Страница 14 из 16
Впрочем, имеется другая проблема управления огнем, которую можно попытаться разрешить механически. Задача составления полетной статистики самолета на основе фактического наблюдения за ним и последующего преобразования данных наблюдения в правила наведения является конкретной математической задачей. В сравнении с фактическим отслеживанием самолета в соответствии с заданными правилами это относительно медленная операция, которая подразумевает внимательный анализ предшествовавших полетов этого самолета. Но все же вполне возможно механизировать не только кратковременное, но и продолжительное действие. Следовательно, можно сконструировать зенитное орудие, которое само накапливает статистику перемещений самолета-мишени, затем передает их системе управления огнем и, наконец, адаптирует эту систему управления как быстрый способ изменения положения ствола по отношению к зафиксированному местоположению и курсу самолета.
Насколько мне известно, такого устройства еще не существует, однако такая задача вполне укладывается в рамки исследования, которое мы ведем, и ее решение может быть использовано для решения других прогностических задач. Регулировка общей схемы наводки и выстрела в соответствии с особой системой движения летящей цели представляет собой, по существу, акт обучения. Это изменение тейпинга вычислительного механизма орудия, причем изменяются не столько цифровые параметры, сколько процесс их обработки. Перед нами фактически весьма общая схема обратной связи, воздействующая на сам метод поведения устройства.
Усовершенствованный процесс обучения, который мы рассматриваем, по-прежнему ограничен механическими условиями используемой системы и очевидно не соответствует обычному процессу обучения человека. Но на основании этого процесса мы можем вывести совершенно различные способы механизации обучения разной степени сложности. В этом нам помогут соответственно локковская теория ассоциаций и павловская теория условных рефлексов. Впрочем, прежде чем обратиться к их рассмотрению, я хотел бы сделать несколько замечаний общего свойства, заблаговременно отвечая на неизбежную критику моих положений.
Разрешите напомнить те основы, на которых возможно развивать теорию обучения. В значительной степени работа нейрофизиолога Павлова сводилась к изучению способов передачи импульсов нервными волокнами, или нейронами; данный процесс описывается как явление разряда «все или ничего». То есть если стимул достигает той точки, или порога, с которого он вообще способен распространяться по нервному волокну и не угаснуть на относительно короткой дистанции, воздействие этого стимула на сравнительно отдаленную точку нервного волокна будет во многом независимым от его первоначальной силы.
Упомянутые нервные импульсы распространяются от нейрона к нейрону через точки контакта между ними, называемые синапсами, где одно «входящее» волокно может контактировать со многими «выходящими» волокнами, а одно «выходящее» волокно – со многими «входящими». В этих синапсах импульса, посылаемого одним входящим нервным волокном, часто недостаточно для получения эффективного исходящего импульса. Вообще, если импульсы, поступающие на конкретное «выходящее» волокно от входящих синапсических сочленений, немногочисленны, то «выходящее» волокно может не отреагировать. Под словом «немногочисленны» я не обязательно имею в виду то, что все входящие нейроны действуют одинаково – или даже то, что применительно к любому набору входящих активных синапсических сочленений можно раз и навсегда решить, будут ли возбуждаться «выходящие» волокна. Также я отнюдь не намерен игнорировать то обстоятельство, что некоторые «входящие» волокна не стремятся создать стимул для связанных с ними «выходящих» волокон, а вместо этого препятствуют указанным волокнам принимать новые стимулы.
Так или иначе, задачу прохождения импульсов по волокнам можно описать довольно простым способом как явление «все или ничего», а вот передача импульса через слой синапсических сочленений обусловливается сложной моделью реагирования, когда ряд комбинаций входящих нейронов, возбуждающихся на протяжении конкретного отрезка времени, побуждают пересылать сообщение дальше, зато ряд других комбинаций этого не делают. Такие комбинации не являются жестко зафиксированными, вдобавок они зависят не только исключительно от прошлых сообщений, поступивших в синапсический слой. Известно, что они изменяются под влиянием температуры и могут изменяться под влиянием многих других факторов.
Изложенное представление о нервной системе соответствует теории машин, которые состоят из последовательности переключающих устройств, где включение последующего переключателя зависит от определенных комбинаций более ранних переключателей в цепи, включаемых одновременно с ним. Эта машина, действующая по принципу «все или ничего», называется цифровой машиной. Она обладает немалыми преимуществами в решении разнообразных задач управления и коммуникации. Например, строгость выбора между «да» и «нет» позволяет ей накапливать информацию таким образом, чтобы у нас появилась возможность выявлять малые различия в очень больших числах.
Кроме этих машин, работающих по принципу «да – нет», существуют другие вычислительные и контрольные машины, которые не столько считают, сколько измеряют. Эти машины называются аналоговыми машинами, потому что они работают на аналоговых связях между измеряемыми величинами и цифровыми параметрами, которые призваны характеризовать эти величины. Примером аналоговой машины является логарифмическая линейка, противопоставляемая, скажем, настольному арифмометру, который оперирует цифрами. Те, кто пользовался логарифмической линейкой, знают, что шкала, на которой нанесены деления, и острота нашего зрения ставят жесткие ограничения на точность чтения показаний линейки. Эти ограничения не так просто раздвинуть, как может показаться, за счет увеличения размеров линейки. Логарифмическая линейка длиной в 10 футов даст решение точнее всего на один десятичный разряд по сравнению с логарифмической линейкой в один фут, причем для достижения такой точности необходимо не только отмерить каждое деление на большой линейке столь же тщательно, как на малой, но и ориентировать эти последовательные деления в соответствии с разметкой логарифмической линейки длиной в один фут. Более того, сохранение жесткости линейки большего размера куда актуальнее, чем для линеек меньшего размера, и это обстоятельство ограничивает увеличение точности при увеличении размеров линейки. Иными словами, на практике машины, которые измеряют, в противоположность счетным устройствам, весьма ограничены в своей точности. Прибавим сюда приверженность физиолога принципу «все или ничего» – и мы поймем, почему значительная часть исследований в области конструирования механических подобий мозга была посвящена машинам, действующим в большей или меньшей степени на цифровой основе.
Однако если слишком упорно настаивать на том, что мозг является идеальной цифровой машиной, мы рискуем вызвать вполне обоснованную критику, частично со стороны физиологов, а частично со стороны до некоторой степени противоположного лагеря тех психологов, которые предпочитают не прибегать к сравнениям с машинами. Я уже сказал, что для цифровых машин используется тейпинг, который определяет последовательность выполняемых операций, и что изменение тейпинга на основании предыдущего опыта соответствует процессу обучения. В человеческом мозге ближайшую аналогию тейпингу составляет определенность синапсических порогов, то есть комбинаций входящих нейронов, что возбуждают соединенный с ними выходящий нейрон. Мы видели, что эти пороги могут меняться под воздействием температуры, и у нас нет оснований полагать, что они не могут изменяться под воздействием химического состава крови и многих других факторов, каковые сами по себе не относятся к явлениям типа «все или ничего». Поэтому необходимо при рассмотрении проблемы обучения чрезвычайно осторожно применять принцип «все или ничего» для описания деятельности нервной системы – во всяком случае, без обоснованной научной критики этого принципа и без конкретных экспериментальных свидетельств в подкрепление нашей гипотезы.