В чрезвычайно интересных работах С.Кауфмана с сотрудниками из Пенсильванского университета исследуется эволюция автоматов, состоящих из соединенных между собой логических элементов. Отдельный автомат можно рассматривать как модель молекулярно-генетической системы управления живой клетки, причем каждый логический элемент интерпретируется как регулятор синтеза определенного фермента. Модели Кауфмана позволяют сделать ряд предсказаний относительно «программ» жизнедеятельности клетки. В частности, продемонстрировано, что для одновременного обеспечения устойчивости и гибкости программы число входов логических элементов должно быть ограничено определенным интервалом, а именно составлять величину примерно равную 2-3.
Согласованность и эффективность работы элементов биологических организмов наводит на мысль: а можно ли использовать принципы биологической эволюции для оптимизации практически важных для человека систем? Одна из первых схем эволюционной оптимизации была предложена в 60-е годы П.Фогелем, А.Оуэнсом и М.Уолшем; эффективность этой схемы на практике была продемонстрирована И.Букатовой из Москвы. Также в последнее время проявляется большой интерес к исследованию и использованию генетического алгоритма, предложенного Дж.Холландом из Мичиганского университета. Этот генетический алгоритм предназначен для решения задач комбинаторной оптимизации, то есть оптимизации структур, задаваемых векторами, компоненты которых принимают дискретные значения. Схема генетического алгоритма практически совпадает с таковой в модели квазивидов, за исключением того, что в генетическом алгоритме механизм изменчивости помимо точечных мутаций включает в себя кроссинговер – скрещивание структур. Генетический алгоритм естественно «вписывается» в параллельную многопроцессорную вычислительную архитектуру: каждой «особи» популяции можно поставить в соответствие отдельный процессор, поэтому возможно построение специализированных компьютеров, эффективно реализующих генетический алгоритм.
7.6.2. Нейронные сети и нейрокомпьютер
В последнее время активно ведутся также работы по построению моделей обработки информации в нервной системе. Большинство моделей основывается на схеме формального нейрона У.МакКаллока и У.Питтса, согласно которой нейрон представляет собой пороговый элемент, на входах которого имеются возбуждающие и тормозящие синапсы; в этом нейроне определяется взвешенная сумма входных сигналов (с учетом весов синапсов), а при превышении этой суммой порога нейрона вырабатывается выходной сигнал.
В моделях уже построены нейронные сети, выполняющие различные алгоритмы обработки информации: ассоциативная память, категоризация (разбиение множества образов на кластеры, состоящие из подобных друг другу образов), топологически корректное отображение одного пространства переменных в другое, распознавание зрительных образов, инвариантное относительно деформаций и сдвигов в пространстве решение задач комбинаторной оптимизации. Подавляющее число работ относится к исследованию алгоритмов нейросетей с прагматическими целями.
Предполагается, что практические задачи будут решаться нейрокомпьютерами – искусственными нейроподобными сетями, созданными на основе микроэлектронных вычислительных систем. Спектр задач для разрабатываемых нейрокомпьютеров достаточно широк: распознавание зрительных и звуковых образов, создание экспертных систем и их аналогов, управление роботами, создание нейропротезов для людей, потерявших слух или зрение. Достоинства нейрокомпьютеров – параллельная обработка информации и способность к обучению.
Несмотря на чрезвычайную активность исследований по нейронным сетям и нейрокомпьютерам, многое в этих исследованиях настораживает. Ведь изучаемые алгоритмы выглядят как бы «вырванным куском» из общего осмысления работы нервной системы. Часто исследуются те алгоритмы, для которых удается построить хорошие модели, а не те, что наиболее важны для понимания свойств мышления, работы мозга и для создания систем искусственного интеллекта. Задачи, решаемые этими алгоритмами, оторваны от эволюционного контекста, в них практически не рассматривается, каким образом и почему возникли те или иные системы обработки информации. Настораживает также чрезмерная упрощенность понимания работы нейронных сетей, при котором нейроны осмыслены лишь как суммирующие пороговые элементы, а обучение сети происходит путем модификации синапсов. Ряд исследователей, правда, рассматривает нейрон как значительно более сложную систему обработки информации, предполагая, что основную роль в обучении играют молекулярные механизмы внутри нейрона. Все это указывает на необходимость максимально полного понимания работы биологических систем обработки информации и свойств организмов, обеспечиваемых этими системами. Одним из важных направлений исследований, способствующих такому пониманию, наверное, может быть анализ того, как в процессе биологической эволюции возникали «интеллектуальные» свойства биологических организмов.
7.6.3. «Интеллектуальные изобретения» биологической эволюции
Интересно разобраться, как в процессе биологической эволюции возникла человеческая логика. Анализ связан с глубокой гносеологической проблемой: почему человеческая логика применима к познанию природы? Кратко поясним проблему простым примером. Допустим физик, изучая динамику некоторого объекта, сумел в определенном приближении свести описание его к дифференциальному уравнению. Далее он, разумеется, интегрирует полученное уравнение согласно известным из математики правилам и получает характеристики движения объекта. Переход от дифференциального уравнения к характеристикам движения носит дедуктивный характер но, если быть предельно строгим, сей переход надо обосновывать: ведь физический объект совершенно необязательно должен подчиняться правилам человеческой логики!
Для понимания процесса возникновения логики предпринимаются попытки построить модельную теорию происхождения логики в биосфере. Такая теория могла бы содержать математические модели ключевых «интеллектуальных изобретений» биологической эволюции, акцентирующие внимание на биологическом значении и причинах возникновения этих изобретений, а также модели, характеризующие переходы между изобретениями разных уровней. Надежнее всего, видимо, начать с «самого начала» – с происхождения жизни и проследить весь путь биологической эволюции от простейших организмов до человека, выделяя на этом пути наиболее важные эволюционные открытия, ведущие к логике. Чтобы представить круг вопросов, которые составляют предмет модельной теории происхождения логики, отметим некоторые важные уровни «интеллектуальных изобретений».
Уровень первый – организм различает состояния вешней среды, память об этих состояниях записана в геноме и передается по наследству, организм адекватно использует различие сред, меняя свое поведение с изменением среды. Пример этого уровня – свойство регулирования синтеза белков в бактериях в ответ на изменение питательных веществ во внешней среде по схеме Ф.Жакоба и Ж.Моно. Данное свойство можно назвать элементарной сенсорикой.
Второй уровень – временное запоминание организмом состояния среды и адекватное, также временное, приспособление к ней. Пример этого уровня – привыкание, а именно постепенное угасание реакции раздражения на биологически нейтральный стимул.
Третий уровень – запоминание устойчивых связей между событиями в окружающей организм природе. Хороший пример – исследованный И.Павловым классический условный рефлекс, в котором происходит долговременное запоминание связи между условным и безусловным стимулами и подготовка к жизненно важным событиям во внешнем мире.
Между классическим условным рефлексом и логикой лежит еще целый ряд промежуточных уровней. Например, инструментальный условный рефлекс отличается от классического тем, что в нем для получения поощрения животному необходимо совершить заранее неизвестное ему действие. Цепь условных рефлексов – это система реакций, сформированная на основе ранее хранившихся в памяти животного условных связей.
Рассмотрение моделей «интеллектуальных изобретений» биологической эволюции показывает их чрезвычайную фрагментарность и слабую разработанность. Совершенно нет моделей переходов между «изобретениями» разных уровней. Сейчас можно только предварительно указать на некоторые аналогии. Например, выработку условного рефлекса можно рассматривать как происходящий в нервной системе животного элементарный вывод – «если за условным стимулом следует безусловный, а безусловный стимул вызывает определенную реакцию, то условный стимул также вызывает эту реакцию» – дальний предшественник формул дедуктивной логики.
