Страница 8 из 14
Как мы усваиваем эти знания и концепции? Как мы понимаем мир? Давайте сначала познакомимся с образцами непонимания на примере компьютерных алгоритмов, причем самых современных из тех, которые имеются на сегодняшний день, – так называемых глубоких нейронных сетей. Речь идет о компьютерных системах, в основе программирования которых лежит неклассическая логика (из А вытекает Б). Они построены по примеру мозга (по крайней мере, так утверждают) и копируют его нейронную структуру. В ходе работы цифровые «нейроны» приспосабливаются друг к другу, взаимодействуя в местах контакта, в зависимости от того, какие данные обрабатываются. Поскольку нейроны самостоятельно анализируют характер своих контактов, со временем система может самообучаться. К примеру, если мы хотим, чтобы программа распознавала пингвинов, ей демонстрируются сотни тысяч разных фотографий, среди которых попадаются сотни изображений пингвинов. В результате программа сама определяет отличительные особенности пингвинов и начинает понимать, кто это такой.
Прогресс этих искусственных нейронных сетей поражает. Только за счет демонстрации изображений такие системы самостоятельно находят животных, предметы и людей на любых фотографиях. Их способность распознавать лица уже превосходит человеческую (приложение Google может распознавать в толпе не только человеческие лица, но и коровьи морды). Но давайте скажем прямо: подобные компьютерные системы имеют такое же отношение к мозгу, как футболист-любитель, играющий в районном первенстве, к олимпийскому чемпиону по десятиборью. Они даже выступают в разных видах спорта, так как компьютер делает отнюдь не то же самое, что нервные клетки, что бы ни заявляли концерны, работающие в сфере информационных технологий и якобы создающие искусственные нейронные сети. Компьютер не обладает настоящей нейронной сетью и строится не по образцу мозга. Это всего лишь маркетинговый трюк производителей. Ведь для того, чтобы научиться выделять на картинке пингвина, компьютер должен предварительно просмотреть тысячи изображений. Мозгу же это не требуется.
Недавно соседский парнишка двух с половиной лет от роду зашел ко мне в прихожую. Указав пальцем на пожарный извещатель на потолке, он сразу сказал: «Это для пожара». Я был поражен. Неужели родители целыми неделями показывали ему изображения пожарных извещателей, чтобы он в конце концов выделил их общие черты и особенности и смог распознавать среди других предметов? Должен признать, что его отец действительно работает в пожарной охране, так что выбор темы не случаен. Но ведь малышу, в отличие от «глубоких нейронных сетей», не демонстрировали тысячи фотографий устройств для сигнализации, огнетушителей и другого пожарного инвентаря, чтобы он в случае чего смог узнать их среди всего прочего. От него не требовали сдавать экзамены по этому предмету! Каким же образом ребенок, видевший пожарный извещатель всего два-три раза, смог распознать его в совершенно незнакомой обстановке?
Он не изучал пожарные извещатели, как это делал бы компьютер. Мальчик просто понял, что это такое. Это как раз то, в чем люди сильны и что в психологии называется быстрой классификацией. Если, к примеру, дать трехлетнему ребенку какие-нибудь предметы, которых он раньше никогда не видел, и объяснить, что предмет, явно отличающийся от всех остальных, называется «коба» или привезен из страны
Коба, он запомнит это слово и сможет вспомнить о нем даже через месяц. Заметьте, с первого раза! Еще лучше обстоят дела, когда наряду со словами запоминаются действия. Даже детям в два с половиной года достаточно всего пятнадцать минут поиграть с каким-нибудь предметом, чтобы впоследствии перенести его свойства на другие схожие объекты. Если ребенок увидел, что с яркой пластмассовой деталью с выдуманным названием «коба» можно совершать какие-то манипуляции, то на будущее усвоит для себя, что схожие, хотя и несколько отличающиеся по форме, предметы тоже должны называться «коба», и будет пытаться совершать с ними те же манипуляции. Всего несколько минут – и ему уже все ясно. А разве смогли бы двухлетние дети осваивать в среднем по десять новых слов в день, если бы для этого им приходилось все повторять по сто раз? Ни у одного мозга на это просто не хватило бы времени.
Разумеется, мозг учится не на пустом месте. В настоящее время мы исходим из того, что в процессе быстрой классификации новая информация стремительно распределяется по уже имеющимся категориям (возможно, даже без участия гиппокампа, с которым вы познакомились в предыдущей главе). Но и сами категории создаются очень быстро, причем именно тогда, когда у нас слишком мало времени на обдумывание. Если быстро показать трехлетнему ребенку один за другим три варианта игрушки (например, какие-то необычные погремушки, отличающиеся друг от друга по цвету и свойствам поверхности) и назвать их выдуманным словом «вуг», то малыш вряд ли опознает «вуг» в четвертой погремушке. Но если между демонстрацией трех первых погремушек проходило по полминуты и ребенку давали возможность немного с ними поиграть, то он быстро осваивал концепцию «вуга» и сразу же называл этим словом четвертую погремушку, хотя она была другой формы и расцветки. Казалось бы, эти паузы совершенно не нужны. Они только отвлекают внимание и являются пустой тратой времени в нашем мире, где все подчинено оптимизации и повышению производительности. Однако именно в них заключается наша сила, позволяющая добиваться большего, чем компьютер, который тупо накапливает новую информацию.
Мы чрезвычайно быстро разбираемся в категориях и практически моментально усваиваем связь между словами, предметами и действиями. Не верите? Вам по-прежнему кажется, что успех в учебе достигается только посредством множества повторений и упражнений? Попробую доказать обратное: сколько времени вам понадобилось, чтобы понять значение совершенно нового и искусственно придуманного слова «селфи»? Пожалуй, достаточно было один раз увидеть, как четверо молодых людей фотографируют себя смартфоном. А как быстро вы поняли смысл никому не известного раньше слова «Брекзит»? Видимо, тоже с первого раза. Понимание приходит сразу же. Более того, если вы поняли слово, то можете не просто воспроизводить его, но и образовывать на его основе что-то новое. Если «Брекзит» означает выход Британии из Евросоюза, то что могут означать слова «Фракзит» или «Грекзит»? Никаких проблем. Вы понимаете их моментально, потому что усвоили мыслительную модель, лежащую в их основе. Это позволяет вам и самим создавать нечто совершенно новое, не встречавшееся раньше!
Это к вопросу о многократном повторении и интенсивном обучении. Нет никакого искусства в том, чтобы выучить наизусть несколько слов. А вот понять их – это совершенно другое дело. Компьютеры и в будущем будут быстрее нас распознавать изображения и объекты, но никогда не смогут их понять. Для обучения компьютеры используют довольно простые алгоритмы анализа колоссальных массивов данных. Мы же идем противоположным путем: накапливаем намного меньше данных, но зато располагаем значительно более многочисленными возможностями их обработки. Чтобы что-то знать, не обязательно располагать большим объемом информации. Надо просто уметь распоряжаться ею.
Глубокое обучение – это хорошо, но глубокое понимание лучше. Компьютеры не понимают того, что они распознают. Об этом свидетельствует один интересный эксперимент, проведенный в 2015 году, в ходе которого исследовались самообучающиеся нейронные сети. Ученые решили выяснить, как должно выглядеть изображение малиновки, чтобы компьютерная программа распознала его со стопроцентной уверенностью и дала ответ: «Это птица малиновка». Те, кто ожидал идеальной фотографии малиновки, были разочарованы. Выбор компьютера пал на размытое изображение, состоявшее из непонятных цветовых пятен. Ни один человек не смог бы опознать в нем малиновку. А вот компьютер смог, потому что для него малиновка – это лишь графический символ и он не понимает, что речь идет о живом существе. Если ему сообщить, что Брекзит – это выход Великобритании из ЕС, он никогда самостоятельно не додумается, что Швекзит будет означать прощание со Швецией.