Читать книгу "Как мы учимся. Почему мозг учится лучше, чем любая машина… пока - Станислас Деан"

Некоторые искусственные модели пытаются имитировать усвоение абстрактных математических правил у детей, но для этого они должны овладеть совсем иной формой научения – той, которая опирается на уже существующий набор правил и базовых положений и предполагает быстрый выбор самых емких и правдоподобных из них22. С этой точки зрения научение становится похожим на программирование: оно состоит в выборе простейшей внутренней формулы среди всех доступных на языке мышления.

Современные нейронные сети по большей части не способны репрезентировать весь спектр абстрактных фраз, формул, правил и теорий, с помощью которых мозг Homo sapiens моделирует мир. Едва ли это случайно: в этом есть нечто сугубо человеческое, нечто такое, чего нет в мозге других видов животных и что современная нейробиология еще не успела изучить подробно – поистине уникальный признак нашего вида. По всей видимости, люди – единственные приматы, чей мозг репрезентирует наборы символов, которые комбинируются в соответствии со сложным древовидным синтаксисом23. В частности, сотрудники моей лаборатории доказали: услышав последовательность звуков – например, бип-бип-бип-буп, – человеческий мозг мгновенно строит теорию относительно лежащей в ее основе абстрактной структуры (три идентичных звука плюс один непохожий). Оказавшись в аналогичной ситуации, обезьяна обнаруживает последовательность из четырех звуков, понимает, что последний отличается, но, похоже, не интегрирует эти фрагментарные знания в единую формулу. Откуда нам это известно? Изучая мозговую деятельность обезьян, мы видим, как отдельные нейронные сети реагируют на количество и последовательности, но не наблюдаем интегрированного паттерна активности в области, отвечающей за речь у людей, так называемой зоне Брока24.

По аналогии с этим потребуются десятки тысяч попыток, прежде чем обезьяна поймет, как изменить порядок последовательности (с АБВГ на ГВБА), хотя четырехлетнему ребенку достаточно пяти25. Младенец, который родился всего несколько месяцев назад, уже кодирует внешний мир с помощью абстрактных и систематических правил – это способность, которой напрочь лишены не только классические искусственные нейросети, но и другие виды приматов.

Компоновка. Как только я научусь складывать два числа (к примеру), этот навык станет неотъемлемой частью моего репертуара талантов: иными словами, я немедленно смогу его применить для решения любых других задач. Я смогу использовать его как подпрограмму в десятках различных контекстов – скажем, чтобы оплатить счет в ресторане или проверить налоговую декларацию. Но главное – я смогу комбинировать его с другими приобретенными навыками: например, без труда взять некое число, прибавить к нему 2 и определить, что больше: новое число или 526.

Удивительно, но современные искусственные нейросети до сих пор не проявляют такой гибкости. Знание, которое они усвоили, остается изолированным в скрытых, недоступных связях, что препятствует его повторному использованию в других, более сложных задачах. В отличие от человека искусственные модели не умеют сочетать ранее приобретенные навыки, то есть рекомбинировать их для решения новых задач. Для современного искусственного интеллекта характерна чрезвычайно узкая специализация. Программа AlphaGo, которая может победить любого чемпиона по игре в го, – упрямый эксперт, неспособный обобщить свои таланты и применить их в другой, даже очень похожей игре (например, AlphaGo отлично умеет играть в го на стандартном гобане 19х19, но не на доске 15х15). В человеческом мозге, напротив, научение почти всегда означает преобразование знаний в эксплицитную форму, позволяющую их использовать повторно, рекомбинировать и объяснять другим. Здесь мы снова сталкиваемся с уникальным аспектом человеческого мозга, который тесно связан с речью и который, как оказалось, крайне трудно воспроизвести в машине. Еще в 1637 году эту проблему предвосхитил Декарт в своем фундаментальном труде «Рассуждения о методе»:

Но если бы сделать машины, которые имели бы сходство с нашим телом и подражали бы нашим действиям, насколько это мыслимо, то у нас все же было бы два верных средства узнать, что эта не настоящие люди. Во-первых, такая машина никогда не могла бы пользоваться словами или другими знаками, сочетая их так, как это делаем мы, чтобы сообщать другим свои мысли. Можно, конечно, представить себе, что машина сделана так, что произносит слова… Но никак нельзя себе представить, что она расположит слова различным образом, чтобы ответить на сказанное в ее присутствии, на что, однако, способны даже самые тупые люди. Во-вторых, хотя такая машина многое могла бы сделать так же хорошо и, возможно, лучше, чем мы, в другом она непременно оказалась бы несостоятельной, и обнаружилось бы, что она действует не сознательно, а лишь благодаря расположению своих органов. Ибо в то время как разум – универсальное орудие, могущее служить при самых разных обстоятельствах, органы машины нуждаются в особом расположении для каждого отдельного действия[13].

Разум – универсальное орудие нашей психики. Умственные способности, перечисленные Декартом, предполагают наличие второй системы научения, иерархически занимающей более высокое положение, чем первая, и основанной на правилах и символах. На ранних стадиях наша зрительная система отдаленно напоминает современные искусственные нейросети: она учится фильтровать поступающие образы и распознавать часто встречающиеся конфигурации. Этого достаточно, чтобы определить лицо, слово или расположение камней на гобане. Но затем стиль обработки информации кардинально меняется: научение становится больше сродни рассуждению, логическому выводу, имеющему своей целью выявить основополагающие правила изучаемой области. Создание машин, которым доступен этот второй уровень интеллекта, – сложнейшая задача. Но что конкретно делают люди, когда учатся на этом втором уровне, и что именно ускользает от большинства современных алгоритмов машинного обучения?

Учиться – значит логически выводить основы

Одной из характерных особенностей человека является неустанный поиск абстрактных правил, выводов высокого уровня, которые мы извлекаем из конкретной ситуации и впоследствии проверяем на новых наблюдениях. Попытки сформулировать такие абстрактные законы могут служить чрезвычайно мощной стратегией научения, поскольку самые абстрактные законы – это законы, которые применимы к наибольшему числу наблюдений. Поиск подходящего логического правила, учитывающего все доступные данные, – наиболее действенный способ существенно ускорить научение, и человеческий мозг умеет играть в эту игру очень хорошо.

Рассмотрим пример. Представьте, что я показываю вам десять непрозрачных ящиков с разноцветными шарами внутри. Я наугад выбираю ящик, из которого раньше ничего не доставал, запускаю в него руку и достаю зеленый шар. Можете ли вы сделать какие-нибудь выводы о содержимом ящика? Какого цвета будет следующий шар?

Вероятно, первый ответ, который придет вам на ум, прозвучит примерно так: «Я понятия не имею – вы не дали мне практически никакой информации; откуда мне знать, какого цвета будет следующий шар?» Да, но… Представьте, что некоторое время назад я вытащил несколько шаров из других ящиков, и вы отметили следующую закономерность: шары в каждом ящике всегда одного цвета. Выходит, все просто? Как только я покажу новый ящик, вам нужно всего-навсего увидеть один зеленый шар, чтобы сделать вывод, что все остальные шары тоже зеленые. Благодаря этому общему правилу научение происходит с одной попытки.