Текст книги "«Ага!» и его секреты"
Автор книги: Елена Сапарина
сообщить о нарушении
Текущая страница: 10 (всего у книги 11 страниц)
Глава 7
Эврика и эвристика
ГДЕ ВЫХОД ИЗ ЛАБИРИНТА?
Несколько лет назад в Америке шахматные короли получили приглашение сыграть партию с машиной. Они отнеслись к этому предложению без особенного восторга. Кибернетика уже не была новинкой, и каждый из них не один раз пробовал свои силы в таком необычном соревновании.
Первый страх перед электронным противником давно прошел. Теперь шахматисты знали и сильные и слабые стороны автоматического игрока и были уверены в своей победе. Не таким уж умелым оказался электронный шахматист. Обыграть его не представляло большой трудности. Пока он там прикидывал и обдумывал все варианты, можно было успеть составить превосходную тактику игры и тогда уже не бояться, что машина вас обгонит. Слишком расчетливым и слишком педантичным был автомат. Он не мог отважиться на риск сделать неожиданный ход – знай себе взвешивает все «за» и «против» прежде, чем сделать самое обычное передвижение фигур.
Давно пора было инженерам понять, что шахматы – игра творческая, машинам недоступная. А они вот опять приглашают на очередную партию. И на что надеются?
Тем не менее в назначенный день и час приглашенные прибыли в вычислительный центр. Отказаться не позволял престиж.
Игра началась как обычно. Но уже после третьего-четвертого хода шахматисты почувствовали, что противник на этот раз гораздо сильнее. Не успели они освоиться в новой обстановке, как игра закончилась – победила машина.
Один за другим подходили к шахматному столу чемпионы разных штатов и… терпели поражение. Электронный шахматист оказался на сей раз на высоте. Но почему? Что с ним произошло?
А произошло вот что. Инженеры решили создать машину, способную играть в шахматы так же творчески, как человек. Ясно, что мы пользуемся тут какими-то приемами, позволяющими сократить варианты ходов. Какими же?
Эти правила (во всяком случае, часть из них) легко можно найти в любом руководстве для начинающих. Ну, например, там даются такие советы: «Держите под контролем четыре центральных поля», «Прежде чем атаковать, обеспечьте безопасность своего короля», «Не атакуйте противника, пока не укрепили свои позиции». Каждый такой совет и есть, по существу, один из эвристических алгоритмов, которыми человек овладел на опыте за многие десятилетия, что играет в шахматы.
Проанализировав правила шахматной игры, трое американских психологов, Ньюэл, Шоу и Сайгон, разбили их на шесть независимых целей: безопасность короля, материальное равновесие, контроль над центральными полями, развитие фигур, осада короля и продвижение пешек.
Этот порядок намеченных целей определяет последовательность действий, которые производит машина.
Сначала она постарается всеми доступными ей средствами обеспечить безопасность короля. Если это не удастся, она будет защищать его по мере возможностей. И только если король в безопасности, машина перейдет к следующей цели – учету возможных обменов фигурами, чтобы обеспечить достаточную защиту своих фигур. Затем электронный шахматист примется бороться за центральные поля и т. д.
С каждой из этих целей связан набор правил, по которым вырабатываются нужные ходы. Скажем, машина стремится завоевать центральные поля. Тогда она сначала предложит продвинуть ферзевую пешку, затем королевскую. Потом она постарается помешать противнику сделать то же самое и уже затем начнет делать ходы, подготавливающие достижение следующей по ранжиру цели, например, укрепит защиту ферзя или короля.
Предлагаемый ход машина «прикидывает» с точки зрения всех шести целей, чтобы косвенно не навредить самой себе. Мало того. У машины может быть не один вариант каждого хода, а несколько. И тогда она должна выбрать лучший. Время для выбора ограничено, и, когда оно истекает, машина останавливается на самом приемлемом из всех обдуманных ею к этому моменту.
Работая по такой программе, машина оказалась способной разыгрывать довольно сложные партии и выходить победительницей, даже когда ее партнерами были мастера шахмат. А все потому, что не перебирала все возможные варианты, как первые электронные шахматисты, а действовала по определенному плану, проявляя при этом изобретательность и смекалку.
Шахматы вообще – идеальная модель эвристического мышления. Вот почему эта древняя игра стала сейчас чем-то вроде пробного камня для проверки новых идей эвристического программирования. А сокращать перебор вариантов можно по-разному. Свидетельство тому шахматный матч, начавшийся осенью 1966 года между советской и американской электронными машинами. Это не спортивное соревнование, а сравнение эвристических программ, составленных советскими и американскими учеными. Помимо чисто научного интереса, машина, успешно играющая в шахматы, сможет выполнять любую сложную деятельность, например плановика, диспетчера и т. п.
Электронный шахматист не был первым механизмом, работающим по эвристической, творческой программе. Просто тут нагляднее видны преимущества человеческого способа решать сложные проблемы. Да и создать машину, по-настоящему играющую в шахматы, было очень трудно. Вот почему, когда это, наконец, удалось, об успехе инженеров сразу стало широко известно, хотя еще раньше те же трое ученых разработали другую эвристическую программу, более деловую.
Благодаря ей кибернетическая машина приобрела способность доказывать математические теоремы. Не просто логически вывести из некоего данного то, что отсюда следует, как делают школьники, а предложить новое научное доказательство, а это удается уже далеко не каждому математику и само по себе всегда большое событие в науке. За что ее и назвали «Логик-теоретик».
Как же действовал «Логик-теоретик»?
Ученые вложили в его память аксиомы, взятые из известной книги англичанина Рассела «Основы математики». Затем машине сообщили несколько теорем из первой части учебника. Это было, так сказать, «сырье». После чего будущему теоретику на примере одной из теорем продемонстрировали технику доказательства.
Обучение закончилось. Теперь машине стали давать описание исходных данных совершенно новых для нее теорем (их брали из второй части той же книги «Основы математики»), и она успешно доказала тридцать восемь из пятидесяти двух теорем. Конечно, никакого открытия в математике машина не сделала и вряд ли удостоится больших почестей за найденные доказательства.
Да это и понятно. Ведь она фактически выполнила уже проделанную раньше человеком работу. Правда, машина сумела предложить несколько оригинальных доказательств. А одно из них было короче и стройнее, чем у автора «Основ математики». Его даже собирались опубликовать в научном журнале как самостоятельное открытие, но редактор стал оспаривать приоритет машины.
Собственно, его возражения сводились к тому, что эту же самую теорему теперь можно доказать более простым способом, используя такие теоретические построения, которые не были в свое время известны ни Расселу, ни вычислительной машине. Так подвиг машины и остался безвестным.
Но что из того, что «Логик-теоретик» заново переоткрыл уже известные теоремы? Для него-то они были новы и неизвестны. А изобретателям тоже случается по незнанию открывать уже открытое. Важно, что машина способна к таким же творческим деяниям, как и человек, ученый.
«Мы хотели понять, – говорили создатели «Логика-теоретика», – как математик приходит к доказательству теоремы, несмотря на то, что он вначале не знает, как решать поставленную задачу, и ему неизвестно вообще, сможет ли он ее решить».
Когда появились первые сообщения о машине, выполняющей сложную теоретическую работу, многие стали возражать, будто деятельность ее нельзя назвать подлинно творческой. Ведь «Логик-теоретик» только решает задачи, поставленные перед ним человеком, то есть лишь ищет ответ. Самостоятельно же выбрать проблему, которую нужно решить, машина не может.
Но это неверно. «Логик-теоретик» не просто умело решает задачи, он находит принцип доказательства, что равноценно настоящему открытию. Причем он думает «с конца»: не составляет план поиска от первого до последнего пункта, а ищет решение, отталкиваясь от конечной цели – доказательства теоремы. И, идя от конца к началу, машина выдвигает новые частные теоремы и ставит себе подцели доказать их. И делает это уже по собственному усмотрению.
Метод «мышления», который применяла машина, довольно часто пускаем в ход и мы с вами.
Мысленно идти в обратном порядке – один из многих эвристических приемов, используемых человеком при решении самых разных проблем. Он хорошо известен, например, всем, кто любит решать головоломки. Особенно наглядно его преимущества видны, если вспомнить, как легко найти выход из Т-образного лабиринта, проследив путь от места, где размещена цель, к началу, и как трудно это сделать, если идти в прямом направлении.
Стоит, может быть, упомянуть, что авторы детективных историй с «неожиданной» развязкой в самом конце нередко начинают обдумывать сюжет именно с развязки, а потом уже приходят к началу повествования. Так легче строить остросюжетный рассказ или роман. Читателям же предоставляется блуждать в нарочно запутанных сюжетных ходах с начала к концу, то есть он должен идти по лабиринту наиболее трудным путем.
Долгое время вообще считалось, что лабиринт (не Т-образный, а более сложный, напоминающий ветвистое дерево) превосходно иллюстрирует схему поисков любого сложного решения.
В центре такой паутины ходов находится цель – искомый ответ. Решая задачу, человек словно бродит по запутанным коридорам лабиринта: то заходит в тупики, то кружит на одном месте, то возвращается назад, чтобы снова двинуться вперед. И так, пока, наконец, не достигнет заветной цели – центральной площадки. Теория лабиринта, которая пришла в свое время на смену пресловутым пробам и ошибкам, на первых порах казалась весьма удачной. Опыты с живыми, а потом с механическими мышами, учившимися искать путь в лабиринте, стали классической моделью обучения. Поведение электронного Тезея Шеннона (как шутливо назвал он свою мышь) стало основой для решения многих сложных задач, скажем, игры в пять фишек (пятнадцать). Да и шахматные задачи – по существу лабиринт, только уж очень запутанный.
Но лабиринт, может быть, и помогает понять что-то в механизме мышления, однако характеризует его чисто внешне, не раскрывая внутренних пружин.
Конечно, если искать выход из лабиринта, применяя небезызвестный алгоритм «Британского музея» – простой перебор всех вариантов, это может продолжаться очень долго. Количество маршрутов в этом случае будет достигать астрономической цифры, так что и математик не сможет их пересчитать и выбрать правильный. Вместо лабиринта ходов возникают лабиринты формул, из которых выбраться нисколько не легче.
Нужны какие-то более экономичные приемы. Несомненно, нашему мозгу они известны, и он их успешно применяет. А вот как до них добраться исследователям?
Те же американские психологи – Ньюэл, Шоу, Саймон – попытались отгадать эвристические приемы, которые человек использует для решения самых разных задач: и при поиске математических доказательств, и при решении конструкторских задач, и при анализе физических проблем, и при создании музыки, и при постановке правильного диагноза, и при подборке необходимых красок или единственно нужных слов. Короче говоря, они попытались объять необъятное: создать машину, способную решать самые разные творческие задачи – и научные и стоящие перед людьми искусства.
И такая удивительная машина была создана, вернее – разработана программа ее работы. Назвали ее не очень поэтично – «Универсальный решатель проблем», или сокращенно, по первым буквам английских слов: ДПС.
Взявшись за столь сложную задачу, ученые оказались перед запутаннейшим мыслительным лабиринтом. Как найти в нем кратчайшую дорогу к цели? Психологические эксперименты, проводившиеся раньше, не давали законченного ответа на этот вопрос. Они раскрывали какие-то отдельные детали поиска, не рисуя всей картины. Пришлось засесть за новые опыты, составленные по специальной программе.
Их участниками стали «вечные мученики науки» – студенты колледжа. Им написали несколько выражений, похожих на алгебраические. Например, такое: Р (~p>Q). И попросили преобразовать его в другое, которое выглядело бы так: (QVP)R. Для этого давался набор правил. Думать, разумеется, надо было вслух.
Те, кто знаком с математической логикой, несомненно, узнают эти выражения. Студенты же рассматривали их как простой набор каких-то значков и букв. Это было сделано нарочно. Ведь машине в будущем тоже предстояло иметь дело с абстрактными символами. Чтобы машину и человека по возможности уравнять в правах, условия эксперимента и приблизили к обстановке, в которой должна действовать машина.
Кроме того, так можно было избавиться от всего лишнего: второстепенных деталей, ненужных эмоций, вольно или невольно сопровождающих психологический эксперимент, если он проводится в форме игры или заключается в решении разного рода головоломок или даже просто занимательных задач с «аквариумом», весами, свечкой и тому подобным.
Здесь задача была предельно суха и абстрактна.
Это была задача вообще. Больше двадцати студентов решали ее. И хотя они думали неодинаково, все же удалось обнаружить общие принципы, которыми руководствуется человек при решении разных проблем. Наиболее отчетливо выявились два эвристических приема. Один заключается в том, чтобы разложить сложную задачу на несколько частных, более простых и решать их по очереди, постепенно приближаясь к цели.
Практически это выглядит так. Человек анализирует задачу и видит, что у него нет средств превратить данные условия в искомое решение. Тогда он смотрит, нельзя ли уменьшить разрыв между условиями и требованиями. Найдя способ это сделать, снова сравнивает ситуацию, которая получилась в результате его действий, с конечной целью и ищет средства перевести новый вариант задачи в желаемое решение, и так много раз.
Прием этот так и был назван – «Анализ средств и целей». Если же описывать его не сухо, строго по-научному, то вернее всего было бы сказать, что он напоминает детскую игру в «горячо-холодно». Ведь тогда мы тоже ищем цель постепенно, проверяя, ближе мы стали к ней, то есть «теплее» нам, или отдалились – и теперь нам «холоднее».
Но пытаться достичь основной цели, последовательно подменяя ее более близкими подцелями, можно не во всех случаях. Тогда человек поступает иначе. Он сознательно пренебрегает рядом деталей задачи, несколько упрощая ее. Такую упрощенную задачу решить легче. А приемы, использованные для этого, могут подсказать стратегический план решения основной проблемы. «Этот прием, – говорят авторы, – мы применяем, например, когда пытаемся найти пути урегулирования разногласий между народами по аналогии с тем, как мы решаем споры между отдельными людьми».
Ньюэл, Шоу и Саймон наделили машину способностью использовать два эвристических приема, кстати сказать, наиболее часто употребляемых людьми. Это метод «горячо-холодно» и упрощение, огрубление задачи.
Так появился на свет универсальный решатель проблем. И он развил довольно успешную деятельность, даже что-то делал в промышленности.
Однако «универсальным» он все же не оказался. И знаете, на чем машина споткнулась? На шахматах. Она решала сложные, серьезные проблемы, а в игре пасовала.
И не удивительно. Ведь в любой самой сложной задаче всегда известна исходная ситуация – начальная площадка лабиринта, и определена цель – центральная его площадка. А в шахматах область поиска не определена. Здесь столько «коридоров», «площадок», «тупиков», что перебрать все варианты маршрутов не под силу даже быстродействующей вычислительной машине. А подходящих алгоритмов в ее распоряжении не было.
Признать ограниченность своего детища американским психологам не очень хотелось. Кроме того, это означало, что какой-то важный механизм человеческого мышления им не удалось разгадать. Вот тогда они и принялись за новые поиски. Правда, они изучали теперь не столько особенности нашего мышления, сколько правила игры в шахматы, надеясь хоть косвенно проникнуть в секреты мозга, думающего над шахматной ситуацией.
Мы теперь знаем, что в какой-то мере им это удалось. Благодаря им машина научилась играть в шахматы «по-человечески» и стала достойным соперником чемпионов.
Но по сравнению с «Универсальным решателем проблем» это был скорее шаг назад. Как-никак та машина хоть и не умела играть в шахматы, зато воспроизводила особенности творческого процесса вообще, свойственного и ученым и поэтам. Иными словами, создавая ее, инженеры решили более общую проблему. А электронный шахматист, как ни был интересен сам по себе, помогал понять только одну сторону творчества. Перед учеными встал вопрос: какой путь предпочесть?
МЕХАНИЗМЫ УМА
Достаточно было пробить первую брешь, как открытия посыпались словно из рога изобилия. Вслед за шахматистом появился электронный игрок в шашки. Вначале он играл довольно средне – его обыгрывали даже неопытные игроки. Но новый игрок обладал способностью учиться. И вскоре так наловчился, что стал обыгрывать даже чемпионов.
Создали еще одну машину – математика. Она творчески решала задачи по геометрии, с которыми с трудом справлялись студенты-второкурсники.
Американские психологи получили заказ от промышленников – им необходимо было с научной точностью узнать, куда вложить и как лучше истратить деньги. Ученые пригласили к себе в лабораторию одного из самых опытных служащих банка и принялись изучать, как он думает. Это оказалось не таким легким делом. Ведь банковский служащий, чтобы решить, куда поместить деньги для наибольшей прибыли, должен выработать что-то вроде экономической гипотезы. После долгих доделок, переработок электронного финансиста все же удалось создать, и банкиры им как будто довольны.
Другие изучали совсем иную разновидность интеллектуальной деятельности – творчество композитора. И тоже небезуспешно. Мелодии, созданные его электронным собратом, гораздо больше напоминали настоящую музыку, нежели нотные упражнения первых композиторов от кибернетики.
Цели, которые ставили перед собой инженеры и психологи, создавая эвристические программы для вычислительных машин, были нередко диаметрально противоположными. Кто-то стремился научить машину составлять расписание движения поездов или просто уроков в школе. (Не думайте, это довольно каверзная работа, требующая «хитрости» и смекалки.)
А кому-то хотелось иметь электронного ученого, например биохимика. И чтобы он не только разрабатывал планы опытов, оценивал их результаты, выдвигал на этой основе какие-то гипотезы, но и сам проводил опыты с помощью механических рук.
Дело дошло до того, что в лабораторию Московского университета, где занимаются разработкой эвристических программ, стали обращаться с самыми неожиданными просьбами. Не можете ли сделать такого диспетчера, чтобы он работал творчески? Нужен начальник планового отдела «с живинкой к делу». Пришлите электронного учителя, который мог бы быстро и толково устранять «дефекты» знаний.
Что делать? Неужели действительно каждый раз изучать образ мыслей диспетчера, плановика, учителя? И заново составлять программу для очередного случая?
Вряд ли это целесообразно. И московские психологи решили поступить иначе. Найти то общее, что есть в любой более или менее творческой работе. Установив, из каких форм складывается мыслительная деятельность и врача, и инженера, и музыканта, создать что-то вроде «крупных блоков». Скажем, блок «решения проблем», блок «самообучения», блок «распознавания сходных ситуаций» и тому подобные. И из них по мере необходимости собирать программу или для электронного врача, или для диспетчера.
Этот путь не только более экономичен, он, так сказать, ближе по структуре к творчеству человека. Недаром же психологи говорят, что в разных творческих процессах – будь то работа инженера или художника – больше сходства, чем различий. В главном, основном творчество актеров, поэтов и ученых едино. (Вспомните хотя бы, что вы прочли в начале книги о трех китах творчества.)
Стало быть, создание универсального решателя проблем – более верный путь. И теперь перед психологами стоит задача разгадать новые алгоритмы, новые эвристические приемы творческого мышления.
Снова ученые обращаются к человеку, чтобы, во-первых, расшифровать многочисленные эвристические приемы, которыми он владеет, а во-вторых, попытаться воспроизвести их в думающей машине.
Разумеется, дело не сводится лишь к отгадке готовых приемов и способов мышления, как уже об этом говорилось раньше. Важно не просто выявить результат решения, а раскрыть процесс мышления в его динамике.
Психологи Московского университета пытаются, например, воплотить в, виде программы ту особенность мышления, которую можно назвать «чувством близости решения». Машина, даже очень умная, часто проходит буквально в двух шагах от нужного решения и продолжает поиски совершенно в других концах лабиринта. А человек, нередко еще не зная, как справиться с задачей, чувствует, что решение где-то совсем близко, и усиливает поиск именно в этом направлении. Разумеется, благодаря этому он докапывается до смысла гораздо быстрее.
Или вот, скажем, умение человеческого мозга оценивать перерабатываемую информацию с точки зрения ее значимости для решения задачи. При поиске решения человек сосредоточивает внимание исключительно на важной информации. Но как он определяет, какие именно сведения будут работать на пользу дела? Ясно, что здесь тоже не обходится без эвристических приемов, только каких?
Наконец, бывает так. У человека уже выработана программа действий для определенных обстоятельств, но несколько изменились сами обстоятельства. Как быть? Вырабатывать новую программу? Вряд ли целесообразно. Гораздо быстрее найти то звено, из-за которого оказалась неудачной вся система действий, и заменить его. Однако самое трудное как раз отыскать требующее переделки звено. А наш мозг успешно справляется и с этой трудностью. И опять ему помогают специальные алгоритмы. Вот бы разгадать их.
Вооруженные всеми этими дополнительными приемами, машины будут быстрее находить наилучшие решения самых разных сложных проблем.
Но этого, по мнению ученых, еще недостаточно. Человек не только владеет тысячью секретов находить пути к быстрейшему решению самых разных проблем, он еще накапливает опыт. И при решении любой следующей задачи оказывается вооруженным опытом разгадывания всех предыдущих, что очень помогает ему и делает его все сильнее в процессе самой творческой деятельности. Недаром же мы говорим «зрелый мастер» или «квалифицированный исследователь» о писателе, художнике, ученом, достигшем большого совершенства в результате длительной и плодотворной работы в своей области.
Так вот, зрелые исследователи задались такой фантастической целью, как создание машины, которая тоже могла бы накапливать опыт и благодаря этому совершенствовать свои навыки и умения. Московские психологи уже сделали попытку создать самообучающуюся машину. В основу ее программы они положили факты, неоднократно наблюдавшиеся в опытах с людьми и, как это ни парадоксально звучит, с некоторыми животными.
Оказалось, что алгоритмы, благодаря которым запоминает полезную информацию голубь, входят как составная часть в довольно сложную мыслительную работу человека, например, при изучении им высшей математики.
Если вы хоть раз участвовали в каком-нибудь конкурсе, то хорошо помните, что его проводят всегда в несколько туров. Ни первый, ни второй туры еще не обеспечивают первенства победителям, они лишь отсеивают слабых участников. Наш мозг при обучении действует примерно так же. Он не сразу и не всю информацию запоминает, а много раз отсеивает менее важную. И только после нескольких туров отборочного конкурса откладывает нужные сведения в памяти.
Придирчивыми «экзаменаторами» служат промежуточные сигналы, промежуточные раздражители, возникающие в процессе анализа обстановки. Они сортируют информацию по значению. Предварительные сведения посылают в кратковременную память, на временное хранение. И только тщательно проверив, насколько они важны, решают: забыть их или направить в долговременную память, на постоянное местожительство.
Часть таких алгоритмов удалось разгадать и даже воплотить их в программе для машины. Но дело это довольно кропотливое, трудное и требует еще многих и многих исследований прежде всего того, как мы сами учимся. Вот почему одновременно с работой над программированным обучением появилась мысль обойтись без программы. А что, если действовать так, как учили раньше мастера своих подмастерьев? По принципу: «Я тебе объяснять не буду, ты смотри и учись».
Нельзя ли так же поступить и с машиной? Это особенно важно в тех случаях, когда человек при всем желании не может объяснить, как именно он действует. Вот, скажем, мы отличаем буквы одну от другой или узнаем знакомых в толпе. Рассказать, как мы это делаем, человек не может, потому что совершает все опознавательные действия интуитивно. И тем более мы не можем написать машине подробную инструкцию, как отличить букву «А» от «Б».
Но учитель в школе тоже в этом случае ничего не объясняет первоклассникам. Он просто показывает им разные буквы и называет их. И они уже как-то сами учатся различать «А» от «Б».
Одновременно в нескольких странах машины без всякой программы усвоили основы азбуки. Успешный опыт натолкнул на еще более дерзкую мысль: заставить машину учиться вовсе без учителя, поставив ее на место не школьника, а этакого Маугли, который сам, абсолютно без всякой помощи со стороны, научился бы, разглядывая буквы, понимать, что они чем-то отличаются друг от друга. Он, может, и не сумел бы назвать буквы так, как называем их мы, но зато придумал бы им свои имена.
Как, по каким признакам он классифицировал бы разные буквы? Наверное, что-нибудь вроде этого: «А» – уголок и горизонтальная палочка посредине, «Е» – три горизонтальные палочки и одна вертикальная, «О» – кружок, «Л» – уголок, обращенный острием вверх, и т. п.
Когда в одном из наших технических институтов инженеры взялись за эту невероятную затею, психологи только посмеивались: пробовать пробуйте, а что у вас выйдет?
Вышло же вот что. Вычислительная машина оказалась весьма способным «Маугли». Она довольно быстро определила, из каких «деталей» состоят разные буквы и что между ними общего. Машина сама установила разницу между «уголками», «кружочками» и «вертикальными черточками». Но тогда, выходит, у нее выработались простейшие понятия? Именно так и расценивают результаты своих опытов инженеры из Института автоматики и телемеханики.
Вот и встал опять «проклятый» вопрос о пределе возможности машин. Если машины не просто тупицы, быстро выполняющие вычисления, а им доступны мыслительные действия в таком широком диапазоне – от образования понятий до творчества, то, видимо, скоро настанет эра настоящих думающих автоматов?
Инженеры всегда были в этом вопросе большими оптимистами. Как только появились вычислительные машины, они заявили, что в принципе возможно автоматизировать любую умственную деятельность, если будут известны правила, по которым она происходит. Достаточно лишь разложить эти правила на элементарные машинные операции. «Конструкция автомата в данном случае не имеет решающего значения, – говорят они. – На обычной современной вычислительной машине можно промоделировать самые сложные формы мышления. Было бы только чем заполнять машинную память».
Но когда они увидели, с какими бесконечными подробностями приходится объяснять машине самые простейшие правила мышления (даже весьма еще несовершенные программы перевода с одного языка на другой состоят из 10–20 тысяч машинных инструкций), оптимизм их несколько поубавился.
А ведь многие мыслительные действия вообще не удалось представить в виде системы правил. Взять хоть то же распознавание знакомого лица или знакомой ситуации. Правила, по которым совершается эта важнейшая мыслительная операция, запрятаны где-то в глубинах подсознания и до них не так-то просто докопаться. Но, видимо, они достаточно сложны. Потому что все попытки составить аналогичную программу для машины привели пока только к тому, что машина смогла узнать лишь некоторые буквы, простейшие геометрические фигуры да цифры.
Как же «приблизить» машину к различным видам умственной деятельности, чтобы максимально разгрузить человека, оставив ему самые высшие, самые интересные, самые новаторские взлеты творчества?
Тогда-то и появилась мысль решить задачу моделирования умственных операций обходным путем. Снабдить машину не подробной программой действия, а лишь способностью учиться. Тогда в машину надо будет ввести небольшую исходную информацию. Все остальные сведения, необходимые для моделирования мыслительного процесса, она раздобудет сама в процессе учебы. Вместо подробного расписания работы машине дают основную рабочую программу, в которой описан только принцип действия. И «обучающую» программу, которая по ходу дела вносит исправления в первую.
Однако способные к обучению и самосовершенствованию машины не разрешили всех проблем, связанных с моделированием мышления. Центр тяжести просто переместился. Стало проще составлять программу, зато дольше и сложнее учить машину.
Учить машину думать ничуть не проще, чем человека. А результаты пока довольно средние. Так что ни о каком преимуществе машины не может быть и речи. Во всяком случае, пока исходные позиции электронного ньютона и школьника Петьки неравны (информация, закладываемая в начинающую учиться машину, намного меньше той, которой располагает первоклассник), человек может не бояться ее соперничества.
Очевидно, мало наделить машину способностью учиться. Надо еще начинить ее теми алгоритмами, теми эвристическими приемами, что составляют механизмы нашего ума. Тогда ее работа станет больше похожа на мышление человека. В справедливости этого мы с вами имели возможность убедиться на многочисленных примерах творчества машин.
Но мы также знаем, что и сам-то механизм человеческого мышления далеко еще не раскрыт. И надо прямо добавить: чем глубже исследовательская мысль человека обращается к познанию самого себя, тем более сложными предстаем мы с вами перед микроскопом науки и тем больше нового и неожиданного открывается в наших мыслительных способностях.
Мы с вами подошли сейчас к интереснейшей области. Вспомните: когда производили опыты над человеком, чтобы вырвать некоторые секреты его мышления и передать их машине, испытуемого приводили в состояние, близкое, если можно так выразиться, к машинному, – его ограждали от всех эмоций, насколько это возможно, от всех внешних впечатлений, помещая в специально изолированную камеру. Ведь машина бесчувственна. И ей требовалось дать «очищенную от посторонних примесей», бесчувственную человеческую мысль.
