Кстати, Фрэнк Розенблатт учился в Принстоне именно в то время, когда там преподавал живой Эйнштейн с еще не разрезанным на 240 частей мозгом. Это было время коллективного мозгового штурма во многих областях науки, и Принстон, в котором Эйнштейн прожил 20 лет, был тем местом, где это происходило наиболее активно.
Розенблатт предложил схему устройства, моделирующего процесс человеческого восприятия. Это так называемый «перцептрон», который состоит из трех слоев элементов, симулирующих нейроны.
Первый слой — вход, туда поступают сигналы. Например, это сенсорное поле фотоэлементов. Элементы этого слоя связаны случайным образом с элементами второго слоя, а те — с элементами третьего слоя, то есть с выходом. Перцептрон обучается, после чего готов работать в режиме распознавания и обобщения. Допустим, перцептрону, прошедшему обучение, предъявляются ранее неизвестные ему объекты, и он должен установить, к какому классу они принадлежат.
Работа перцептрона состоит в следующем: при появлении объекта сенсорные элементы первого слоя возбуждаются. Это означает, что они выдают сигнал «единица», если поступивший на них импульс превосходит пороговое значение. Затем они передают сигнал на элементы второго слоя (ассоциативные), которым в процессе обучения присвоен определенный вес. Каждый из ассоциативных элементов суммирует сигналы, умножает их на свой вес, и если эта сумма превосходит определенный предел, выдает импульс «единицу».
Если сумма пришедших сигналов меньше порога, то элемент выдает ноль. Сигнал от этого элемента второго слоя приходит на третий слой, где также стоят чувствительные элементы. Они называются реагирующими. Каждый из этих элементов выдает «единицу», если сумма пришедших на него сигналов является положительной. На выходе получаем классификацию, то есть, допустим, определение того, автомобиль это или нет.
Примерно таков, в грубой форме, принцип работы первой нейросети. Сегодня такие простейшие алгоритмы относятся к сетям с одним скрытым слоем, с пороговой передаточной функцией и прямым распространением сигнала. Конечно, со времени «Марка-1» сети невероятно усложнились в сравнении с описанной выше. В них теперь много скрытых слоев, появились обратные связи и так далее.
Ассоциативные слои нужны для усложнения логики. Например, в распознавании картинок могут последовательно выделяться изгибы, края, определенное сочетание точечек и так далее, — пока обученная нейросеть не установит, нужное это изображение или нет.
Допустим, перед нами некий предмет и мы хотим распознать, девушка это или нет. Если грубо обобщать, первый ассоциативный слой признает у предмета губы, второй — грудь, третий — волосы, четвертый — глаза и так далее. Следующие слои устанавливают более высокие уровни обобщения. Допустим, если у нас есть губы, два глаза, нос и овал головы, то видимо, перед нами лицо. Прибавим грудь: видимо, это девушка. Таким образом, получается конечный ответ. При этом надо отметить, что нейросети уже давно перешагнули уровень, когда оценка осуществлялась методом перебора. В самом деле, простейшее изображение будет иметь 50 тысяч пикселей — то есть при его распознавании на элементы первого слоя поступит 50 тысяч сигналов, а число их возможных соединений с элементами второго слоя будет исчисляться уже в миллиардах. Каждому из них нужно присвоить в ходе обучения вес, так что процесс рискует сильно затянуться.
Проблема с переборными алгоритмами стала очевидной еще в ходе тренировки ИИ для игры с человеком в шахматы.
Вообще, шахматы стали тем оселком, на котором пробовались разные подходы в машинном обучении, разработке экспертных систем и искусственного разума. И хотя «шахматный этап» развития ИИ считается пройденным 20 лет назад, именно на этой древнейшей игре оттачивались алгоритмы и защищались научные диссертации, и именно шахматы привели к прорыву, после которого создание Сверхразума внезапно стало выглядеть достижимым.
СВЕРХРАЗУМ (НЕ) ИГРАЕТ В ПОДКИДНОГО ДУРАКА
«Шахматы — это дрозофила искусственного интеллекта», — утверждал советский математик Александр Семёнович Кронрод, проводя аналогию между кибернетикой и генетикой. Действительно, ученые полюбили мушку-дрозофилу как очень удобный объект для исследований наследственности. Муха была маленькая, плодовитая и неприхотливая —но что общего она имела с шахматами? Дело в том, что эта древнейшая игра с ее простыми и четкими правилами, простая по структуре и компактная, была идеальным полем деятельности для тех, кто работал над задачами оптимизации перебора, распознавания образов, логикой программирования и экспертными системами. Генетики любили дрозофилу примерно по тем же причинам: простая, функциональная, и размножается так быстро, что результат опытов виден сразу же.