Разум от начала до конца

Издательство «Бомбора» представляет книгу Дэниела Деннета «Разум от начала до конца» (перевод М. С. Соколовой).

Книги знаменитого мыслителя современности Дэниела Деннета всегда вызывают споры, обсуждения, восторги и дискуссии, но никогда не остаются без внимания ученых и читателей. Исследуя сознание, разум, способность мыслить, автор отвечает на вопрос, почему именно люди, единственные из живых существ, обладают ими. «Разум от начала до конца» — новый любопытный взгляд великого ученого на возникновение и развитие человеческого разума.

Предлагаем прочитать фрагмент книги.

 

Сам Тьюринг предсказывал в 1950 году, что к концу столетия «значения слов и настрой в среде образованных людей изменятся настолько, что можно будет спокойно говорить о мыслящих машинах без опасения нарваться на возражения». Первые работы в этой области были блестящими, революционными, наивно оптимистическими, и, если можно так сказать, полными высокомерия. Искусственный интеллект обязан был уметь не только думать, но и видеть, естественно, поэтому возник порыв создать зрячую машину. Известный «летний проект по созданию искусственного зрения» в Массачусетском технологическом институте в середине 1960-х годов стал первой попыткой «научить машину видеть» в течение длинных каникул, отбросив временно все остальные задачи на потом. Электронные мозги, над которыми работали ученые в те времена, сегодня показались бы гигантскими по размерам, но слабыми и невыносимо медленными, и одним из побочных результатов стал выбор эффективности как приоритета исследований. Никому не был нужен компьютер, который реагировал бы на набор обычных данных в течение нескольких дней, главной целью его создания было достижение беспрецедентной скорости обработки реальных данных в реальном времени.

Первым был ИИ, или GOFAI (Good Old-Fashioned AI «старый добрый искусственный интеллект» [Haugeland, 1985][1]), — попытка «интеллектуалистского» подхода, стремление записать то, что знает человек-эксперт, языком компьютера, машины, способной манипулировать логическими устройствами, готовой управлять «огромными» хранилищами данных, заполненных тщательно складированными знаниями о мире, создавая теоремы, которые призваны были бы помогать принимать решения на основе анализа всей имеющейся информации и адекватно контролировать различные побочные действия интеллекта и воздействующие на него факторы.

Ретроспективно этот первый ИИ можно рассматривать как попытку создать сочетание картезианского, рационального эксперта, хранящего в памяти бесчисленное количество предложений, с устройством, сочетающим понимание со способностью делать выводы на основе релевантных аксиом и обнаруживать противоречия в собственном видении мира, то есть настолько эффективное, насколько это вообще возможно. В конце концов, что такое разумный помощник, как не отлично информированное, рационально рассуждающее существо, которое может достаточно быстро думать, использовать нужные знания, хранящиеся в его памяти, планировать действия и предвидеть все вероятные последствия? Это казалось отличной идеей в те времена, и для некоторых исследователей она до сих пор не утратила актуальности.

Стремление достичь максимума скорости и эффективности диктовало необходимость, прежде всего, решить проблемы, казавшиеся, на первый взгляд, «элементарными». Многие из этих задач уже были решены, правда, в весьма упрощенной форме, и применялись в мире простых автоматов (в лифтах, посудомоечных машинах, даже на нефтеперерабатывающих предприятиях и в самолетах), в медицинской диагностике, в игрушках и других ограниченных областях исследований или взаимодействий: бронирование билетов, проверка орфографии и даже грамматики и тому подобное. Мы вполне можем считать эти устройства дальними родственниками строжайше засекреченных и изолированных систем, созданных Гровсом и его элитарной командой интеллектуальных творцов. Они придерживались принципа Достаточного Знания и полагались на понимание проектировщиков, способных создать системы из подсистем, заранее снабженных ровно теми компетенциями, которые могут им понадобиться для обеспечения результата и решения проблем, с которыми им придется столкнуться. Несмотря на всю свою гениальность, первые разработчики ИИ не были всемогущими (а времени у них было не так много), поэтому они ограничили диапазон и разнообразие исходных данных, которые могла обработать каждая из подсистем, и создали программы, способные лишь охранять тысячи разных мастерских, чтобы защитить дурковатых гениев (подпрограммы), трудившихся в них.

Они узнали много неизвестного ранее, усовершенствовали старые и придумали новые методы и технологии, но, прежде всего, они позволили понять, насколько трудна и драматична была задача по созданию свободного, творческого, открытого новому человеческого разума.

Мечта о закодированном по собственному разумению, организованном и подчиняющемся командам, эффективном бюрократе и всезнайке, ходячей (или хотя бы разговаривающей) энциклопедии если еще и не полностью отброшена, однако, по мере того как размеры задачи представали в своей реальной огромности, внимание постепенно смещалось в сторону разработки разных стратегий: технологий обработки больших баз данных Big Data[2], статистических методов поиска паттернов анализа и интеллектуальной обработки данных, т. н. data mining[3] с использованием методов машинного обучения, направленных на получение нужной информации на основе восходящего способа.

Я должен буду в дальнейшем рассказать об этих усовершенствованиях подробнее; в настоящий момент уже можно признать, что существенное увеличение скорости и размеров компьютеров открыло возможности для внедрения более «расточительных», «бессмысленных», менее «бюрократических», более похожих на эволюционные подходы процессов обработки информации, и в этих направлениях уже достигнуты впечатляющие результаты. Благодаря этим новым перспективам мы можем уже обдумывать даже в некоторых деталях, каким образом относительно простые системы, контролирующие бактерий, червяков, термитов, к примеру, смогли эволюционировать в результате восходящих, случайных, жестких и грубых процессов естественного отбора. Другими словами, мы хотели бы понять, как эволюция умудряется играть роль Лесли Гровса и организовывать невежественные силы в эффективные команды, в отсутствие гровсовских познаний и предвидений.

Нисходящее интеллектуальное созидание работает. Опережающее планирование, обсуждение проблем, корректировка задач и четкое понимание причин каждого шага — эта стратегия демонстрировала эффективность в трудах изобретателей и реформаторов на протяжении тысячелетий; она доказала эффективность через бесчисленные победы изобретательности и предвидения во всех областях человеческой деятельности, начиная с науки и инженерного дела и заканчивая политическими кампаниями, кулинарией, сельским хозяйством и мореплаванием. До открытий Дарвина люди были уверены, что существует только один способ созидания: созидание без разумного творца считалось невозможным. Однако нисходящий путь созидания на самом деле приложил руку к гораздо меньшему количеству вещей в нашем мире, чем принято считать, и некоторые «творения» — процитируем в очередной раз Беверли — не имеют к нему никакого отношения.

«Странная инверсия причинности» Дарвина и не менее революционная инверсия Тьюринга были двумя сторонами одного и того же открытия: существования «компетентности без понимания», «умения без разумения». Разумность, понимание — это вовсе не божественный дар, который должен сопровождать любое созидание; это результат взаимодействия систем, лишенных разума, но способных действовать: естественный отбор с одной стороны, бездумные вычисления — с другой. Эти две теории были полностью доказаны и не подлежат никаким сомнениям, однако до сих пор вызывают смятение и недоверие у некоторых людей. Я постарался переубедить их в этой главе. Креационисты не найдут ни в одном из живых организмов программный код с комментариями, а картезианцы не обнаружат нематериальный res cogitans, «в котором сконцентрировано всё знание».


[1] Это название дал первому символическому искусственному интеллекту Джон Хогланд, специалист по философии интеллекта, в своей книге в 1985 году.

[2] Большие данные (англ. big data) — обозначение структурированных и неструктурированных данных очень большого объема, характеризующихся значительным многообразием.

[3] Data mining — собирательное название, используемое для обозначения совокупности методов обнаружения в данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности.

Источник: polit.ru