Файл: Пеноуз Роджер. Тени разума. В поисках науки о сознании.doc

Впрочем, говоря о «принципиально» вычислимой природе окружения, не следует забывать об одном важном моменте. Вне всякого сомнения, на реальное окружение любого развиваю­щегося живого организма (или некоей изощренной робототех-нической системы) оказывают влияние весьма многочисленные и порой невероятно сложные факторы, вследствие чего любое моделирование этого окружения со сколько-нибудь приемлемой точностью вполне может оказаться неосуществимым практи че­ски. Динамическое поведение даже относительно простых фи­зических систем бывает порой чрезвычайно сложным, при этом его зависимость от мельчайших нюансов начального состояния может быть настолько критической, что предсказать дальней­шее поведение такой системы решительно невозможно — в ка­честве примера можно привести ставшую уже притчей во язы­цех проблему долгосрочного предсказания погоды. Подобные системы называют хаотическими; см. § 1.7. (Хаотические системы характеризуются сложным и эффективно непредсказу­емым поведением. Однако математически эти системы объяс­нить вполне возможно; более того, их активное изучение состав­ляет весьма существенную долю современных математических исследований.) Как уже указывалось в § 1.7, хаотические си­стемы я также включаю в категорию «вычислительных» (или «алгоритмических»). Для наших целей важно подчеркнуть один существенный момент, касающийся хаотических систем: нет ни­какой необходимости в воспроизведении того или иного реаль­ного хаотического окружения, вполне достаточно воспроизвести окружение типичное. Например, когда мы хотим узнать погоду на завтра, насколько точная информация нам в действительно­сти нужна? Не сгодится ли любое правдоподобное описание?

.

3.11. Как обучаются роботы?

Учитывая вышесказанное, предлагаю остановиться на том, что на самом-то деле нас сейчас интересуют отнюдь не проблемы численного моделирования окружения. В принципе, возможно­стей поработать с окружением у нас будет предостаточно — но только в том случае, если не возникнет никаких трудностей с моделированием внутренних правил самой робототехнической системы. Поэтому перейдем к вопросу о том, как мы видим себе обучение нашего робота. Какие вообще процедуры обучения до­ступны вычислительному роботу? Возможно, ему будут предва­рительно заданы некие четкие правила вычислительного харак­тера, как это обычно делается в нынешних системах на основе искусственных нейронных сетей (см. § 1.5). Такие системы под­разумевают наличие некоторого четко определенного набора вы­числительных правил, в соответствии с которыми усиливаются или ослабляются связи между составляющими сеть «нейрона­ми», посредством чего достигается улучшение качества общего функционирования системы согласно критериям (искусственным или естественным), задаваемым внешним окружением. Еще один тип систем обучения образуют так называемые «генетические ал­горитмы» — нечто вроде естественного отбора (или, если хотите, «выживания наиболее приспособленных») среди различных ал­горитмических процедур, выполняемых на одной вычислительной машине; посредством такого отбора выявляется наиболее эф­фективный в управлении системой алгоритм.

Следует пояснить, что упомянутые правила (что характерно для восходящей организации вообще) несколько отличаются от стандартных нисходящих вычислительных алгоритмов, действу­ющих в соответствии с известными процедурами для отыскания точных решений математических проблем. Восходящие правила лишь направляют систему к некоему общему улучшению каче­ства ее функционирования. Впрочем, это не мешает им оставать­ся целиком и полностью алгоритмическими — в смысле воспро­изводимости на универсальном компьютере (машине Тьюринга).

В дополнение к четким правилам такого рода, в совокуп­ность средств, с помощью которых наша робототехническая си­стема будет модифицировать свою работу, могут быть включены и некоторые случайные элементы. Возможно, эти случайные со­ставляющие будут вноситься посредством каких-нибудь физи­ческих процессов — например, такого квантово-механического процесса, как распад ядер радиоактивных атомов. На практике при конструировании искусственных вычислительных устройств имеет место тенденция к введению какой-либо вычислительной процедуры, результат вычисления в которой является случайным по существу (иначе такой результат называют псевдослучай­ным), хотя на деле он полностью определяется детерминистским характером самого вычисления (см. ). С описанным спо­собом тесно связан другой, суть которого заключается в точ­ном указании момента времени, в который производится вызов «случайной» величины, и введении затем этого момента времени в сложную вычислительную процедуру, которая и сама является, по существу, хаотической системой, вследствие чего малейшие изменения во времени дают эффективно непредсказуемые раз­личия в результатах, а сами результаты становятся эффективно случайными. Хотя, строго говоря, наличие случайных компонен­тов и выводит наши процедуры за рамки определения «операции машины Тьюринга», каких-то существенных изменений это за собой не влечет. В том, что касается функционирования наше­го робота, случайным входным данным на практике оказывают­ся эквивалентны псевдослучайные, а псевдослучайные входные данные ничуть не противоречат возможностям машины Тью­ринга.

«Ну и что, что на практике случайные входные данные не отличаются от псевдослучайных? — заметит дотошный чита­тель. — Принципиальная-то разница между ними есть». На более раннем этапе нашего исследования (см., в частности, 3.4) нас и в самом деле занимало то, чего математики могут до­стичь в принципе, вне зависимости от их практических возможно­стей. Более того, в определенных математических ситуациях про­блему можно решить исключительно с помощью действительно случайных входных данных, никакие псевдослучайные замести­тели для этого не годятся. Подобные ситуации возникают, ко­гда проблема подразумевает наличие некоего «состязательного» элемента, как часто бывает, например, в теории игр и криптогра­фии. В некоторых видах «игр на двоих» оптимальная стратегия для каждого из игроков включает в себя, помимо прочего, и пол­ностью случайную составляющую. Любое сколько-нибудь по­следовательное пренебрежение одним из игроков необходимым для построения оптимальной стратегии элементом случайности позволяет другому игроку на протяжении достаточно длинной се­рии игр получить преимущество — по крайней мере, в принци­пе. Преимущество может быть достигнуто и в том случае, если противнику каким-то образом удалось составить достаточно до­стоверное представление о природе псевдослучайной (или иной) стратегии, используемой первым игроком вместо требуемой слу­чайной. Аналогичным образом дело обстоит и в криптографии, где надежность кода напрямую зависит от того, насколько слу­чайной является применяемая последовательность цифр. Если эта последовательность генерируется не истинно случайным об­разом, а посредством какого-либо псевдослучайного процесса, то, как и в случае с играми, этот процесс может в точности вос­произвести кто угодно, в том числе и потенциальный взломщик.

Поскольку случайность, как выясняется, представляет со­бой весьма ценное качество в таких состязательных ситуациях, то, на первый взгляд, можно предположить, что и в естественном отборе она должна играть не последнюю роль. Я даже уверен, что случайность и впрямь является во многих отношениях весь­ма важным фактором в процессе развития живых организмов. И все же, как мы убедимся несколько позднее в этой главе, од­ной лишь случайности оказывается недостаточно для того, чтобы вырваться из гёделевских сетей. И самые что ни на есть под­линно случайные элементы не помогут нашему роботу избежать ограничений, присущих вычислительным системам. Более того, у псевдослучайных процессов в этом смысле даже больше шан­сов, нежели у процессов чисто случайных (см.).

Допустим на некоторое время, что наш робот и в самом деле является, по существу, машиной Тьюринга (хотя и с конечной емкостью запоминающего устройства). Строго говоря, учитывая, что робот непрерывно взаимодействует со своим окружением, а это окружение, как мы предполагаем, также допускает чис­ленное моделирование, было бы правильнее принять за единую машину Тьюринга робота вместе с окружением. Однако в целях удобства изложения я все же предлагаю рассматривать отдельно робота, как собственно машину Тьюринга, и отдельно окружение, как источник информации, поступающей на входную часть ленты машины. Вообще-то такую аналогию нельзя считать вполне при­емлемой по одной формальной причине — машина Тьюринга есть устройство фиксированное и по определению неспособное из­менять свою структуру «по мере накопления опыта». Можно, ко­нечно, попытаться изобрести способ, посредством которого ма­шина Тьюринга сможет-таки изменить свою структуру, — напри­мер, заставить машину работать безостановочно, модифицируя свою структуру в процессе работы, для чего непрерывно подавать на ее вход информацию от окружения. К нашему разочарованию, этот способ не сработает, поскольку результат работы машины Тьюринга можно узнать только после того, как машина достигнет внутренней команды(см.и Приложениеа также HP К, глава 2), после чего она не будет ничего считывать с входной части своей ленты до тех пор, пока мы не запустим ее снова. Когда же мы ее запустим, для продолжения работы ей придется возвратиться в исходное состояние, т. е. «обучиться» таким способом она ничему не сможет.

Впрочем, эту трудность можно обойти при помощи неко­торой технической модификации. Наша машина Тьюринга так и остается фиксированной, однако после каждого рабочего цикла, т. е. после достижения командыона дает на выходе два результата (формально кодируемые в виде одного-единственного числа). Первый результат определяет, каким в действительности будет ее последующее внешнее поведение, тогда как второй ре­зультат предназначен исключительно для внутреннего исполь­зования — в нем кодируется весь опыт, который машина получи­ла от предыдущих контактов с окружением. В начале следующего цикла с входной части ее ленты сначала считывается та самая «внутренняя» информация и только после нее все «внешние» данные, которыми машину снабжает окружение, включая и подробную реакцию упомянутого окружения на ее предшествующее поведение. Таким образом, все результаты обучения оказываются записанными на, скажем так, внутреннем участке ленты, кото­рый машина в каждом рабочем цикле считывает заново (и кото­рый с каждым циклом становится все длиннее и длиннее).

3.12. Способен ли робот на «твердые математические убеждения»?

Воспользовавшись вышеописанным способом, мы и в самом деле можем представить себе в высшей степени обобщенного самообучающегося вычислительного «робота» в виде машины Тьюринга. Далее, предполагается, что наш робот способен судить об истинности математических утверждений, пользуясь при этом всеми способностями, потенциально присущими математикам-людям. И как же он будет это делать? Вряд ли нас обрадует необходимость кодировать каким-нибудь исключительно «нис­ходящим» способом все математические правила (все те, что вхо­дят в формальную системуплюс все те, что туда не входят, о чем мы говорили выше), которые понадобятся роботу для того, чтобы иметь возможность непосредственно формировать соб­ственные суждения подобно тому, как это делают люди, исходя из известных им правил, — поскольку, как мы могли убедиться, не существует ни одного сколько-нибудь приемлемого способа (за исключением, разумеется, «божественного вмешательства» — см.), посредством которого можно было бы реализовать такой неимоверно сложный и непознаваемо эффективный нисходящий алгоритм. Следует, очевидно, допустить, что каки­ми бы внутренними «нисходящими» элементами ни обладал наш робот, они не являются жизненно важными для решения слож­ных математических проблем, а представляют собой всего лишь общие правила, обеспечивающие, предположительно, почву для формирования такого свойства как «понимание».

Выше (см.) мы говорили о двух различных категориях входных данных, которые могут оказать существенное влияние на поведение нашего робота: искусственных и естественных. В качестве искусственного аспекта окружения мы рассматриваем учителя (одного или нескольких), который сообщает роботу о различных математических истинах и старается подтолкнуть его к выработке каких-то внутренних критериев, с помощью которых робот мог бы самостоятельно отличать истинные утверждения от ложных. Учитель может информировать робота о совершен­ных тем ошибках или рассказывать ему о всевозможных мате­матических понятиях и различных допустимых методах матема­тического доказательства. Конкретные процедуры, применяемые в процессе обучения, учитель выбирает по мере необходимости из широкого диапазона возможных вариантов: «упражнение», «объяснение», «наставление» и даже, возможно, «порка». Что до естественных аспектов физического окружения, то они отве­чают за «идеи», возникающие у робота в процессе наблюдения за поведением физических объектов; кроме того, окружение предо­ставляет роботу конкретные примеры воплощения различных ма­тематических понятий — например, понятия натуральных чисел: два апельсина, семь бананов, четыре яблока, один носок, ни од­ного ботинка и т. д., — а также хорошие приближения идеальных геометрических объектов (прямая, окружность) и некоторых бес­конечных множеств (например, множество точек, заключенных внутри окружности).

Поскольку наш робот избежал-таки предварительного, пол­ностью нисходящего программирования и, как мы предполага­ем, формирует собственное понятие о математической истине с помощью всевозможных обучающих процедур, то нам следует позволить ему совершать в процессе обучения ошибки — с тем, чтобы он мог учиться и на своих ошибках. Первое время, по крайней мере, на эти ошибки ему будет указывать учитель. Или робот может самостоятельно обнаружить из наблюдений за окру­жением, что какие-то из его предыдущих, предположительно ис­тинных математических суждений оказываются в действительно­сти ошибочными, либо сомнительными и подлежащими повтор­ной проверке. Возможно, он придет к такому выводу, основы­ваясь исключительно на собственных соображениях о противо­речивости этих своих суждений и т.д. Идея такова, что по мере накопления опыта робот будет делать все меньше и меньше оши­бок. С течением времени учителя и физическое окружение будут становиться для робота все менее необходимыми — возможно, в конечном счете, окажутся и вовсе ненужными, — и при форми­ровании своих математических суждений он будет все в большей степени опираться на собственную вычислительную мощь. Соот­ветственно, можно предположить, что в дальнейшем наш робот не ограничится теми математическими истинами, что он узнал от учителей или вывел из наблюдений за физическим окружением. Возможно, впоследствии он даже внесет какой-либо оригиналь­ный вклад в математические исследования.

Для того чтобы оценить степень правдоподобия нарисован­ной нами картины, необходимо соотнести ее с теми вещами, что мы обсуждали ранее. Если мы хотим, чтобы наш робот и в самом деле обладал всеми способностями, пониманием и про­ницательностью математика-человека, ему потребуется какая-никакая концепция «неопровержимой математической истины». Его ранние попытки в формировании суждений, исправленные учителями или обесцененные наблюдением за физическим окру­жением, в эту категорию никоим образом не попадают. Они отно­сятся к категории «догадок», а догадкам позволяется быть пред­варительными, пробными и даже ошибочными. Если предполага­ется, что наш робот должен вести себя как подлинный математик, то даже те ошибки, которые он будет порой совершать, должны быть исправимыми — причем, в принципе, исправимыми имен­но в соответствии с его собственными внутренними критериями «неопровержимой истинности».

Выше мы уже убедились, что концепцию «неопровержи­мой истины», которой руководствуется в своей деятельности математик-человек, нельзя сформировать посредством какого бы то ни было познаваемого (человеком) набора механических правил, в справедливости которых этот самый человек может быть целиком и полностью уверен. Если мы полагаем, что наш робот способен достичь уровня математических способностей, достижимого, в принципе, для любого человеческого существа (а то и превзойти этот уровень), то в этом случае его (робота) кон­цепция неопровержимой математической истины также должна представлять собой нечто такое, что невозможно воспроизвести посредством набора механических правил, которые можно пола­гать обоснованными, — т. е. которые может полагать обоснован­ными математик-человек или, коли уж на то пошло, математик-робот.