При этом такое, казалось бы, малое изменение в чувствительности приводит к колоссальным последствиям. Двухместный предикат позволяет сравнивать объекты, и этот тип отношения оказывается доступен для наблюдателя. Такого наблюдателя мы назвали
сравнивающим.
К таким наблюдателям относятся представители царства животных и передовые сегодня системы искусственного интеллекта, которые позволяют не только распознавать сложные образы, но и устанавливать внутренние связи между разными образами. Например, такие системы способны распознать по видеозаписи не только объекты, которые на ней присутствуют, скажем, группу молодых людей, но и то, какое отношение этих объектов имеет место на видео. Например, они вместе играют в баскетбол или, напротив, дерутся на улице. Хотя даже для современного ИИ это очень сложная задача и разработчики предпочитают не влезать в трудоёмкий анализ отношений объектов, а опознавать тип отношения по общим признакам целого. Однако это – принципиальное упрощение, которое не работает при столкновении с новыми типами отношений. Например, такая одно-предикатная система ИИ не отличит грубый хоккей от драки хоккеистов во время игры.
Умение сопоставлять, сравнивать объекты и устанавливать отношения между ними крайне важно для животных. Во-первых, оно позволяет сравнивать степень качеств объектов окружающей среды, на что не способны чувствительные наблюдатели. Речь может идти о более или менее приемлемой пище, о вкусовых качествах пищи или воды, об опасности или благоприятствовании – о степенях разных качеств. Для систем машинного обучения распознаванию образов характерной для такой логики может быть задача на выделение из группы людей тех, кто выглядит более или менее агрессивно, привлекательно и т. д., и на ранжирование по этому качеству.
Главный критерий в логике такого наблюдателя – сравнимость, или связность (каузальность). Два объекта (процесса) могут быть либо сравнимы (сопоставимы), либо несравнимы (несопоставимы). Если объекты сравнимы по какому-то качеству, например по близости нахождения в пространстве к наблюдателю, то между ними возможна связь. Благодаря выявлению связей между внешними объектами животное способно определить ситуации опасности или безопасности, возможности, неблагоприятствования и т. д.
В логике каузальности (или связности) суждения формируются с помощью терминов причинения. Скажем, «А причиняет В», или, проще говоря, «А является причиной В». Данное суждение может быть, например, связным или несвязным (а не истинным или ложным). Связное здесь по смыслу приближается к тому, что мы имеем в виду, когда говорим «истинное», но будет ошибкой смешивать эти понятия. Каузальность как форма мышления возникает в нашей эволюционной иерархии типов мышления раньше, чем критерий истинности. Поэтому с этих позиций было бы неверно задавать вопрос, истинна или неистинна такая каузальность, такое понимание причины в данном случае.
Можно было бы сказать, что связность – это не теоретическая, а операционная форма истинности, так как она не соотносит свой предмет с некоей теорией, а сама, если угодно, становится такой теорией. Но проверить теорию изнутри на предмет её собственной истинности невозможно. Поэтому сравнивающий наблюдатель представляет собой зачаток теории, которой будет пользоваться более развитый наблюдатель.
Когда нейронная сеть обучается, чтобы распознавать те или иные образы или отношения (двухместные предикаты), она корректирует свои коэффициенты и в результате как бы сама становится теорией распознавания данной группы объектов. Она не пользуется такой теорией, а становится ею в результате обучения. Сеть пока не способна абстрагироваться от себя как от теории и заняться селекцией теорий для не заложенной в ней изначально цели. Причём, какой бы сложной ни была нейронная сеть или иерархия нейронных сетей, каузальная схема не меняется. Такое положение дел отражает сегодняшний предел возможностей систем машинного обучения. Аналогично дела обстоят и с большинством животных, которые доходят до очень сложных способов анализа окружающего мира, но не способны влиять на заложенную в них природой программу.
Выявление связей объектов среды позволяет сравнивающему наблюдателю совершенствовать своё потребление. Если есть два способа добыть пищу: простой и сложный, – он выберет более простой. Поэтому, в частности, появились домашние животные, выбравшие способ пропитания попроще. Однако механизм такого выбора для животных связан и с инстинктом, поэтому его нельзя назвать выбором в полном смысле слова. Для ИИ такой механизм определяется машинным кодом, то есть его программой.
Современные системы ИИ, таким образом, являются автоматами, очень развитыми инструментами, но не самостоятельными мыслителями. Так же, как и животные, которые являются, по сути, автоматами, но биологического происхождения. Исключение могут составлять лишь некоторые виды животных, в том числе домашние.
Следующая степень эволюции наблюдателя для нас очень принципиальна, так как она, вероятно, ответственна за возникновение явлений сознательного выбора и сознания вообще. Мы назвали эту стадию волевым наблюдателем. Волевой наблюдатель, в отличие от сравнивающего, способен оперировать трёхместными предикатами f(x, y, z). Такой наблюдатель уже выделяет себя самого как элемент наблюдения. Это происходит как разделение трёхместного предиката на уровни f(x, f(y, z)). Здесь f(y, z) выражает некую теорию (концепцию), которая является для волевого наблюдателя внутренним сравнивающим наблюдателем. Поэтому возникает ситуация внутреннего отношения «я – не-я».
Некоторые животные способны проходить так называемый зеркальный тест, то есть демонстрировать самосознание. Человеческие дети доходят до этого уровня развития в возрасте одного-двух лет. Системы ИИ пока на это не способны, так как даже если они искусственно запрограммированы узнавать себя в зеркале, то это не означает, что они оперируют трёхместным предикатом. Такая способность внешне достигается за счёт технических ухищрений, установления различий на уровне специальных датчиков или опознавательных элементов. Робот не может узнать, что именно он двигает рукой, наблюдая себя в зеркале. Для него это всё ещё двухместный предикат «рука робота двигается». При этом, если это будет рука другого робота, он примет её «за свою». Хотя подобное выражение не имеет смысла, так как робот попросту не выделяет себя как того, кто ответствен за движение.
Трёхместный предикат позволяет не только установить, что между А и В есть причинная связь (теория 1), но и выделить эту теорию в отдельный сигнал или субъект (агент). Теория 1 оказывается источником, или агентом, некоторых наблюдаемых событий. Дополнительное место в предикате позволяет установить связь различных теорий с различными событиями. В мозге эту функцию частично выполняют самые структурно сложные системы зеркальных нейронов. Однако весь нейронный механизм самосознания пока не установлен. Представляется, что он должен не только быть связан с информационными нейронными процессами, но и иметь более комплексный вид, сочетая информационные и неинформационные процессы. В частности, переход от f(x, y, z) к f(x, f(y, z)) выглядит как фундаментальный раскол и переход от системы к не-системе.
Основной мотив волевого наблюдателя – совершенствование потребления за счёт управления другими наблюдателями и активными объектами. Такой наблюдатель выделяет в среде активные источники каузальности, то
