Искусство и космотехника - Юк Хуэй
Развитие нейронных сетей прямого распространения (простейшая форма нейронных сетей, в которой связи между узлами не образуют цикла) в 1960-х годах столкнулось с препятствиями, и это привело к развитию того, что сейчас известно как алгоритм обратного распространения:
[Пол] Вербос в 1974 году разработал алгоритм для решения задачи по распределению кредитов. Этот алгоритм реализовал метод, который называют «обратным распространением ошибки» или просто обратным распространением… Сети обратного распространения были повторно открыты Паркером в 1982 году. Затем их вновь открыли и сделали общедоступными Румельхарт, Хинтон и Уильямс (1986). По сути, нейронная сеть с обратным распространением – это усовершенствованный перцептрон с несколькими слоями, другой пороговой функцией искусственного нейрона и более надежным и способным к обучению правилом. Сегодня нейронные сети с обратным распространением, вероятно, являются наиболее известным и широко применяемым классом нейронных сетей[431].
Альтернатива репрезентации, предлагаемая коннекционизмом, побудила Дрейфуса искать возможность реализации хайдеггерианского ИИ в то же направлении, например, в исследованиях Уолтера Фримана по нейродинамике. На основе многолетнего изучения обоняния, зрения, осязания и слуха у активно действующих кроликов Фриман подготовил исследование о взаимосвязи актора и среды. Фриман разделял точку зрения Дрейфуса в отношении антирепрезентационизма: «Мозг выходит за рамки простого выделения признаков… он объединяет сенсорные сигналы с прошлым опытом… чтобы идентифицировать как сам стимул, так и его конкретное значение для человека»[432]. Фриман осуждал репрезентационизм:
Кому они [репрезентации] нужны? Философам-функционалистам, информатикам и когнитивным психологам – нужны, а иногда даже очень; но физиологам – нет; и тем, кто хочет обнаружить и биологические алгоритмы мозга и работать с ними, тоже следует их сторониться[433].
Нейродинамика Фримана включает в себя сложные процессы. Но, если упростить и обобщить в соответствии с целью нашего исследования, то он утверждал, что восприятие животного (которое уже само по себе отбирает лишь то, что является значимым) и его реакция на внешнюю среду обусловлены скорее паттернами, чем концептами, содержащими отчетливые репрезентации.
Когда кролик чувствует определенный запах, колебания нейронов в его обонятельной луковице (расположенной в лобной доле) усиливаются. Под конфигурацией соединения понимается формирование клеточных ансамблей. Эти клеточные ансамбли будут перенастраиваться при повторении опыта, а результат последует за вознаграждением, полученным за опыт. Например, когда кролик нюхает морковь и съедает ее, связь обоняния с питанием усиливается[434]. Таким образом, контекстуальная реакция мозга всегда определяется совокупностью накопленного опыта и вводом одних и тех же данных. Локальный ввод отвечает за глобальный вывод данных, например, сигнал, инициированный морковью, активирует глобальную конфигурацию областей притяжения. Паттерн аттракторов является модифицируемым и хранит входные данные с памятью о похожих стимулах в прошло. Как выразился Дрейфус:
Значимость не хранится ни в виде смысловой репрезентации, ни в виде ассоциации. Скорее память о значимости находится в репертуаре аттракторов как классификаций возможных реакций – сами аттракторы являются продуктами прошлого опыта[435].
Дрейфус акцентирует внимание на герменевтике мира: на пра-структуре, определяющей смысл настоящего, и на том, как трансгрессии взаимно трансформируют сам мир. Он подчеркивает рекурсивную природу человеческой интерпретации или мышления, противопоставляя ее картезианскому механицизму раннего искусственного интеллекта. Хотя он и не занимался рекурсивностью современных вычислений, в итоге он отождествил ее с коннекционизмом.
Искусственный интеллект рекурсивен не только с точки зрения структуры его программы, но и в плане того, что понимается под познанием. Познание имеет не механический, а рекурсивный характер – оно всегда возвращается к самому себе, чтобы познать себя. Познание открыто для ошибок, чтобы на них учиться и исправлять их. Машинное обучение опирается на когнитивные науки, но вместо того, чтобы полностью полагаться на модели из нейронаук, ему бы следовало иметь эпистемологию, с помощью которой можно наглядно показать интеллект. Сегодня все чаще вычислительные модели перестают быть простым симулятором и становятся полноценным инструментом для научных экспериментов. Демаркационная линия между человеческим и машинным интеллектом теперь размыта. Именно в этом контексте мы можем интерпретировать утверждение Ахилла Мбембе о том, что разум «вполне возможно, достиг своих последних пределов. Или, как минимум, он столкнулся с серьезным испытанием»[436].
Память об этом различии, однако, сохраняется и сегодня и представляет собой порог, который еще предстоит полностью преодолеть. Канадский когнитивист Брайан Кантуэлл Смит – предположительно под влиянием Джона Хогленда и Дрейфуса, как и многие из его поколения исследователей ИИ, – дал обновленную оценку развития ИИ в своей книге 2019 года «Обещание искусственного интеллекта: расчет и суждение» (The Promise of Artificial Intelligence: Reckoning and Judgment)[437]. Он предполагает, что ИИ, если он действительно стремится быть интеллектом, должен разработать иную схему взаимодействия с миром. Носитель интеллекта должен быть способен расположить себя в мире и при этом рекурсивно взаимодействовать с ним и изменять его. Интеллект и мир должны образовывать структурное соединение, которое является не только биологическим, но и семантическим.
Человеческий интеллект включен в мир, и он воплощает этот мир с помощью искусственных органов, таких как лимбическая и нервная системы, которые являются продолжением телесных органов. Утверждение Смита можно соотнести с моими словами в «Рекурсивности и контингентности», согласно которым рекурсия – это фундаментальная модель для осмысления отношений между интеллектом и его средой на различных уровнях: биологическом, семантическом, системном и так далее. Основные критерии включенности в мир, согласно Смиту, следующие:
Для того чтобы система была небезразличной, ее ориентация на мир должна быть подкреплена сложной конститутивной сетью нормативных обязательств. Прежде всего, система (понимающее) должна быть привержена понимаемому[438].
Приверженность понимаемому означает, прежде всего, признание объекта объектом: не просто совокупностью репрезентаций (которую Смит называет видимостью)[439], но как нечто, понимаемое носителем интеллекта в качестве существующего в мире и существующего совместно с другими (то, что он называет реальностью). Способность машины подсчитывать – это лишь форма расчета, а то, что он называет суждением – это способность расположить себя в мире объектов. Эта способность понимать, о чем идет речь (то есть рекурсивно возвращаться к самому себе, чтобы определить себя) формально может быть реализована в любом рекурсивном алгоритме в виде
