Управление информацией подобно мозгу

Мы давно знаем (на протяжении всей исто­рии искусственного интеллекта) о том, что мозг функционирует совершенно не так. Во-первых, нейрон (клетка мозга) скорее похож на самодос­таточную складывающую машину, чем на про­стой переключатель. Каждый из ваших нейронов имеет огромное количество связей (обычно от пяти до двадцати тысяч) с другими нейронами. Каждый нейрон увеличивает (суммирует) общую активность всех этих связей. Когда активность превышает определенный уровень (порог), ней­рон генерирует выходной сигнал (синапс). Этот выходной сигнал является входным для множе­ства нейронов, соединенных с данным нейроном. Они начинают действовать и могут передавать сигнал дальше.

Во-вторых, в мозге нет аналога ЦПУ. Вместо того чтобы анализировать нули и единицы, взаи­мосвязанная природа нейронов заставляет их действовать и воздействовать на другие, соеди­ненные с ними нейроны. На физическом уровне в вашем мозгу происходит последовательность очень сложных взаимодействий нейронов. Сле­дует сказать, что человеческий мозг состоит при­мерно из ста миллиардов нейронов. Большин­ство из них имеет тысячи связей друг с другом. Искусственный интеллект должен работать с ко­личеством настолько меньшим этой цифры, что любые сравнения с человеческим мозгом более чем преждевременны.

Ранние попытки создать компьютер, кото­рый будет напоминать мозг, привели к созда­нию устройства, называемого перцептроном. Перцептрон, показанный на рисунке, — это вид электрической аналогии грубого образа нейрона, показанного выше. Технически — это пороговое переключательное устройство. Оно располагает большим количеством входных ли­ний, которые суммируются, и пороговой оцен­кой. Если результат сложения превышает поро­говую оценку, перцептрон действует и форми­руется единица. Если результат оказывается меньше порогового, перцептрон бездействует и формируется ноль. Программировать это уст­ройство относительно просто (в этой области обычно используется термин «подготовка»). Каждая из входных линий обладает весом. Что­бы лучше себе это представить, подумайте об уровне громкости сигнала с каждой линии. Если перцептрон действует, когда мы этого не хотим, мы можем снизить вес входных линий (уменьшить громкость), пока не достигнем же­лаемого уровня. Если же прибор не действует тогда, когда нам это необходимо, мы можем по­высить громкость входных линий (увеличить их вес) до желаемого показателя. Таким образом устройство будет настроено только на конкрет­ные стандарты входа, на которые мы готовы ре­агировать.

К сожалению, единственный перцептрон, пусть даже и простой в подготовке, не слишком эффективен в роли компьютера. Это было дока­зано в 1969 году двумя видными специалистами в области искусственного интеллекта — Марвином Мински и Сеймуром Папертом. Получен­ные ими результаты больше чем на десятилетие оттолкнули исследователей от этой области. В середине 80-х годов возник всплеск интереса и ученые начали разрабатывать способы подго­товки больших сетей перцептронов и подобных им устройств.

Проблема в использовании взвешенных ме­тодов (или методов регулирования громкости) возникла тогда, когда стали применять не­сколько перцептронов, объединенных в сеть. Мы перестали понимать, какая из связей нуж­дается в коррекции. Все перцептроны связаны и воздействуют друг на друга, поэтому опреде­лить, какую линию нужно подправить, очень нелегко.

Самое важное решение этой программы на­зывается алгоритмом обратного распростране­ния. Для того чтобы понять принцип этого ал­горитма, рассмотрим сеть с тремя уровнями пороговых переключающих устройств (перцеп­троны отлично справятся с этой ролью). Один уровень — это уровень входа, затем следует скрытый уровень и уровень выхода.

Дендриты (вход)

Электрический сигнал (выход)

Суммирующее устройство

Нейрон

Суммирующее Пороговое Выход устройство устройство (0 или1) Входные устройства

Перцептрон

Дата добавления: 2015-11-30