Теперь вернемся к слову «узнаёт», использованному при описании нейронов «памяти». Можно по-разному реализовать такое узнавание практически, и каждый вариант даст работоспособный механизм. Например:
— Фиксировать точное повторение картины на датчиках (с учетом активности и неактивности). Хорошо, когда датчиков мало или же нейроны памяти имеют связи не со всей сенсорной зоной (назовем так множество датчиков), а только с отдельной областью датчиков, объединенных по некому сходству.
— Определять расстояние между точками евклидова пространства, координаты которых соответствуют значениям на связях нейронов, и сравнивать его с неким пороговым значением.
Возможны и другие алгоритмы.
Представим себе сообщество автоматов, управляемых такими «мозгами», помещенное в некую среду обитания, где возможна гибель. Дадим автоматам возможность размножаться. Теперь можно представить себе их эволюцию. Не будем рассматривать возможность изменения конструкции автоматов за счет появления новых датчиков, исполнительных устройств и увеличения памяти. Роль мутаций, дающих изменчивость, будут выполнять новые связи между исполнительными нейронами и «рефлексами», «рефлексами» и «датчиками», «датчиками» и «эмоциональными рефлексами», «эмоциональными рефлексами» и «эмоциями». Случайным образом, добавляя или удаляя связи, мы будем получать у автоматов новое поведение, и... «Пусть победит сильнейший!»
Если мы захотим усовершенствовать наше устройство, то, оглядываясь на мозг человека, можем понять, что у нас в запасе — множество «эволюционных приемов». Например:
— Можно заняться топологией устройства. К примеру, расположить датчики на плоскости (сенсорный слой) и сгруппировать их по признаку переносимой ими информации (звуковой, зрительной и т. п. Далее разместить нейроны памяти «слоем коры» над ними и охватить связями преимущественно те зоны, над которыми они находятся, придав тем самым памяти деление на предметные области).
— Нейронам памяти можно дать возможность иметь связи между собой, позволив им включать память в картину текущего представления и тем самым, изменив распознавание, сделать его более устойчивым к стереотипным ситуациям.
— Можно надстроить более высокие слои памяти, которые позволят распознавать и запоминать более сложные, «абстрактные» конструкции.
— Можно ввести механизм импринтинга — когда по какому-то набору признаков будет распознаваться некий объект, ситуация, состояние, и будет осуществляться их привязка к определенным наборам эмоций и рефлексов (при этом инстинкт будут направлен не на те признаки, которые вызвали срабатывание импринтинга, а на зафиксированное памятью явление, распознаваемое по дополнительным признакам, которые изначально отсутствовали).
— Можно использовать синхронизированную импульсную активность нейронов, которая позволит реализовать «голографическую память» и применить новые способы «узнавания».
— Можно использовать для передачи информации между нейронами не только существующие связи, но и ввести некие управляющие сигналы, доступные сразу всем нейронам «мозга» автомата, и с их помощью реализовать, например, работу «регулятора».
— Можно увеличить количество эмоций, сделать их картину значительно более сложной.
— Можно ввести «промежуточные ощущения», которые будут формироваться и датчиками и памятью, и сделать возможным процесс «фантазии».
— Можно ввести параметр «сила эмоции» и учитывать его при «запоминании».
В общем, нет предела совершенству...
Вообще-то, используя такой механизм, можно создавать устройства, применимые в любых сферах человеческой деятельности. Что особо приятно, так это то, что совершенно необязательно, имея устройство с начальной матрицей рефлексов и инстинктов, «воспитывать» его каждый раз с нуля. Имея уже обученное устройство со сформированной памятью, его можно просто копировать. Получать же набор удачных рефлексов и инстинктов можно на компьютерах, моделируя естественный отбор и мутации. Вот уж действительно достойная задача для суперкомпьютеров!
Описанную конструкцию с некоторыми оговорками можно назвать одной из разновидностей персептрона. Персептрон — нейронная сеть, состоящая изходных, ассоциативных и реагирующих элементов, с переменной матрицей взаимодействия, определяемой последовательностью прошлых состояний активности сети. Термин был введен Фрэнком Розенблаттом в 1957 году. Ему же принадлежит первая реализация в виде электронной машины «Марк-1» в 1960 году. Перцептрон стал одной из первых моделей нейросетей, а «Марк-1» — первым в мире нейрокомпьютером (Rosenblatt, 1962).
Сам принцип, когда новый опыт изменяет структуру нейронной сети, называется «обучение с подкреплением». В нашем случае система подкрепления — это эмоции и характер их участия в формировании памяти. «Регулятор» можно трактовать как систему управления подкреплением.
В предыдущей главе было описано несложное устройство, память которого фиксирует происходящее с учетом изменения эмоционального состояния. Эта же память формирует поведение такого автомата. На таком простом примере удобно проследить основную идею того, как наличие эмоций формирует память, а та диктует определенное поведение в неких ситуациях, то есть, иначе говоря, то, как формируются инстинкты. На простой модели также хорошо видно, как появление новых или изменение существующих связей нейронов, замкнутых на эмоции, приводит к появлению новых инстинктов. Я думаю, не так сложно самостоятельно, на примере устройства из предыдущей главы, разобраться также с тем, как работает механизм мутаций и естественного отбора.
Теперь усложним задачу. Попробуем дать описание автомата, которому присущи основные свойства и способности, свойственные настоящему человеческому мозгу.
Вообще, в теории автоматов «мозг», который управляет действиями агента, представляется следующим образом.
Рисунок 14. Схематическое изображение мозга в теории автоматов.
Это автомат S (Se, Si, Ss, Sa, F). Здесь Se — множество элементов автомата, состояния которых определяются внешней по отношению к агенту средой; Si — элементы, определяющиеся внутренней средой агента; Ss — внутренние элементы автомата; Sa — элементы, определяющие действия агента; F — функция, при помощи которой вычисляются состояния элементов автомата. В каждый момент времени автомат описывается вектором состояний всех его элементов Sk.
Рассмотрим «мозг», изображенный на рис.15.
Рисунок 15. Общая схема работы мозга.
Здесь не изображены отдельные нейроны и их связи. Блоки соответствуют сложным нейронным сетям, стрелками обозначены их взаимодействия. Напомню, что мы рассматриваем не реальный мозг, а «мозг» автомата, построенный на формальных нейронах, способный проиллюстрировать механизмы работы, присущие настоящему мозгу. В предыдущей главе мы описали несколько типов формальных нейронов, и сейчас также будем иметь в виду, что нейронные сети нашего автомата состоят из различных по своим свойствам нейронов.
У человека всегда присутствует тяга к простому, универсальному объяснению, тяга к созданию универсальной модели. Конечно, применительно к моделированию мозга так же естественно первое желание — обойтись универсальным, простым по своей реализации формальным нейроном. Однако реализация такого подхода быстро приводит к пониманию, что простота нейрона приводит к громоздкости и «некрасивости» итоговых решений. Использование различных по своим функциям нейронов при моделировании мозга вполне естественно. Кстати, это уже оправдано и эволюцией. Так, человеческий мозг содержит несколько десятков различных типов нейронов.
Многообразие нейронов имеет много аналогий в развитии инженерной мысли. Например, появление транзистора как нового типа электронных устройств не привело к созданию некоего универсального полупроводникового элемента, а наоборот, были созданы сотни специализированных транзисторов, различающихся не только по параметрам, но и по принципам работы.
Итак.
1. Вход (внешний). Внешняя среда формирует состояние нейронов входа, у человека за это отвечают органы чувств. Первичная сенсорная информация преобразуется специализированными нейронными сетями к виду, с которым «легче» оперировать. Структура таких сетей генетически предопределена и есть результат естественного отбора.
Что такое «вид информации, которым легче оперировать», хорошо проследить на примере слуха.
Рисунок 16. Анатомия уха человека.
