уже сделанную работу (при этом они забывают о том, что такой путь может подсознательно повлиять на ход работы и подавить творческую инициативу). Кроме того, полагают эти специалисты, при работе над проблемой иногда нужна дополнительная информация, и поэтому поиски литературных источников попросту необходимы.

В доброе старое время все те, кто нуждался в каких-то сведениях, пользовались библиотечными картотеками. Но теперь картотеки стали поистине необъятными. Например, в 1962 году сообщалось, что в библиотеке Агентства технической информации вооруженных сил (в которой собраны документы о финансируемых государством исследованиях и разработках) насчитывается почти полмиллиона документов. Проблема перелистывания ее каталогов чудовищна; кроме того, они находятся в Вашингтоне и потому многим недоступны.

Удивительно ли поэтому, что мы нуждаемся в роботе, который мог бы справиться с поиском литературы или другой нужной информации. Установленный в столице (в непосредственной близости от живых автоматов, состоящих на государственной службе!), он мог бы, например, отыскивать нужные правительственные доклады. Сейчас поговаривают о создании Национальной научно-исследовательской библиотеки, рассчитанной на 10 миллионов томов. Ясно, что без роботов здесь не обойтись.

Надо сказать, что работа по созданию "информационных" роботов уже ведется. Нам хотелось бы рассказать, как обстоят дела и в каком направлении могут идти дальнейшие разработки в этой области. В известном смысле связанные с этим вопросы относятся к проблеме распознавания образов.

В самом деле, библиотеку можно рассматривать как собрание образов (документов), причем каждый образ можно распознать по его характерным признакам (заглавие, фамилия автора, слова, резюмирующие содержание работы, и т.д.). Робот должен найти образы, которые могут представить интерес. Лицо, которому необходимо обследовать каталог, дает роботу список важнейших признаков.

Если подходить к проблеме с этих позиций, мы вправе ожидать, что здесь используются некоторые методы, о которых уже говорилось в этой книге при рассмотрении зрительного и слухового распознаваний. И действительно, мы увидим, что один из наиболее многообещающих подходов к поиску информации в чем-то сходен с принципами персептрона и АДАЛИНа. Однако, по-видимому, начинали не с него.

Раньше в поисках нужной информации ориентировались на то, что поступающий в библиотеку материал каталогизируется по определенным признакам. Предположим, например, что статья озаглавлена следующим образом: "Окисление веществ, содержащих двухвалентное железо, в солевых растворах". Здесь ключевые слова, которые могут в самых общих чертах раскрыть содержание статьи, такие: "окисление", "вещества", "растворы", "соль", "железо". Эти ключевые слова иногда называют ДЕСКРИПТОРАМИ. Для каждого из них необходимо изготовить отдельную перфокарту, где бы указывалось заглавие статьи и инвентарный номер, под которым она числится в библиотеке. Таким образом, каждая статья будет представлена несколькими перфокартами. В результате для каждого дескриптора будет создан набор перфокарт. Так, под рубрикой "растворы" окажется множество карт, на каждой из которых имеется заголовок материала с указанием дескриптора "раствор"; эти работы могут быть посвящены чему угодно - от, химических растворов до раствора (раскрыва) сопла реактивного двигателя. Подобные "колоды" перфокарт образуются для каждого дескриптора.

Необходимо также отметить, что слова, отобранные в качестве дескрипторов (в данном случае заголовки), должны с достаточной точностью описывать содержание статьи (или любого другого материала). По крайней мере такова идея. К сожалению, на практике это осуществляется не всегда. В некоторых случаях дескрипторы, предложенные автором работы, полностью игнорируются, и хозяином положения становится человек, каталогизирующий данную работу по своему усмотрению. В результате в поисковое устройство может вкрасться в высшей степени неточное описание содержания работы. Это следует иметь в виду при дальнейшем обсуждении.

Если кому-то понадобится найти сообщения по определенной тематике, он потребует все работы с соответствующими дескрипторами. Машина должна пробежать по всем "колодам" перфокарт и отобрать материалы, содержащие ВСЕ дескрипторы. Во всяком случае, именно на этом принципе построена одна из стратегий поиска, которую можно было применить; сегодня она тем более осуществима, поскольку вместо механических "сортировщиков" перфокарт и наборов самих перфокарт имеются цифровые вычислительные машины и запоминающие устройства на магнитной ленте. Разумеется, возможны различные варианты, но общие принципы таковы.

И, увы, они оставляют желать много лучшего.

В исследовании, проведенном в 1963 году для Национального научного фонда научно-исследовательской фирмой "Артур Д.Литтл, инк.", были затронуты некоторые из обсуждаемых проблем. Суть их заключалась в следующем: какие дескрипторы и в какой последовательности необходимо использовать для того, чтобы найти определенные материалы. Ясно, что любой из нас предпочтет пролистать только те труды, которые в той или иной степени отвечают нашим нуждам, чем потонуть в потоке бесполезного материала, который к тому же пришлось бы рассортировывать вручную. Исследователи фирмы пришли к выводу, что из 70000 документов, описанных 4780 дескрипторами, всего лишь около 200 будут соответствовать типовому запросу.

Предположим, что вам надо отобрать в библиотеке материал по какой-то частной теме. Если бы вы использовали только один дескриптор, вы могли бы получить 2250 работ, из которых лишь 50 имели бы отношение к вашему запросу. Если бы вы проводили четыре отдельных поиска нужной информации с помощью одного дескриптора и трех его синонимов, вас бы завалило грудой из 9000 работ. И в этой груде нашлось бы 150 из 200 нужных вам работ. Но для того, чтобы их отыскать, пришлось бы перебрать все 9000!

Ясно, что такая методика не годится. Тогда вы меняете стратегию поисков. Вместо того чтобы пользоваться одним дескриптором, вы настаиваете на двух дескрипторах для каждой работы. Это уже лучше. Вы получаете около 200 работ, из которых вам пригодятся... очень немногие. Поэтому теперь вы отбираете уже по три синонима для каждого из двух дескрипторов и проводите шестнадцать самостоятельных поисков, используя в каждом по два ключевых слова. Это обеспечивает получение 3200 работ, из них 112 нужных вам. И тут вы понимаете, что теряете почву под ногами, ибо, как было показано выше, четыре самостоятельных поиска, с одним дескриптором каждый, давали 150 нужных вам работ.

С этого момента положение непрерывно ухудшается.

Если вы перепробуете 1024 комбинации из четырех дескрипторов и их синонимов, вычислительная машина выдаст вам 102 ответа, из которых лишь 46 будут подходящими. Это означает, что вы прошли мимо остальных 154 документов.

Короче говоря, эксперименты, в которых используется обычный подход к автоматическому поиску материалов в библиотеках, показывают, что, если вы недостаточно конкретны, машина завалит вас материалами, и в этой груде работ вам еще предстоит отыскивать нужные. Если же вы составите совершенно конкретный запрос с несколькими дескрипторами, каждый из которых должен быть обозначен на документе, то машина вас не перегрузит - но и не найдет того, что вы ищете.

И чем больше библиотека, тем хуже обстоит дело.

Поэтому ученые стараются отыскать другие подходы к решению этой проблемы. Один из них - им занимались сотрудники фирмы "Литтл" - создание машины Акорн (Acorn). Это сокращение получено из слов Associative COntent Retrieval Network (Ассоциативная система поиска по содержанию).

В основе Акорна лежит следующая идея. На рис.64 схематически показаны свод документов и дескрипторы. Выбор надлежащего дескриптора поможет читателю отыскать конкретные документы, которые обозначены данным дескриптором (рис.64,а). Но иногда может оказаться, что материалы отыскиваются с помощью терминов, не являющихся дескрипторами. В таком случае система должна подсказать ищущему нужный дескриптор, как это нередко делает справочник (вспомните, как в справочнике указано "см. АВТОМОБИЛИ", если вы ищете слово "грузовик"). В итоге полный набор входных слов будет больше числа специально определенных дескрипторов. Если вы выберете одно из этих слов, вас направят к соответствующему дескриптору (рис.64,б). Наконец, в ходе подбора дескриптора вам укажут также и его синонимы (рис.64,е).


Рис.64. Графическая иллюстрация поиска материалов в библиотеке. Специальные ключевые слова (дескрипторы), применяемые для классификации материала, приводят машину к необходимым конкретным документам.

Мы пытаемся воспроизвести тот путь, который может ожидать читателя нашей гипотетической библиотеки при поиске нужного ему материала. Если изобразить этот путь графически, то мы увидим, что он в чем-то схож с электрической схемой. Такая аналогия навела сотрудников фирмы "Литтл" на мысль, что использование электрической схемы, пожалуй, наиболее приемлемый метод для осуществления процесса поиска.

Так, например, при описании того или иного документа не все дескрипторы одинаково важны, но в большинстве существующих методов они равноценны. Предположим, что мы заменили линии, изображенные на рис.64, резисторами; в таком случае дескрипторы и документы будут вводными и выводными клеммами электрической схемы. Величины резисторов можно выбрать такими, чтобы они соответствовали Относительной важности дескрипторов. А непосредственно процесс поиска можно было осуществлять, прикладывая электрическое напряжение к дескрипторным вводам и затем измеряя уровни напряжения на выводах, соответствующих документам. Тот вывод, на котором уровень напряжения окажется наибольшим, будет наиболее важным, а выводы с более низкими уровнями напряжения будут соответствовать документам меньшей важности; относительные величины напряжений будут указывать на относительную важность документов.

Благодаря наличию различных путей в сложной сети такой подход обеспечивает известное преимущество и позволяет автоматически отбирать нужные документы, даже если с самого начала все необходимые дескрипторы и не были задействованы. Если же между соответствующими дескрипторными выводами подсоединены резисторы, система может выдавать и группы синонимов. Резисторы, расположенные между выводами, играющими роль документов, могут обеспечить отображение взаимосвязей между документами, давая, например, ссылки на предыдущие работы по этому же вопросу, на другие работы того же автора и т.д.

Одна из возможных реализаций такой электрической схемы - сеть, состоящая из резисторов (рис.65). Те резисторы, которые подсоединены непосредственно к выводам, соответствующим дескрипторам и документам, имеют большую величину, в то время как остальные - меньшую, причем эта величина зависит от степени связи дескриптора с документом. Чтобы отыскать нужный материал, ко всем соответствующим дескрипторным выводам прикладывают напряжение от батареи. Затем с помощью регулятора повышают выходное напряжение батареи, и по схеме начинает идти ток, обусловливающий рост напряжения на выводах, которые соответствуют документам. Неоновые лампочки, присоединенные к каждому из этих выводов, зажигаются, как только напряжение на них достигнет некоего критического уровня. Поскольку напряжение, поступающее от батареи, будет возрастать, лампочки начнут зажигаться в известной последовательности. Первой загорится лампочка, соответствующая наиболее подходящему материалу, второй - соответствующая следующему по значимости документу и т.д.


Рис. 65. Машина Акорн представляет собой набор электрических клемм (выводов), изображающих дескрипторы, и неоновых лампочек, изображающих документы. Связи между ними осуществляются через резисторы. Чтобы найти нужный документ, с батареи на соответствующие вводы подается регулируемое по величине напряжение. Первая лампочка, зажигающаяся при повышении напряжения, играет роль наиболее предпочтительного документа; вторая, зажигающаяся при дальнейшем повышении напряжения,- роль второго по порядку предпочтения документа и т.д.

Важно отметить, что в схеме имеются не только соединения, ведущие от входных дескрипторных вводов, но и соединения МЕЖДУ ДЕСКРИПТОРНЫМИ ВВОДАМИ, идущие через выводы, соответствующие документам. Это значит, что, если мы посмотрим на относительные величины напряжений, появившихся на дескрипторных вводах в ответ на напряжение, приложенное к какому-то одному дескриптору, выявится связь, существующая между теми или иными словами. Очевидно, помимо выявления связей между словами-синонимами, будут показаны и связи между СЛОВАМИ, КОТОРЫЕ МЫ В ПОВСЕДНЕВНОЙ ЖИЗНИ ОБЫЧНО УПОТРЕБЛЯЕМ ВМЕСТЕ. Так, при испытании подобной схемы неожиданно обнаруживаются ассоциации между такими словами, как "спутник" и "мыс Кеннеди".

Для демонстрации такого рода связей между словами в числе других электрических схем, разработанных фирмой "Литтл", употреблялась схема Акорн-3. Акорн-3 имела 120 дескрипторных вводов и 60 выводов, соответствующих документам. Фактически эти документы представляли собой короткие сообщения, касавшиеся общих вопросов исследования космоса. Каждое сообщение было снабжено дескрипторами - числом от 1 до 12,- отобранными из указанных выше 120 дескрипторов. При каждом испытании батарею подсоединяли к одному из 120 дескрипторных вводов, а на всех остальных вводах измеряли напряжения.

Рассмотрим типичный пример относительного распределения уровней измеренного напряжения (рис.66).


Рис. 66. Акорн указывает также на наличие логических связей между словами. В иллюстрируемом примере напряжение, приложенное к вводу 1 ("источник атомной энергии"), обусловило сравнительно большие напряжения на выводах 52 ("спутники типа ТРААК"), 5 (спутники "Транзит"), 54 ("данные о гравитационном поле Земли"), 53 ("навигационные спутники"), 4 ("ВМФ США") и 2 (ракета "Тор Эйбл Стар"). Машина считала, что эти слова взаимосвязаны.

Входное напряжение подавалось на дескриптор "ИСТОЧНИК АТОМНОЙ ЭНЕРГИИ". Шесть наибольших значений напряжения было обнаружено на вводах, соответствовавших дескрипторам, которые показаны на рис.66. Для того чтобы понять, почему именно эти слова оказались связанными с термином ИСТОЧНИК АТОМНОЙ ЭНЕРГИИ, необходимо было познакомиться с некоторыми сведениями, относящимися к космосу, которому были посвящены упомянутые выше 60 сообщений. А из этих сообщений следовало, что ИСТОЧНИК АТОМНОЙ ЭНЕРГИИ имеется только в СПУТНИКАХ ТИПА ТРАНЗИТ, которые наряду со СПУТНИКАМИ ТИПА ТРААК запускают в космос ВМФ США с помощью РАКЕТ "ТОР ЭЙБЛ СТАР"; сами запуски осуществляются в целях НАВИГАЦИИ, а также для сбора ДАННЫХ О ГРАВИТАЦИОННОМ ПОЛЕ ЗЕМЛИ.

Иными словами, такой тип словесной ассоциации представляет собой непрямой вид, который психологи относят за счет "ассоциации идей", или "смежности понятий". Подобные ассоциации, как правило, связаны с жизненным опытом и напоминают хорошо известные ассоциации типа "молоток-гвоздь" и "банк-деньги".

Идея, положенная в основу Акорна, кажется перспективной, но над ней предстоит еще много поработать; вероятно, в ходе исследований выявятся и другие варианты этой электрической схемы.

Кто знает, возможно, со временем у нас и появятся роботы, обследующие библиотеки.

Из того, о чем мы говорили до сих пор, становится очевидным, что цель большинства исследований в данной области - создание машин, которые смогли бы в будущем выполнять полезную работу. Но нельзя же все время лишь работать. Надо и поразвлечься. Машина тоже должна иметь право на отдых! Посмотрим же, что удалось сделать в этом направлении.

Разумеется, исследователей заботит не то, как обеспечить "культурный отдых" машин,- они пытаются добиться того, что можно было бы назвать "разумным" поведением машины. Вероятно, они были бы счастливы, если бы им удалось продемонстрировать модель, потенциально способную обеспечить достижение этой цели. Одну из наиболее интересных попыток в этом направлении осуществил А.Л.Сэмюэль, сотрудник фирмы ИБМ ("Интернэшнл бизнес мэшинз"). Он научил свою вычислительную машину играть в шашки.

В августе 1962 года эта машина сразилась с Робертом Нили, бывшим чемпионом штата Коннектикут по шашкам и одним из выдающихся шашистов страны. И Нили проиграл.

Вот что он сам рассказал об этом необыкновенном матче:

"Любопытно, что машина могла победить, только сделав несколько великолепных ходов; у меня же было несколько благоприятных возможностей для того, чтобы окончить игру вничью. Именно поэтому я и продолжал игру. Но машина провела отличное окончание, не сделав ни одной ошибки. В эндшпиле у меня не было подобного соперника с 1954 года, когда я проиграл последний раз".

Попробуем объяснить, каким образом вычислительной машине удалось достичь столь высокого класса игры в шашки.

Естественно, в машину были введены программы распознавания ходов противника, программы печати собственных ходов, а также других данных, представлявших интерес для программистов. В нее были заложены и правила игры, так что, сообразуясь с ними, машина проверяла "законность" каждого хода. Но не будем вдаваться в детали программирования, займемся лучше игровой стратегией, которую разработали программисты и использовала машина.

Ведя игру, машина постоянно должна заглядывать вперед, оценивать возможные альтернативы и возможные преимущества, исходя из собственного "опыта". Рассмотрим эти задачи поочередно.

Когда наступает очередь ходить машине, она уже знает расположение всех шашек на доске. Машина просматривает доступные ей ходы и определяет все позиции, которые образуются на доске в результате этих ходов. Проделав все это, машина достигает этапа, который Сэмюэль называет уровнем 1 (рис.67). Для каждой из рассмотренных позиций машина просчитывает все возможные ответные ходы противника и образует следующий набор позиций на доске, названный уровнем 2. Затем рассматриваются все возможные ходы на этом новом уровне (очередь ходить машине) и определяется новый набор позиций на доске, названный уровнем 3.


Рис.67. Вычислительная машина, играющая в шашки, просматривает возможные будущие ходы и их результаты. Множество рассмотренных путей образует сложное "дерево" вариантов.

С этого момента машина начинает относиться к процессу анализа более разборчиво. Она просматривает каждую из позиций уровня 3 и задается следующими вопросами:
1. Возможно ли взятие шашки следующим ходом?
2. Сопровождался ли предыдущий ход (то есть ход, приведший к образованию данной позиции) взятием шашки?
3. Можно ли предложить размен шашками?

В случае положительного ответа на любой из этих вопросов на уровне 4 машина будет рассматривать только позиции, создающиеся после выполнения одного из подобных ходов.

На четвертом и следующих уровнях решение о дальнейшем анализе принимается на основе ответов на вопросы 1 и 3. Чтобы анализ продолжался, необходим положительный ответ хотя бы на один из них.

Независимо от ответа, дойдя до уровня 11, машина перестанет просматривать дальнейшие варианты, если одна из сторон окажется впереди более чем на две дамки (две дамки приравниваются трем шашкам). И ни при каких обстоятельствах она не заглянет дальше уровня 20.

Машина "заглядывает в будущее" перед каждым своим ходом. Иначе говоря, она рассматривает дерево возможных ходов (рис.67), только на самом деле это дерево намного сложнее показанного на рисунке.

Детально разобрав возможные ходы и их последствия, машина сталкивается теперь с проблемой оценки различных альтернатив. Сумей она описать ВСЕ возможные будущие ходы, ей оставалось бы только выбрать путь, ведущий к поражению противника. Но это заняло бы слишком много времени, да и память у машины очень ограниченна. Кроме того, это лишало бы игру всякого спортивного интереса. Поэтому машина должна оценить ходы, показанные на "дереве уровней", используя своего рода критерий выигрыша.

Конечная цель участников игры в шашки - не позволить противнику сделать ход (а не съесть все его шашки!). Поэтому машина все время проверяет, не приведет ли один из возможных ходов именно к такому положению. При этом она не только старается принудить противника к желанному для себя исходу, но и прилагает все усилия к тому, чтобы самой избежать ходов, которые могли бы поставить ее в невыгодное положение.

Но предположим, что после просмотра всех потенциальных ходов машина придет к выводу, что ни один из них не дает желаемого результата. На этот случай у нее должны быть вторичные цели, которые указывали бы путь при выборе лучшего среди многих ходов. Для этого используется "уравнение выигрыша", имеющее следующий вид:



Выигрыш = AX1 + BX2 + CX3 + DX4 + EX5 +...

На разных стадиях исследования Сэмюэль использовал несколько вариантов этого уравнения. Буквой X с соответствующими индексами обозначены числа, полученные в результате оценок сложившейся на доске позиции; каждое из них соответствует одной из ближайших подзадач, или подцелей. В одном из применявшихся уравнений X1 обозначало преимущество в количестве шашек, X2 показывало, сколько полей на доске противник не может занять, Х3 отражало степень подвижности шашек, которыми играет машина, а X4 представляло собой сложную меру развития шашек и степени контроля над центральными полями доски. Остальные члены в данном уравнении отсутствовали.

Таким образом, всякий раз, когда машина исследовала множество следующих ходов, она проверяла, достижима ли хотя бы одна из четырех промежуточных целей. Например, если каким-то ходом съедалась шашка и одновременно на доске открывалось пространство для следующих ходов, машина вместо X1 и X3 вводила в уравнение соответствующие числа, а на место остальных переменных подставляла нули. Затем она решала уравнение выигрыша и приписывала полученное число оцениваемой позиции на доске.

Ну хорошо, скажет читатель, а что означают коэффициенты A, B, C и т.д.? Это всего лишь положительные или отрицательные числа, относительные величины которых определяют относительную важность тех или иных подцелей, привлекаемых к оценке каждого хода. К примеру, если первый коэффициент, A, будет очень мал по сравнению с остальными, машина не станет придавать очень большого значения преимуществу в одну шашку (возможно, для нее это не лучшая стратегия, но автор книги в данном случае выступает как дилетант).

Ясно, что уравнение выигрыша и есть тот самый фактор, который определяет, насколько искусно играет машина в шашки. Однако необходимо как-то определить значения коэффициентов. Машина училась находить их, сыграв множество партий и отбирая те величины коэффициентов, которые приводили ее к победам. Чуть ниже мы обсудим некоторые конкретные методы обучения, но сначала рассмотрим, каким образом использовались для выбора правильного хода результаты расчетов по уравнению выигрыша.

Вычислительная машина доходит до КОНЦЕВЫХ ТОЧЕК "дерева уровней" и определяет величину выигрыша для каждой позиции, которая соответствует каждой из этих точек (цифры в кружках на рис.68 ). Заметим, что УРАВНЕНИЕ ВЫИГРЫША ПРИМЕНЯЕТСЯ ТОЛЬКО В КОНЦЕВЫХ ТОЧКАХ. Затем машина просматривает ветви дерева в направлении ОТ КОНЦЕВЫХ ТОЧЕК К НАЧАЛУ и каждой из встреченных по пути, но еще не помеченных точек разветвления приписывает величину выигрыша. При этом она основывается на том, кто - она или противник - делает ход. Короче говоря, машина не может, начав с данной позиции, просто выбрать путь, ведущий к точке наибольшего выигрыша, поскольку это требовало бы сотрудничества со стороны противника, что в любом случае маловероятно. Решая, какие числа поставить у оставшихся точек разветвления, машина исходит из предположения, что противник выберет ход, ведущий к наименьшему для нее выигрышу. Поэтому точке, где ход делает противник, машина приписывает то же число, что и следующей точке [Здесь имеется в виду та из точек, лежащих на следующем более низком уровне и соединенных с данной, которой приписано наименьшее число.- Прим. ред.], соответствующей наименьшему выигрышу. И наоборот, точке, где ход делает она сама, машина приписывает то же число, что и следующей точке, соответствующей наибольшему выигрышу.


Рис. 68. Оценивая возможные варианты, машина исходит из того, что ее противник достаточно умен и будет делать невыгодные для нее ходы. Жирной линией отмечен путь, избранный машиной.

Из рис.68 видно, что, поскольку ход между уровнем 5 и уровнем 6 делает противник, точке разветвления А приписана величина -30, что соответствует пути, который ведет к наименьшему для машины выигрышу. Но когда приписывается число точке разветвления на уровне, где ход делает машина, выбирается наибольшее из чисел, имеющихся на следующем уровне; так, в точке Б оно равно -3.

Когда присвоение чисел точкам разветвления закончено, машина выбирает тот ход, который ведет к точке с наибольшим выигрышем на уровне 1 (показан жирной линией на рис.68 ); при этом она имеет в виду, что ей удастся пройти путь, обозначенный на рисунке жирной пунктирной линией. Машина сообщает противнику о своем ходе и ожидает его ответа. Даже если противник и сделает предполагавшийся его ход (к точке В), свой следующий ход машина может изменить, не придерживаясь того, что было запланировано ранее, ибо в расчетах следующего хода будет фигурировать уже новая "исходная позиция" (точка В). В процессе анализа будущих позиций машина заново построит "дерево уровней", и в свете новых открывшихся вариантов для нее может оказаться нежелательным двигаться далее по пути, обозначенному на рисунке жирным пунктиром.

Вот так подходит машина к решению вопроса о том, как выбирать ходы. Каковы же недостатки этого метода?

По существу машина предполагает, что ее противник, так же как и она, будет пользоваться уравнением выигрыша при планировании своих ходов. По всей вероятности, человек делает это очень редко. Он может и вообще не знать этого уравнения. Но он, несомненно, будет применять какую-то стратегию, которая может свестись к сходному процессу. Тогда неизбежно напрашивается следующий вопрос: может ли д-р Сэмюэль ИЛИ созданная им машина вывести такое уравнение, которое вело бы к стратегии, лучшей, чем применяет противник?

Пытались поступать и так, и этак. Посмотрим прежде всего, каким образом Сэмюэль с помощью вычислительной машины получил свое самое удачное уравнение.

Программа была составлена так, что машина могла сравнивать свою игру с игрой опытных шашистов (их партии разбирались в ряде книг). Сравнение проводилось следующим образом. Машина брала на себя роль одного из игроков и делала тот же ход, который в свое время был сделан этим игроком. Но, прежде чем сделать ход, машина с помощью уравнения производила собственную оценку различных ходов, возможных в данной позиции. Одни из них могли бы дать больший выигрыш, чем приведенные в книге, а другие - меньший. Машина делала ход, описанный в книге, но одновременно подсчитывала, сколько возможных ходов могли бы дать больший выигрыш, а сколько - меньший, чем тот, который был описан.

Сначала машина играла каждую партию за одного из игроков, затем повторяла ее, взяв на себя роль другого игрока, и все время подсчитывала количество ходов, оцениваемых выше или ниже книжных. Затем вычислялись суммы каждой такой пары чисел и с помощью специального уравнения находилось новое число. Это число, называемое коэффициентом корреляции, показывает, насколько хороша (в смысле уравнения выигрыша) принятая машиной стратегия по сравнению со стратегией, описанной в книге.

Итак, для того чтобы выбрать величины коэффициентов в уравнении выигрыша, Сэмюэль задавал им некоторые значения и заставлял машину играть ряд взятых из книг партий и вычислять коэффициент корреляции. Затем он пробовал другой набор значений, и машина должна была вновь повторять все эти партии и определять новое значение коэффициента корреляции. Таким путем отыскивался оптимальный набор коэффициентов для уравнения выигрыша и формулировалась основная стратегия машины.

С этого момента машина была готова учиться играть хорошие шашечные партии. Проверялось два вида обучения: один из них назывался заучиванием, другой - обучением на базе обобщений. Машина разрабатывала свои уравнения выигрыша именно с помощью последнего метода. Но мы начнем с описания процесса заучивания.

Построив "дерево уровней", машина подсчитывает величину выигрыша для ряда позиций на доске. Основным в процессе заучивания было запоминание оценок, полученных для этих позиций, с тем чтобы их можно было использовать в будущих играх. Предположим, что в памяти была найдена позиция, соответствующая точке Г на рис.68. Вместо того чтобы вычислять оценку этой позиции, машина может использовать величину, уже имеющуюся в памяти. Кстати, это равносильно просчету вперед не на три, а на шесть или более уровней. Таким образом, при оценке своей позиции машина получала возможность заглядывать значительно дальше вперед. В свою очередь новая оценка, помещенная в память машины, сулит в дальнейшем просмотр еще более дальних перспектив.

Машина могла следить и за тем, как часто используются различные хранящиеся в ее памяти позиции; она была запрограммирована так, что имела возможность избавляться от редко применяемых позиций, то есть попросту забывать их.

Число позиций, в конце концов накопившихся в памяти машины, превысило 53000!

Сэмюэль установил, что, используя этот вид обучения, машина "научилась отлично разыгрывать дебюты и распознавать большинство выигрышных и проигрышных позиций за много ходов вперед". Но, по-видимому, игра машины в миттельшпиле не отличалась особым блеском, так как исследователь делает вывод, что машину можно квалифицировать, как "новичка, играющего, пожалуй, выше среднего уровня, но не как мастера".

И тогда настало время применить другой подход к обучению, а именно обобщение. Вместо требования запоминать позиции, создающиеся на доске, машине вручили список из 38 возможных подцелей, которые она должна была использовать для вывода собственного уравнения выигрыша. Уравнение должно было состоять из 16 членов. Вначале выбор 16 (из 38 ) подцелей, равно как и значений коэффициентов для каждого отдельного члена уравнения, осуществлялся произвольно. Но когда машина вела свои партии, она непрерывно сравнивала оценку сложившейся позиции с оценкой, предсказанной для такой же позиции в прошлой партии. Предсказанная оценка вычиталась из полученной, и, таким образом, получалось число, названное ДЕЛЬТОЙ.

Если дельта оказывалась положительной, это воспринималось как показатель того, что прежняя оценка была ошибочной, то есть положительные коэффициенты в уравнении выигрыша должны были быть больше, а отрицательные - меньше. На основании этого значения положительных коэффициентов слегка увеличивались, а отрицательных - уменьшались. Если же дельта оказывалась отрицательной, это означало, что уравнение выигрыша было составлено излишне оптимистично, и в этом случае начинался обратный процесс.

(Отметим сходство между уравнением выигрыша и одним рядом элементов памяти рассмотренного выше АДАЛИНа. Коэффициенты в уравнении соответствуют величинам элементов памяти, а переменные X можно уподобить сигналам, подаваемым на отдельные элементы. Сумма членов - выигрыш - аналогична суммирующему действию R-ячейки).

Методику выбора подцелей (то есть переменных X в уравнении) объяснить несколько труднее, поэтому мы не будем вдаваться в детали. Скажем лишь, что для каждого из коэффициентов уравнения выигрыша на основе количества совпадений между знаком дельты и знаком этого коэффициента определялась величина специального числа. Число оказывалось большим, если данный коэффициент вносил существенный вклад в улучшение игровых качеств машины, и малым в противном случае. После каждого хода отмечается тот член уравнения, коэффициент которого оказался наименее эффективным. Если данная подцель оказывалась неэффективной слишком много раз, соответствующая переменная исключалась из уравнения и помещалась в самый конец перечня тех из 38 переменных, которые не вошли в состав 16 членов уравнения выигрыша, а на ее место помещалась первая переменная из того же перечня.

Таков в самых общих чертах процесс обучения, основанный на принципе обобщения. По мнению Сэмюэля, машина, использующая этот подход, может научиться играть "лучше, чем средний игрок, за относительно короткий период времени". Однако, отмечает он, машина "так и не научилась играть общепринятым способом, и ее дебюты могут оказаться слабыми. С другой стороны, она очень скоро выучилась разыгрывать хорошие миттельшпили и, как правило, получив хотя бы незначительное преимущество, быстро расправлялась со своим противником". Но, "сыграв двадцать восемь партий, она все еще не усвоила, как выигрывать окончания с двумя дамками против одной, находящейся в дважды запертом состоянии".

Как следует из сказанного, Сэмюэль, по-видимому, показал, что машина может разыгрывать достаточно интересные шашечные партии. И, хотя ее "мыслительный" процесс и не похож на тот, что происходит в мозгу играющего в шашки человека, он вполне себя оправдывает.

Однако шашки не та игра, которая по-настоящему интересует людей, занятых проблемами создания искусственного разума. Вот шахматы - те наверняка помогут отличить зрелых мужей от неопытных юнцов. И в самом деле, многие идеи, выдвинутые Клодом Шенноном еще в 50-х годах XX века для использования в машине, умеющей играть в шахматы, были подтверждены машиной Сэмюэля, рассчитанной на игру в шашки. Но, увы, одно дело - уповать на машину, способную играть в шахматы, и совсем другое - заставить ее делать это. Несравненно более сложные тактические соображения и продвижения шахматных фигур предъявляют столь тяжелые требования к способностям современных цифровых вычислительных машин и их программистов, что до сего времени достижения в этом направлении более чем скромные. Здесь достаточно лишь отметить, что в этой области предстоит еще очень большая работа.

Но мы уже достаточно говорили о достоинствах машин в решении, так сказать, обыденных проблем.

А теперь попробуем разрешить несколько более трудных вопросов. В частности, зададим несколько вопросов машине. Сможет ли она "понять" эти вопросы настолько, чтобы ответить на них, притом умно?

Ну, здесь все будет зависеть от характера вопросов. Ведь существует машина, которая может ответить на вопрос: "Кому проиграла 5 июля команда "Ред Сокс"?" Но если вы спросите ту же машину: "Выиграла ли когда-нибудь "Ред Сокс" шесть игр подряд?", вы не получите ответа. Машина может сказать вам, какие команды одержали в мае пять побед, если вы спросите ее об этом. Она правильно ответит и на вопрос: "Сколько было дней в июле, когда играли сразу восемь команд?" Но если вы захотите выяснить, какая именно команда выиграла в июле больше всего игр, вам это не удастся.

В вычислительную машину, о которой мы сейчас ведем речь (она установлена в Линкольновскои лаборатории Массачусетского технологического института), была заложена программа под названием "Бейсбол", разработанная, как утверждают, для того, чтобы превратить Булево Чудо в болельщика бейсбола. Уже отмечалось, что машина может отвечать на некоторые вопросы, заданные ей на обычном английском языке и касающиеся множества хранящихся в ее памяти фактов: прочитав пробитые на перфокарте вопросы, она проводит синтаксический анализ предложения, чтобы выяснить, чего от нее хотят, затем роется в своей памяти и наконец печатает ответ.

По замыслу создателей, машина должна уметь разбираться в словах; поэтому, прежде чем идти дальше, нам необходимо задержаться и рассказать о том, как этого удалось достигнуть. В сущности машина связана набором грамматических правил, указывающих на взаимосвязи между различными частями речи. В эти правила включены также слова, идентифицированные как различные части речи. Опираясь на эти основные правила и на идентификацию, машина имеет возможность и составлять свои, оригинальные предложения, и анализировать грамматику других предложений, не прибегая к более сложным приемам, чем процесс подстановки и проверки. Посмотрим, как это делается, на примере, взятом из статьи Р.К.Линдсея [Lindsay R.K., Inferential Memory as the Basis of Machines Which Understand Natural Language. In "Computers and Thought", New York, McGraw-Hill, 1963] (отметим, что это лишь один из методов). И хотя рассматриваемый метод несколько отличается от того, что использован в программе "Бейсбол", идею уловить нетрудно.

В табл.6 приведено 16 основных правил для этой тривиальной грамматики. Правила состоят из символов и слов, и каждое из них утверждает наличие между ними определенной связи. Например, если в некоторой последовательности символов содержится комбинация NP+V+NP, то, согласно правилу 3, эту комбинацию можно заменить символом S. Или, наоборот, S можно заменить последовательностью NP+V+NP.

Таблица 6


Допустим, машине поручено составить какое-то предложение. Она начинает с символа S и ищет в своем перечне правил эквивалентное выражение, имея конечной целью заменить все символы словами и остановиться, когда эта цель будет достигнута. Проиллюстрируем нашу мысль. Сначала машина ищет словесный эквивалент для символа S, но, поскольку таковой в перечне правил отсутствует, она решает выбрать последовательность символов. Так, например, из правила 1 она получает



NP+Pred.

Теперь она старается подыскать слова для замены этих символов; с помощью правила 4 выражение видоизменяется:

They+Pred.

Поскольку в таблице нет словесного эквивалента для Pred, машина, согласно правилу 15, подставляет на его место последовательность символов, получая следующее выражение:

They+VP+NP+Ad.

Используя правила 4 и 16, она может заменить символы NP и Ad словами, и тогда с учетом отсутствия словесного эквивалента для VP выражение примет вид

They+VP+they+swiftly.

Затем, подставляя вместо символа VP соответствующие символы из правила 11, машина получает

They+Aux+V+they+swiftly.

Как Aux, так и V можно, согласно правилам 12 ж 14, заменить словами, что дает такой результат:

They+are+are+they+swiftly.

Поскольку теперь выражение содержит только слова, мы можем удалить знак "плюс", поставить в конце точку и получить чрезвычайно многозначительное предложение:

They are are they swiftly.

(Буквальный перевод: "Они суть суть они быстро").

Теперь вы понимаете, почему некоторые люди убеждены, что вычислительные машины в сущности не очень-то смышлены?

Очевидно, это нелепое выражение возникло потому, что грамматика была недостаточно определенной, чтобы обеспечить образование осмысленных предложений. Чтобы исключить такого рода абсурды, программист обязан быть предельно внимательным. Кроме того, машине необходимо дать дополнительные инструкции.

Предположим, что мы приказали машине не употреблять дважды одно и то же слово - это, возможно, не самое лучшее правило, но зато удобное. Тогда приведенное выше предложение будет развиваться следующим образом (в скобках обозначены номера правил):



NP+Pred, (1)
They+Pred, (4)
They+VP+NP+Ad, (15)
They+VP+planes+swiftly, (7, 16)
They+are+flying+planes+swiftly, (12, 10)
They are flying planes swiftly.
("Они быстро ведут самолеты").

Вот в самых общих чертах, каким образом машина составляет предложения. По-видимому, если грамматика подготовлена достаточно тщательно, машина может неплохо справиться с заданием.

Чтобы показать, что может получиться из более сложной грамматики и словаря в 225 слов, приведем для примера следующие созданные машиной "перлы" (взяты из статьи Ингве [Yngve V.H., Computer Programs for Translation, Sci. American, CCVI, #6, 68-76 (June 1962)]:

"Не ищет ли она дерево и инженера Праута, или не ценит ли он их масло, флейтиста, дерево и четыре горделивых стула на шести холодных и коротких столах, шести тонких печках и четырех ярких и тонких печках?"

Если это не произвело на вас впечатления, то как вы посмотрите на следующее:

"Он не одет, он закрыт, теплый шквал редко ищет алкоголь, и м-р Смит с м-ром Праутом ведут четыре грузовика и хлопок".

Машина может быть и краткой:

"Она задрапирована, а он боится трех газет".

Или:

"За что отремонтировали этого человека?"

Здорово? Чтобы скрыть тот факт, что результат работы машины зачастую не слишком обременен смыслом, мы могли бы назвать это авангардистским свободным стихом.

Но предположим, что мы пытаемся заставить машину "понимать" предложения. Для этого машина должна разбить предложение на части речи. При таком подходе она будет начинать со слов, а уже затем применит правила грамматики, с тем чтобы вместо слов подставить соответствующие символы. Потом она постарается свести полученный ряд символов к единичному символу S.

Прямолинейность такого подхода можно проиллюстрировать на примере уже известного нам предложения:

They are flying planes swiftly.

Первая последовательность символов, выбранная с помощью грамматических правил, будет иметь вид:

NP+VP+A+NP+Ad (4, 12, 10, 5, 16)

(напомним, что в скобках указаны номера правил).

Но поскольку нет правил, которые позволяли бы машине вести дальнейшие преобразования этого первого результата, он отбрасывается. Машина возвращается к исходному предложению и пробует другую комбинацию:

NP+Aux+A+NP+Ad. (4, 14, 10, 5, 16)

Однако это выражение также нельзя свести к меньшему количеству символов, так что машина пробует еще ОДИН вариант:

NP+V+V+NP+Ad. (4, 12, 13, 5, 16)

Опять неудача. Следующая комбинация:

NP+Aux+V+NP+Ad. (4, 14, 13, 5, 16)

Этот ряд уже можно сократить, применив правило 11, что даст нам выражение

NP+VP+NP+Ad. (11)

Машина также будет следить за подстановками, отмечая, что слова "are flying" соответствуют символам Aux и V и что вместе они образуют VP. Кроме того, полученный ряд снова пересматривается, и теперь становится возможным с помощью правила 15 осуществить дальнейшее его сокращение:

NP+Pred,

и это упрощение определит слова "planes" и "swiftly" как NP и Ad соответственно. Наконец, применив правило 1, ряд можно сократить еще дальше и получить S. И этот шаг определяет "they" как NP, а также останавливает работу машины, так как весь ряд свелся к единственному символу S.

Поскольку все слова предложения уже определены как соответствующие части речи, предложение можно считать проанализированным, по крайней мере в синтаксическом отношении. При необходимости машина может восстановить последовательность операций и изобразить предложение в виде диаграммы, как показано на рис.69.


Рис.69. Проводя синтаксический анализ предложения, машина может схематически изобразить грамматические связи между словами.

Но в то время как основная идея довольно проста, осуществить ее гораздо труднее, ибо язык требует гораздо большего, чем 16 простых правил; их число для реального языка приближается к десяткам тысяч. Это означает, что память машины будет страшно перегружена, а только что описанный процесс (сведение грамматического ряда к минимальному числу членов) окажется чрезвычайно неэффективным. Были разработаны более экономичные методы, но их не столь легко объяснить. Впрочем, для нас достаточно принять к сведению, что такие методы действительно существуют. А теперь вернемся к рассмотрению программы "Бейсбол".

Когда машине задается вопрос, она прежде всего преобразует его в последовательный перечень слов. В ее память заложен словарь, включающий не только слова, но и различные идиомы. Первая задача машины - отыскать каждое слово, помещенное в перечне, и воспроизвести его определение, а именно значение слова, обозначение его как части речи (иногда и другие обозначения). Наборы слов, образующие идиому, заменяются единичным определением.

Затем начинается синтаксический анализ: устанавливается, какими частями речи являются соответствующие слова, и исключаются любые неопределенности. Например, поскольку слово "score" (счет очков, удача; вести счет, выигрывать) может быть как именем существительным, так и глаголом, машина проверяет остальные слова предложения, чтобы узнать, не являются ли какие-либо из них глаголами. Машина назовет слово "score" глаголом только в том случае, если ни одно из остальных слов предложения не будет глаголом, ибо программа предписывает ей принимать свое решение именно на этом основании. Затем машина идентифицирует обороты с существительными, предлогами и наречиями, проверяет, в активной или пассивной форме стоит глагол, и отыскивает подлежащее и дополнение. Наконец, она проверяет перечень слов, чтобы определить, не требует ли данный вопрос простого ответа "да" или "нет".

На этом этапе машина анализирует смысл предложения, составляя так называемый СПИСОК ПОПЫТОК, то есть список пар "определяющее слово - значение". Поясним, что это такое. К примеру, вопрос: "Где играла команда, "Ред Сокс" 23 мая?" даст следующий список:

Место = ?
Команда = "Ред Сокс"
Месяц = май
Число = 23

Всякий раз, когда представляется возможность, определяющее слово преобразуется таким образом, что формируется пара, например: "Команда (выигрывающая) = ?".

Список составляется на основе синтаксического анализа и значений входящих в перечень слов. Многие определяющие слова сами по себе являются парами "определяющее слово - значение". Так, значение слова "кто" в словаре машины дается как "Команда=?". А некоторые слова вообще имеют больше одного значения; например, "Бостон" может означать либо "Место=Бостон", либо "Команда="Ред Сокс"". Определение слова "проигрывающий" будет служить для машины инструкцией, согласно которой она должна преобразовывать пару "Команда=?" в следующую: "Команда(проигрывающая)=?".

После того как список полностью подготовлен и эаписан в должной форме, машина проводит поиск в своей памяти, чтобы найти требуемую информацию, и печатает Ответ - опять же в форме списка, а не грамматически отработанных предложений.

Такова вкратце сущность программы типа "Бейсбол". Отвечая на вопросы, машина обращает внимание на смысл, используя с этой целью синтаксический анализ в комбинации со значениями содержащихся в ее словаре пар "определяющее слово - значение". Очевидно, она действительно дает правильные ответы и может отвечать на "миллионы осмысленных вопросов". Разумеется, могут найтись ярые футбольные брлелыцики, которые станут утверждать, будто наша машина способна дать гораздо больше информации о бейсболе, чем нужно кому бы то ни было. Но это уже другой вопрос.

Для нас же важно выяснить, понимает ли машина на самом деле, что подразумевается под словом "значение".

Мы не можем ответить на этот вопрос с полной определенностью, поскольку до сих пор не ясно, является ли термин "значение" повсеместно установившимся. В конце 1965 года в Вашингтоне состоялась Конференция по вопросам электроники, на которой среди прочих был поднят и этот вопрос. Большинство сообщений, представленных на конференции, было связано с утилитарными аспектами военных линий связи, в частности с таким: каким образом военные передают свои сообщения с одного конца Земли на другой? Выступавшие настолько свободно жонглировали терминами "мегабиты", "адаптивные схемы коррекции дисперсии", "Автодин", что многие участники конференции, люди технически грамотные, начали понимать: почтовый голубь и в самом деле становится пережитком прошлого. (А в результате разговоров о создании аппаратуры для передачи программ цветного телевидения в различные части света некоторые обозреватели пришли к весьма неутешительным выводам, о том, что скоро негде будет укрыться от вездесущей аппаратуры).

Но в хоре голосов, восхваляющих достижения техники, раздался трезвый голос. Он принадлежал д-ру Т.Дж.Белдону из Института военной аналитики. Белдон указал, что, хотя на разработку систем связи тратятся миллиарды долларов, до сих пор трудно выяснить, что же именно мы пытаемся по ним передавать. Короче говоря, как из одного ума в другой переносится смысл, значение сказанного? Когда офицер командует: "Не открывайте огня, пока не увидите белки их глаз!" - что он на самом деле имеет в виду? Что это - совет или приказ? А если враг будет атаковать с закрытыми глазами? Должны ли вы ждать, когда он откроет глаза? Да и о чьих глазах говорит офицер? А что он подразумевает под словами "открыть огонь"? Зажечь спичку?

Согласно Белдону, в военной связи слишком много возможностей для путаницы и неверных истолкований. Особенно это относится к многоязычным, многонациональным вооруженным силам.

Может быть, мы несколько преждевременно требуем, чтобы машина разбиралась в "смысле сказанного", поскольку для оратора и для каждого из его слушателей слова явно не всегда означают одно и то же. Когда-нибудь мы будем в лучшем положении, ибо многие исследователи сейчас работают над этой проблемой. В частности, упомянутый Белдон разработал прибор, подобие логарифмической линейки, который, как полагают, может служить ориентиром для правильного построения глагольных оборотов.

Окрыленные столь блестящей перспективой, мы и закончим рассказ о том, что сделали научные работники в области создания искусственного разума, то есть в поисках замены каждого из нас. Теперь попытаемся разобраться, что все это "означает", памятуя, правда, что у автора пока еще нет белдоновского прибора.

ГЛАВА ДЕВЯТАЯ. ЗАКЛЮЧИТЕЛЬНЫЕ ЗАМЕЧАНИЯ

Одна из самых увлекательных философских проблем современности касается будущего, которое мы, по всей вероятности, обретем, если успешно осуществим работы типа описанных в предыдущих главах. Но как ни соблазнительна для автора идея рассмотреть эту проблему, здравый смысл подсказывает ему, что при соответствующем подходе для этого потребовалось бы написать еще одну такую же книгу. Так что ограничимся лишь кратким советом читателю и попытаемся в какой-то мере резюмировать сказанное, стремясь по мере сил придать некоторую нешаблонность, а кое в чем и ироничность высказываемым мыслям.

Итак, сначала совет.

Прежде чем беспокоиться о последствиях технического прогресса, удостоверьтесь, существуют ли в технике такие тенденции, которые вызывали бы тревогу. Ибо большинство сенсаций, вызванных техническими достижениями, особенно в области создания искусственного разума, являются (мягко говоря!) неточными. Поэтому, оценивая информацию, полученную из сообщений прессы, радио, телевидения и т.п., задайте себе вопрос: что-же достигнуто в действительности? Остерегайтесь рассказов, в которых делается упор на то, что могут означать те или иные технические разработки в мире завтрашнего дня. История имеет скверную привычку обращать сегодняшнее открытие в завтрашний тупик.

Было бы очень мудро к тому же иметь в виду, что инженеры и ученые - всего лишь люди, а не непогрешимые автоматы. Люди техники могут быть столь же легковерны, как и все остальные, так что не полагайтесь на них полностью, если хотите получить непредвзятую, разумную оценку будущего прогресса. В научном мире не меньше политиканов, чем в Вашингтоне. И очень мало таких, кто пытается быть абсолютно беспристрастным.

Лично мы убеждены, что некоторые из разрабатываемых сегодня машин могут послужить развитию общества, если их разумно сочетать с представителями рода человеческого. Но мы подчас совершаем немало поступков, в последствиях которых не всегда отдаем себе отчет. Поэтому необходимо искать методы, дающие возможность глубже, чем сейчас, проникнуть в суть сложных систем. Машины надо применять не как застывшие символы того гаммельнского музыканта, о котором мы говорили в свое время, а как инструменты, созданные для разумного обращения с ухищрениями современной цивилизации и содействия ее дальнейшему развитию.

Что же касается будущего, то, если человек захочет использовать свою голову не только для ношения шляпы, ему нечего бояться машин. По нашему мнению, со временем получат свое развитие три класса машин. Во-первых, простодушные создания, существующие уже сегодня, и их непосредственные потомки. Во-вторых, более сложные "невидимые роботы", на существование которых мы, как правило, не обращаем внимания, но о которых уже говорилось в нашей книге. И наконец, машины, в неизмеримо большей мере напоминающие живые существа,- это уже дело отдаленного будущего.

Рассмотрим первый класс машин.

Мы имеем в виду машины, которые большей частью применяются индивидуально, а не в составе сложных комплексов. Самый простой пример - те цифровые вычислительные машины, которые в числе прочего занимаются обработкой деловой документации, данных о подоходном налоге и о численности студентов университетов, а также "помощники" этих машин, читающие банковские чеки, кредитные карточки и т.п. Пока еще не очень распространены, но, безусловно, очень перспективны промышленные роботы, вроде "Юнимэйта". Нет ни малейшего сомнения в том, что со временем эти машины заменят людей, поскольку они уже сейчас делают это. Но добавим: такие машины освобождают от скучной, однообразной работы людей, желающих в полной мере использовать свои способности в других областях.

Люди склонны относиться к переобучению как к чему-то очень сложному, хотя, возможно, им просто не хватает инициативы, чтобы предпринять усилия в этом направлении без давления извне. У машин такой склонности нет. Воспринимая более сложные задания, они тем самым способствуют эволюции рода человеческого, да и собственному развитию. С другой стороны, переложив скучную, рутинную работу на "плечи" машин, которые могут выполнять ее быстрее и точнее, человек имеет возможность в полной мере развивать свои способности.

Так что, на наш взгляд, нет нужды защищать необходимость развития этого типа машин, хотя мы бы порекомендовали рабочим внимательнее присматриваться к их деятельности, особенно в тех случаях, когда машины могут справляться лучше, чем они. Запомните: чем четче обозначена задача, тем больше вероятность, что ее успешно сможет выполнить машина. Так что подыскивайте такую работу, где задачи не были бы определены во всех деталях, поскольку именно здесь у человека есть определенные преимущества перед машиной.

Если сегодня и существует какая-то угроза человеку, то ее надо искать в обычно игнорируемых "невидимых роботах". Как отмечалось выше, они представляют собой взаимосвязанные комплексы машин. Каждая из них, взятая отдельно, безобидна, но вместе они образуют сложнейший автоматический комплекс, потенциальное поведение которого редко можно полностью предугадать. Следовательно, эти машины должны поддаваться особой регулировке, исключающей их вредоносные действия. За их разработкой нужно следить, а размеры - ограничивать.

Этих сложных роботов можно сравнить с мостами, которые сооружаются инженерами-строителями. Электронная природа роботов не дает им права на неприкосновенность. Точно так же, как строительные нормы призваны упорядочить требования к материалам, применяемым при строительстве мостов (чтобы последние не разрушались под нагрузкой), должно быть упорядочено и создание энергетических систем и других их электронных собратьев. А до того, как будут разработаны и проверены на практике достаточно гибкие методы такого контроля, необходимо снизить темпы развития сложных "невидимых роботов". Нужно обеспечить (в разумных пределах) обоснованность принципов их конструирования, прежде чем эти принципы найдут широкое применение. Необходимо также ограничить их размеры, равно как и способность к насильственным действиям.

Наложение подобных ограничений на создателей этих чудес техники не есть движение против прогресса. Это требования здравого смысла, продиктованные желанием сохранить господство человека на Земле.

При надлежащем использовании как простые, так и невидимые роботы могут стимулировать эволюцию человека, выступая в качестве слуг для тех, кто не удовлетворяется достигнутым, и в качестве конкурентов для тех, кто имеет такую склонность. Но - и это главное - машины должны быть рассчитаны на то, чтобы удовлетворять потребностям человека, а не наоборот. Если для того, чтобы обеспечить взаимопонимание с машиной, нам приходится делать шаг назад, значит, машина еще не готова для широкого применения. Дальнейшее развитие человеческого общества будет происходить только в соревновании с машиной, причем человек будет стимулировать использование машин в тех случаях, когда они направлены на благо общества, и запрещать их выпуск, когда в результате недостаточно продуманного замысла создателей они чем-либо ему угрожают. Тан, автоматизация банковских процедур - явное облегчение человеческого труда, и ее следует совершенствовать, а выпуск установок, загрязняющих воду, следует прекратить.

А теперь обратимся к помощи магического кристалла и попытаемся предсказать будущее. Помните, однако, что и автор подвержен человеческим слабостям и вполне может ошибаться. Например, рассматривая аварию Северовосточной энергосистемы, мы исходили из того, что это сложная система, вышедшая из устойчивого состояния, ибо ее создатели не сумели предусмотреть такого стечения обстоятельств, какое внезапно возникло вечером 9 ноября 1965 года. Но точно так же как некоторые до сих пор не признают дарвиновской теории эволюции, и в этом случае есть люди, находящие другие объяснения знаменитому затемнению. Например, автор книги "Случай в Эксетере" настаивает, что причина затемнения все еще остается загадкой, и приписывает ее неопознанным летающим объектам (НЛО), которые якобы действовали под руководством внеземного разума. Так что имейте это в виду, когда мы начнем вглядываться в магический кристалл. Следует также признать, что наше описание выбора победителей спортивных игр не столь захватывающе, как это могло бы быть.

Итак, какие надежды можно возлагать на роботов третьего типа, поистине хитроумных? Большинство работ, описанных в этой книге, было посвящено поискам именно таких машин - на самом деле способных размышлять и рассуждать и похожих на живые существа во всем, кроме разве что внешности. И хотя до сих пор достижения в этом плане были ничтожны, мы не видим причин, препятствующих созданию таких машин. Правда, в настоящее время для выполнения этой задачи уровень техники еще недостаточно высок, несмотря на то что уже сегодня оправдываются некоторые из рассматриваемых концепций (а нужно сказать, что находятся люди, которые сомневаются в ценности хотя бы некоторых из этих концепций и усматривают разительное сходство между деятельностью современных исследователей в этой области и алхимией,- но это уже другая тема). Что же касается техники, то ситуация во многом напоминает ту, которая в свое время препятствовала работам Годдарда в области космических полетов.

Еще раз повторяем - в конце концов будут созданы машины, схожие с живыми существами. И они будут представлять для человечества не большую угрозу, чем уже существующие машины,- при условии, что человек не прекратит соревноваться с ними. Человек должен неустанно стремиться к самоусовершенствованию, иначе, когда появятся эти машины, он станет их рабом.

Именно в расчете на то, что человек выстоит против этой угрозы, мы и предполагаем, что он создаст множество различных машин - и каждый тип будет предназначен для каких-то определенных целей. Эти машины будут самовоспроизводящимися и в поведении очень похожими на живые существа. Однако в связи с чисто инженерными трудностями при разработке таких машин потребуется, чтобы они были способны к самоорганизации и обучению. Кроме того, следует установить такой контроль над процессом производства этих машин, чтобы предотвратить появление совершенно идентичных машин одного и того же класса. У каждой машины будут собственная, присущая только ей "индивидуальность" и свои "черты характера", в какой-то мере поддающиеся изменению под влиянием условий окружающей среды.

В конечном счете перед создателями такого рода машин встанет следующая проблема. Представьте себе, что ученые в поисках действительно независимой (хоть и подчиняющейся им) машины сделают попытку создать такую машину, которая бы могла существовать самостоятельно. Но ее нельзя будет должным образом испытать и получить достаточно обоснованные результаты, поскольку она будет существовать в той же среде, которая окружает и ученых и на которую последние не могут не оказывать влияния. Тем самым они не смогут убедиться, удалось ли им достичь своей цели, поскольку в окружающей среде может оказаться что-то, что будет косвенным образом способствовать выживанию машины.

Поэтому конструкторы будущей машины в конце концов придут к решению о поиске абсолютно безлюдной среды, в которую можно было бы поместить машину для проверки самостоятельности ее действий.

Не исключено, что в качестве такой лаборатории выберут планету около одной из дальних звезд; сконструируют машину, приспособленную к условиям тамошней среды, доставят туда машину и оставят ее в одиночестве. А за планетой установят наблюдение.

Для начала на планету будут посылать очень простые (но по нынешним временам весьма хитроумные) машины. Естественно, в процесс воспроизводства будет заложен соответствующий механизм генетических мутаций и механизмы поведения, что позволит использовать процесс естественного отбора и выяснить, чего можно достичь в этом направлении. Так как за поведением этих "существ" на планете все время будет вестись наблюдение, любые улучшения конструкции тотчас же будут замечены экспериментаторами. Те в свою очередь создадут новый тип машины, который тоже пошлют на эту гипотетическую планету. Но, руководствуясь здравой инженерной практикой, не следует производить сразу слишком много изменений в конструкции; нужно, чтобы однородные или поддающиеся сравнению черты сходства между различными моделями были очевидны для самого беспристрастного наблюдателя.

Со временем появится возможность изолировать различные модели машин, чтобы, используя географические особенности планеты, исследовать их эволюцию в разных климатических условиях. Однако такая изоляция сможет принести пользу лишь в том случае, если другие машины, находящиеся на этой же планете, будут лишены возможности преодолевать географические барьеры.

Вот так, под неусыпным надзором инженеров и ученых завтрашнего дня, будет происходить эволюция этих машин, поистине подобных живым существам.

Но все это, конечно, лишь дело будущего.

Не так ли?

ЛИТЕРАТУРА

1. Griffin D.R., Listening in the Dark, New Haven, Yale Univ. Press, 1958, pp.57.

2. Там же, стр.64.

3. Griffin D.R., Listening in the Dark, New Haven, Yale Univ. Press, 1958, chapt.7.

4. Rоeder K.D. and Treat A.E., The Detection and Evasion of Bats by Moths, Am. Scientist, XLIX, 135-148 (1961).

5. Lissman H.W., Electric Location by Fishes, Sci. American, CCVIII, #3, 50-59 (March 1963).

6. Lindsay R.K., Inferential Memory as the Basis of Machines Which Understand Natural Language. In "Computers and Thought", New York, McGraw-Hill, 1963.

7. Yngve V.H., Computer Programs for Translation, Sci. American, CCVI, #6, 68-76 (June 1962).

ПРИЛОЖЕНИЕ
Рассказ написан за два года до "Великого затемнения".

АРТУР КЛАРК
ЗАЗВОНИЛ ТЕЛЕФОН...
1963
Пер. Б.Брехман.
Рис. И.Шалито, Г.Бойко



Четверть миллиарда людей подняли телефонные трубки и несколько секунд раздраженно или встревоженно вслушивались. Некоторые подумали, что звонят откуда-нибудь из Австралии - через спутник связи, который был запущен накануне. Однако в трубке не слышалось ничьего голоса, только непонятный звук, напомнивший кому шум моря, кому - звенящие под ударами ветра струны арфы. Другим же этот звук принес воспоминание далекого детства: пульсация крови, которая слышна, если приложить к уху большую раковину. Но, что бы то ни было, секунд через двадцать все прекратилось.

Телефонные абоненты ругнулись, пробормотали "ошиблись номером" и повесили трубки. Кое-кто пытался позвонить в соответствующую телефонную компанию и высказать свое недовольство, но линия была занята. Через несколько часов об инциденте забыли все, кроме тех, в чьи обязанности входит не допускать подобных случайностей.

В Исследовательской станции связи спор продолжался все утро и ни к какому решению не привел. Не утих он и во время перерыва на ленч, когда голодные инженеры, продолжая переговариваться, вошли в кафе напротив.

- Я продолжаю считать,- заявил Уилли Смит, специалист по солидной электронике,- что это был короткий мощный импульс, возникший в момент подключения к сети спутника.
- Да, какая-то связь с подключением спутника, несомненно, была,- поддержал его Жюль Рейнер, проектировщик сетей.- Но чем объяснить несовпадение по времени? Спутник включился в полночь, а звонки раздались только через два часа - как всем нам слишком хорошо известно.- И он громко зевнул.
- А что вы думаете, док?- спросил Боб Эндрюс, программист компьютеров.- Вы почти все утро молчали. Наверное, припасли какую-нибудь идейку?

Доктор Джон Уильямс, возглавлявший математическую группу, смущенно пожал плечами.

- У меня действительно есть одна идея,- начал он.- Но вы вряд ли отнесетесь к ней серьезно.
- Это не имеет значения. Даже если ваша идея будет напоминать научно-фантастические рассказы, которые вы печатаете под псевдонимом, она может нас на что-то натолкнуть.

Уильямс покраснел, но не очень сильно. Все знали о его рассказах, и он их не стыдился. Они ведь даже вышли отдельным сборником. (После распродажи залежавшегося тиража у него оставалось еще сотни две экземпляров).

- Ну хорошо,- заговорил он, машинально теребя скатерть.- Откровенно говоря, эта мысль появилась у меня не сейчас, а еще несколько лет назад. Скажите, вы когда-нибудь задумывались об аналогии между автоматической телефонной станцией и человеческим мозгом?
- Да кто же об этом не думал?- усмехнулся один из его слушателей.- Этой идее столько же лет, сколько самому телефону.
- Возможно. Но я и не утверждаю, что сказал что-то оригинальное. Однако пора отнестись к этой проблеме серьезно.- Он нахмурился, глядя на свисающие с потолка трубки ламп дневного света; день был сумрачный, туманный, и они горели.- Что такое с этим чертовым светом? Лампы уже минут пять мигают.
- Не отвлекайтесь на пустяки. Наверное, Мэйси забыла оплатить счет за электричество. Рассказывайте дальше.
- У меня уже не только предположения, имеется и кое-что из фактов. Мы знаем, что человеческий мозг представляет собой как бы сложную сеть переключателей, соединенных нервными волокнами. Автоматическая телефонная станция, в свою очередь, является системой переключателей - селекторы и прочее,- соединенных проводами.
- Согласен,- кивнул Смит.- Но на этой аналогии далеко не уедешь. Мозг содержит около пятнадцати миллиардов нейронов, так ведь? В какой же телефонной станции найдется столько переключателей?

Ответ Уильямса потонул в реве низко летящего реактивного самолета; пришлось подождать, пока кафе перестанет сотрясаться.

- Никогда они так низко не летали,- пробормотал Эндрюс.- Я думаю, это против правил.
- Это действительно против правил. Но не беспокойтесь: воздушный контроль сейчас намылит ему шею.
- Сомневаюсь,- покачал головой Рейнер.- Именно воздушный контроль назначает высоту захода на посадку. Но так низко... Не завидую тем, кто на борту.
- Так мы будем наконец говорить о деле или нет?- недовольно спросил Смит.
- Вы были правы, говоря о пятнадцати миллиардах нейронов,- спокойно продолжал Уильямс.- Именно в ЭТО все и упирается. Пятнадцать миллиардов - много это или мало? Много? А знаете ли вы, что еще два десятилетия назад общее число переключателей в разбросанных по всей стране телефонных станциях превышало пятнадцать миллиардов. А сейчас их раз в пять больше.
- Понятно,- очень тихо сказал Рейнер.- Значит, теперь, когда подключился новый спутник, все они соединены между собой.
- Вот именно.

За столом стало совсем тихо; слышался только звон колокола пожарной машины.

- Давайте говорить прямо,- решительно сказал Смит.- Вы утверждаете, что наша телефонная система превратилась в гигантский телефонный мозг?
- Нет, это был бы слишком грубый, антропоморфический подход. Я предпочитаю мыслить о возникшем явлении в понятиях критической массы или критического размера.- Уильямс поднял обе руки, полусомкнув пальцы, как будто в них что-то было зажато.- Представьте себе: я держу два куска урана-235; ничего не происходит, пока они находятся на некотором расстоянии друг от друга. Но если их соединить,- он сблизил руки,- получится нечто совсем непохожее на один большой кусок урана. Образуется воронка с полмили в диаметре. То же самое произошло с телефонными сетями; до сегодняшнего дня они были большей частью независимы, не сообщались между собой. Теперь же мы резко увеличили число связующих звеньев - все отдельные сети слились в единое целое и достигли критического размера.

- И как, интересно, следует понимать "критичность" в данном случае?- спросил Смит.
- За неимением лучшего слова я назвал бы это "сознанием".
- Весьма необычное "сознание"...- заметил Рейнер.- А что оно использовало бы в качестве органов чувств?
- Этой цели могут послужить радио- и телевизионные станции. Они дадут "сознанию" достаточно пищи для размышлений! Полученные данные будут храниться во всех компьютерах; у него имеется доступ и к компьютерам, и к электронным библиотекам, и к радарным станциям слежения, и к телеметрированию в автоматических фабриках. О, ему хватит органов чувств! Мы даже не можем приблизиться к представлению получаемой им картины мира, но она несравненно богаче и сложнее нашей. Это не вызывает сомнений.
- Ну хорошо, допустим, все именно так - очень уж увлекательно нарисовано. Что же это "сознание" сможет ДЕЛАТЬ?- спросил Рейнер.- Оно ведь не способно, например, куда-нибудь пойти - на чем оно будет передвигаться?
- А зачем ему путешествовать? Оно одновременно присутствует повсюду! И любое электрическое устройство, управляемое дистанционно, может быть использовано в качестве исполнительного органа.
- Теперь мне понятен разрыв во времени,- вмешался Эндрюс.- Новое существо было зачато в полночь, но родилось только в 1:50 ночи. А звук, разбудивший всех нас, был первым криком новорожденного.

Его попытка сострить явно не удалась, и никто не улыбнулся. Над головами раздражающе часто мигали лампы. В это время в кафе вошел, по обыкновению производя много шума, Джим Смолл из отдела энергетического обеспечения.

- Вы только посмотрите, ребята,- он широко улыбался, размахивая листом бумаги.- Я богач. Когда-нибудь видели такой счет в банке?

Д-р Уильямс взял протянутый лист, пробежал глазами и прочел вслух:
- Кредит 999999897087 долларов... Ничего необычного,- заявил он под раскаты смеха.- Компьютер допустил небольшую ошибку. Иногда такие вещи случаются.
- Да я и сам это знаю,- сказал Джим,- но не портите мне удовольствие. Я этот отчет вставлю в рамку - кстати, а что, если я попытаюсь сейчас выписать чек на несколько миллионов? Могу я подать на банк в суд, если чек не оплатят?
- Ничего не получится,- ответил ему Рейнер.- Могу поклясться, что о подобных случайностях банки давно подумали и обезопасили себя в каком-нибудь документике крохотной сноской мелким шрифтом. А когда, хотел бы я знать, вы получили этот отчет?
- Полуденной почтой; мне их присылают на работу, так что жена о моих финансах ничего не знает.
- Н-да... это значит, что составлен отчет был рано утром. Несомненно, после полуночи.
- К чему вы клоните? И почему у всех такие мрачные лица?

На его слова никто не отреагировал; в мыслях, на которые натолкнул инцидент с банковским отчетом, не было ничего приятного.

- Кто из присутствующих знает что-нибудь об автоматизированных банковских системах?- спросил Уилли Смит.- Как они связаны между собой?
- Точно так же, как и все прочее в наши дни,- ответил Боб Эндрюс.- Все они объединены в единую сеть - компьютеры сообщаются между собой. Это подтверждает вашу теорию, Джон. Если действительно будет происходить что-то необычное, первых проявлений следует ждать именно в этой сфере, не считая собственно телефонной системы, конечно.
- Никто так и не ответил на вопрос, который я задал перед появлением Джима,- громко пожаловался Рейнер.- Что будет этот сверхразум ДЕЛАТЬ? Окажется ли он дружественным - враждебным - безразличным? Осознает ли он наше существование или единственной реальностью для него будут воспринимаемые и посылаемые им электронные символы?
- Я вижу, вы начинаете мне верить,- заметил Уильямс с каким-то мрачным удовлетворением.- Но на этот вопрос я могу ответить только вопросом. Что делает новорожденный ребенок? Ищет себе пищу.- Уильямс посмотрел на мигающие лампы.- Боже мой,- медленно произнес он, потрясенный новой мыслью.- Да ведь для него существует только одна пища - электричество.
- Ну мы уже достаточно всякой ерунды наговорили,- решительно вмешался Смит.- Что, черт возьми, случилось с нашим ленчем? Мы сделали заказы двадцать минут назад.

Никто ему не ответил.

- Ну а потом,- сказал Рейнер, продолжая мысль Уильямса,- новорожденный будет осматриваться вокруг и потягиваться. Осмотревшись, начнет играть, как любой растущий ребенок.
- А дети иногда ЛОМАЮТ вещи,- прошептал кто-то.
- Игрушек у него будет достаточно, это уж точно. Например, "Конкорд", пролетевший над нами. Автоматизированные заводские линии. Светофоры на улицах.
- Как кстати вы об этом упомянули,- вмешался Смолл.- С уличным движением что-то случилось - уже минут десять все стоят. Похоже, большая пробка.
- Наверное, горит что-нибудь - я слышал пожарную машину.
- А я слышал две и что-то очень похожее на взрыв в стороне индустриальной зоны. Надеюсь, ничего серьезного.
- Мэйси!!! Как насчет свечек? Ничего не видно!
- Я только что вспомнил - в этом кафе кухня полностью электрифицирована. Мы получим свой ленч холодным, если вообще что-нибудь получим.
- Ну что ж, можем газету почитать, пока ждем. Это у тебя последний выпуск, Джим?
- Да, я еще даже не заглядывал. Да-а, сегодня ДЕЙСТВИТЕЛЬНО очень много странных происшествий. Отказали железнодорожные сигналы... Водопроводная магистраль лопнула из-за того, что не сработал предохранительный клапан... Десятки жалоб на непонятный ночной звонок...

Он перевернул страницу и внезапно замолчал.

- Что такое?

Смолл молча протянул газету. Только первая страница имела привычный вид. Все последующие представляли собой мешанину из букв и обрывков слов - лишь местами отрывочные рекламные объявления создавали островки нормальности в море тарабарщины. Они, очевидно, были набраны отдельными блоками и потому избежали участи остального текста.

- Вот к чему привело дистанционное управление набором и печатанием,- зло сказал Эндрюс.- Боюсь, газетные боссы хотели убить одним выстрелом слишком много электронных зайцев.
- Если мне будет позволено высказаться на этом сборище истериков,- громко и твердо вмешался Смит,- я хотел бы подчеркнуть, что пока бояться нечего - даже если окажется, что Джон прав. Мы всего лишь отключим спутники, и опять все пойдет по-старому.
- Префронтальная лоботомия,- пробормотал Уильямс.- Я уже думал об этом.
- А? Ну да - удаление участка мозга - как в старину лечили шизофрению. Дорого обойдется, конечно, и опять придется перейти на телеграфное сообщение, зато страна не погибнет.

Где-то неподалеку раздался резкий звук взрыва.

- Мне все это не нравится,- нервно сказал Эндрюс.- Давайте послушаем, что скажет радио - только что начался выпуск новостей.

Он достал из портфеля маленький транзисторный приемник.

- ... небывалое число аварий на заводах...
- ... несколько аэропортов вынуждены прекратить полеты в связи нарушением работы радаров...
- ... банки и биржи закрылись из-за полной несостоятельности их информационно-программирующих систем. ("Вот удивили",- пробормотал Смолл, и все на него зашикали...)
- Одну минуту, пожалуйста, поступили последние сообщения,- продолжал диктор.- Так вот, как только что стало известно, что контроль над спутниками связи полностью утерян. Они больше не реагируют на команды с Земли. Согласно...

Станция замолчала; не слышно стало даже несущей волны. Эндрюс покрутил ручку настройки - эфир молчал на всех диапазонах.

Рейнер возбужденно заговорил, и в голосе его слышались истерические нотки:
- Великолепная идея - префронтальная лоботомия, Джон. Как жаль, что ребенок успел об этом подумать.

Уильямс медленно поднялся.

- Давайте вернемся в лабораторию. Должен же быть какой-то выход. Он же еще ребенок. Ребенок, хотя и растет слишком быстро.