Восприятие и синергетический компьютер
Особенностью человеческого восприятия является способность понимать даже искаженную информацию; мозг оказывается в состоянии самостоятельно восполнять отсутствующие фрагменты. Эта способность мозга представляет собой существенную составляющую нашей способности к восприятию и называется ассоциативной памятью. Такой же ассоциативной памятью можно снабдить и синергетический компьютер. Сначала поясним на простом примере, каким именно образом здесь участвуют принципы синергетики. Этот пример, помимо прочего, наглядно демонстрирует, насколько широка область применения синергетических принципов: от движения жидкости до способности к восприятию.
Рассмотрим модель поведения жидкости, помещенной в сосуд с дном круглой формы и нагреваемой снизу. Как это уже было описано в четвертой главе, в этом случае в жидкости возникают упорядоченные цилиндрические структуры. Предположим в рамках такой модели, что все вращающиеся цилиндрические ячейки изначально сориентированы в одном-единственном направлении (рис. 4.19). Как показывают результаты моделирования, в этом случае в жидкости самостоятельно развивается полностью упорядоченная структура из цилиндрических ячеек. Если изменить начальную ориентацию ячеек, упорядоченная структура также возникает, но движение жидкости в ней происходит уже в ином, нежели в первом случае, направлении. И наконец, можно задать одновременно два направления движения, поместив таким образом жидкость в «конфликтную ситуацию». Одна из ячеек окажется несколько «сильнее» другой, благодаря чему и одержит победу в конкурентной борьбе; окончательное направление движения жидкости в результате будет совпадать с ориентацией именно этой ячейки.
Что же при этом происходит? Используя понятия синергетики, можно описать этот процесс следующим образом. Цилиндрическое движение жидкости обусловливает возникновение соответствующего параметра порядка, который — согласно принципу подчинения — и приводит всю жидкость к упорядоченному состоянию в виде ячеистой структуры. Если же изначально из прочих выделяются сразу две ячейки, каждая из которых порождает свой собственный параметр порядка, то эти параметры порядка вступают между собой в конкурентную борьбу, и побеждает в ней тот из них, который изначально был «сильнее»; именно он в результате — опять же в соответствии с принципом подчинения — диктует свои условия в процессе приведения жидкости в упорядоченное состояние. Можно сказать, что в данном случае жидкость действует подобно ассоциативной памяти, которая из изначально заданного неполного набора данных оказывается способна восстановить соответствующий полный набор (в нашем примере — полную ячеистую структуру). Итак, мы утверждаем, что распознавание образов является, по сути, не чем иным, как своего рода созданием структур, процессом, полностью аналогичным тому, что протекает в описанной нами модели.
Взглянув на некий образ (допустим, на фрагмент картинки с изображением лица), мы выделяем в нем несколько отличительных черт — иначе говоря, примитивов. Эти примитивы порождают соответствующий параметр порядка, благодаря которому мы затем узнаем это лицо, воссоздав перед своим внутренним взором из фрагмента целое изображение. На основании аналогии между распознаванием и созданием образов был сконструирован синергетический компьютер — сначала в форме алгоритма, — который действительно оказался способен к распознаванию образов, причем ему удается распознавание даже лиц. Изображения лиц, которые компьютер должен будет распознать, либо предварительно вводятся в его память, либо могут быть «заучены» им в ходе эксперимента. Затем машине предлагается фрагмент изображения одного из таких лиц; пользуясь хранящимися в его памяти образами, компьютер реконструирует полное изображение (рис. 17.6).
Рис. 17.6. Хранящиеся в памяти компьютера изображения, снабженные буквенным кодом (вверху); этапы распознавания одного из изображений: от заданного фрагмента до восстановления полного изображения (внизу)
Компьютер, кроме того, вполне способен распознать несколько искаженное изображение, а также учесть возможные изменения выражения лица. Несколько больших затрат стоит синергетическому компьютеру распознавание сложных сцен, подобных той, что представлена на рис. 17.7.
Рис. 17.7. Сложная сцена, предлагаемая для распознавания синергетическому компьютеру
В этом случае сначала происходит идентификация изображения лица женщины на переднем плане. Однако если компьютеру «запретить» распознавание этого образа (что вполне возможно, нужно лишь задать равным нулю значение так называемого параметра внимания), то машина «увидит» и распознает только изображение мужского лица, расположенное на заднем плане. Таким образом компьютер способен поэтапно распознавать сложные сцены, включающие в себя целый ряд лиц.
И все же в некоторых (правда, немногочисленных) случаях компьютер выдавал-таки неверные ответы. Впрочем, я вскоре обнаружил, что и человеческие способности к распознаванию не безграничны. Убедиться в этом каждый может на собственном опыте, взглянув на рис. 17.8, на котором, на первый взгляд, изображен портрет Эйнштейна. Попробуйте, однако, вглядеться в это лицо пристальнее; в какой-то момент на рисунке вдруг обнаруживается пейзаж с тремя купальщицами.
Рис. 17.8. Эйнштейн или три купальщицы?
Наша собственная способность к распознаванию — так же, как и аналогичная способность компьютера — управляется некими «ожиданиями», а точнее говоря, определенными параметрами внимания. Так мы подобрались к весьма любопытному предмету — к так называемым амбивалентным, или «двойным», изображениям; еще один пример такого изображения приведен на рис. 17.9. Что здесь нарисовано: белая ваза или два черных лица в профиль? Мы видим одно из двух: или вазу, или лица.
Рис. 17.9. Лица или ваза?
Допустим, мы попытаемся сконцентрировать внимание на вазе; спустя некоторое время перед нами, однако, вдруг снова вместо вазы оказываются лица. Этот интересный психологический феномен очень легко объясним, если предположить, что как только образ (или часть образа) оказывается распознанным, соответствующий параметр внимания обращается в нуль. Далее к делу «подключается» параметр внимания, относящийся уже к другому изображению, — он владеет ситуацией до тех пор, пока и этот второй образ не будет нами распознан, после чего внимание вновь переключается. Поскольку такого рода феномены уже были подробнейшим образом рассмотрены в другой нашей книге[29], мы не будем сейчас вдаваться в подробности этих в высшей степени увлекательных явлений.
Компьютеры способны распознавать не только изображения (например лица) и тексты, но и звуковые сигналы. Звуки в этом случае преобразуются в электрические колебания, которые можно визуализировать и вывести на экран монитора (рис. 17.10). Таким образом, мы получаем определенный оптический образ, посредством которого акустическое распознавание можно свести к оптическому. Впрочем, некоторое время назад стал возможен и обратный процесс, т. е. акустическая передача оптических данных — например звуковая передача букв, распознаваемых считывающим устройством, что довольно широко используется, скажем, в гостиницах для того, чтобы будить клиентов.
Рис. 17.10. Форма акустических волн, соответствующих нескольким звукам английского языка. (По горизонтали — время, по вертикали — амплитуда колебаний.)
Как уже говорилось, переход на следующий уровень распознавания, т. е. не просто идентификация отдельной буквы или слова, а наполнение этого слова смыслом, представляет собой качественно новый и чрезвычайно сложный шаг. Это обстоятельство становится совершенно очевидным, как только компьютер берется за перевод с одного языка на другой. Мы уже знаем, что каждое слово компьютер преобразует в определенную цифровую комбинацию. Используя эту комбинацию, машина отыскивает в имеющемся у нее в распоряжении «словаре» другую цифровую комбинацию, соответствующую необходимому слову из другого языка. Найденную комбинацию машина и полагает переводом слова на иностранный язык.
Однако как только речь заходит о простейших языковых тонкостях, тут-то и начинаются, собственно, трудности — например, когда переводимое слово имеет в иностранном языке несколько значений. Это случается уже на самом примитивном уровне — вспомним хотя бы о таком немецком слове, как «Teekessel»[30]. Или вот возьмем слово «кран»: кран может быть водопроводным — но может быть и подъемным. Иными словами, перед нами вновь все та же фундаментальная проблема, для решения которой требуется нарушение симметрии: имея два совершенно равноправных значения, нужное можно выбрать только исходя из контекста. Как же в таких условиях может преуспеть машина? Очевидно, нам предстоит столкнуться здесь с целым рядом проблем, порождающих, в свою очередь, новые, еще более сложные вопросы. С точки зрения синергетики, задача машины состоит в том, чтобы установить верную иерархию параметров порядка. Если значения каких-либо слов совпадают, то словам этим ставится в соответствие одинаковый параметр порядка. Такой параметр порядка во многих случаях способен (до определенной степени, конечно) «поправить» искаженную фразу — точно так же, как лазерная волна способна «призвать к порядку» атом, «сбившийся с ноги». Иногда одно предложение может породить несколько параметров порядка; это происходят в тех случаях, когда предложение многозначно, т. е. существует возможность различных его толкований. Чтобы однозначно определить параметр порядка в подобных ситуациях, машина должна перейти на следующую ступень иерархии. Сложность при этом зачастую заключается в том, что на более высоких уровнях иерархии для «верной» интерпретации оказывается необходим колоссальный человеческий опыт.