? Проблемы моделирования сознания и голографическая память



Скачати 130.67 Kb.
Дата конвертації12.04.2016
Розмір130.67 Kb.
#3775
УДК ???.?

Проблемы моделирования сознания и голографическая память

Л.Ю. Жилякова1

В работе предложены подходы к кодированию символьной информации, имитирующие процессы, происходящие в мозге и нервной системе человека. Эти подходы сочетают в себе несколько различных направлений исследований: нанобиология, квантовая механика, оптическая голография, фрактальная теория и самоподобные структуры.

Введение

Несмотря на большие успехи, достигнутые на сегодняшний день в фундаментальных и прикладных исследованиях в области искусственного интеллекта, до сих пор остается открытым принципиальный и, возможно, самый животрепещущий вопрос: поддается ли человеческое сознание моделированию?

Этот вопрос имеет достаточно широкий спектр интерпретаций:

Выполняет ли наш мозг действия, которые невозможно описать через вычисление?

Смогут ли компьютеры будущего действительно быть разумными?

Обладает ли наука достаточной компетентностью для того, чтобы решать задачи, относящиеся к сознанию человека?

На протяжении последних десятилетий многие ученые – психологи, физиологи, математики, кибернетики – специалисты в области ИИ – активно занимались этой проблемой, приводя множество аргументов в пользу как положительных, так и отрицательных ответов на поставленные вопросы [Поспелов, 1998], [Серл, 1990]. В [Чайлахян, 2001] приводится обзор состояния дел в этой области. В нём преимущественно упоминаются и цитируются работы, подтверждающие ту точку зрения, что управление в мозге и управление в искусственных системах имеют принципиальные неустранимые различия и, говоря словами Г. Дрейфуса, «мышление без тела невозможно». Основные аргументы в пользу этого утверждения состоят в том, что в естественном разуме физические и информационные процессы протекают в теснейшей взаимосвязи, – в отличие от любого робота, у которого информационные процессы никак не связаны с «физиологией».

С другой стороны, вычислениями можно было бы моделировать достаточно широкий спектр умственной деятельности человека, но не всё, что является принципиально возможным, осуществимо на техническом уровне. При формализации интеллектуальных процессов, и особенно при их компьютерной реализации, приходится постоянно сталкиваться с проблемой вычислительной сложности. «Вычислительная сложность грозит нам полным тупиком, если не призвать на помощь всё тот же первоисточник – мозг, которым еще недавно пренебрегли ввиду его медленности и якобы ненадежности» [Кузнецов, 1998].

Там, где человеческий интеллект прибегает к образному мышлению, когда человек постигает задачу «в целом» – без разделения на составляющие, – в искусственной модели необходимо прибегать к символьно-логическому представлению. Приходится производить декомпозицию целого на компоненты (что всегда или почти всегда происходит с потерей части смысла), обрабатывать каждый компонент в отдельности – за счет этого количество вычислений нарастает лавинообразно, и вычислительная работа становится настолько громоздкой, что ее нельзя выполнить в режиме реального времени.

В настоящей статье рассматривается еще один взгляд на указанную проблему – предпринимается попытка наметить подходы к созданию математического аппарата, который мог бы имитировать некоторые виды интеллектуальной деятельности мозга. Попытка эта в какой-то степени пробует свести вместе две метафоры – «человек – это машина» и «человек – это животное» [Арбиб, 2004], охватывая с одной стороны, физиологические особенности строения мозга, и с другой – ряд «кибернетических» свойств сознания и памяти человека.

Предложенный подход комбинирует в себе несколько различных, казалось бы, ничем не связанных направлений, таких как нанобиология, квантовая механика, оптическая голография, фрактальная теория и самоподобные структуры.

1. «Вычислимость» человеческого мышления

Многие ученые задавались вопросом о вычислительной природе умственной деятельности человека. Термин «вычислительный» следует рассматривать в стандартном смысле вычислимости по Тьюрингу.

Этот вопрос содержит в себе ряд принципиально важных аспектов, которые можно сформулировать следующим образом. Представляет собой человеческое мышление лишь вычисление, которое можно описать в виде универсальной машины Тьюринга, или оно имеет невычислимую, неалгоритмизируемую составляющую – и на современном этапе развития науки и техники моделирование этой составляющей пока не представляется возможным? Если так, то тут же возникает еще один вопрос: является ли эта «невычислимая составляющая» также и непостижимой, – то есть недоступной для научного анализа? Два полюса: «всякое мышление есть вычисление» и «разум неподвластен языку математики, и вообще, науки» указывают на широчайший диапазон возможных точек зрения от физикализма до мистицизма.

В [Пенроуз, 2005] Р. Пенроуз на основании теоремы Гёделя о неполноте выдвинул гипотезу о невычислимости сознания, согласно которой сознание, в частности понимание, невозможно моделировать вычислительными средствами, – но, тем не менее, можно надеяться на постижение этих процессов научными методами. Результаты Гёделя, по мнению Пенроуза, доказывают, что способность человека к пониманию невозможно свести к какому бы то ни было набору вычислительных правил.

«Из доказательства Гёделя следует, что человеческая интуиция не укладывается ни в рамки формальной аргументации, ни в рамки вычислительных процедур».

2. Квантово-механический и нанобиологический подход к модели сознания

Если бы нейронно-синапсовая схема мозга была статична, то есть обладала постоянными синапсами с постоянными же интенсивностями, она была бы существенно эквивалентна схеме компьютера [Пенроуз, 2003]. Однако благодаря свойству пластичности мозга, интенсивность по крайней мере некоторых синаптических связей может время от времени изменяться – порой быстрее, чем за секунду, – а кроме того, могут изменяться и сами связи. Этот факт ставит нас перед очередным вопросом: что же этими связями управляет?

В моделях, применяемых при разработке искусственных нейронных сетей, синаптические изменения описываются определенным вычислительным правилом. Это правило устанавливается таким образом, чтобы система могла в процессе работы повышать свою эффективность, сравнивая поступающую на ее вход информацию извне с некоторыми заранее заданными критериями. Любая модель такого рода непременно должна иметь в своей основе четкое вычислительное правило, поскольку реализуются эти модели, по большей части, в обычных компьютерах. Однако, если принять гипотезу Пенроуза о невычислимости сознания, никакая вычислительная процедура не может адекватно объяснить все операционные проявления человеческого сознательного понимания. Следовательно, нужно искать какой-то другой управляющий механизм, – по крайней мере, для объяснения синаптических изменений, возможно, имеющих некоторое отношение к настоящей сознательной деятельности мозга.

Функции «нервной системы» у одноклеточных организмов (например, парамеций) выполняет цитоскелет клетки. Каждый нейрон мозга имеет свой собственный цитоскелет. Таким образом, биологи склоняются к мнению, что в некотором смысле каждый нейрон обладает чем-то вроде «личной нервной системы» [Hameroff, 1987]. Одной из составных частей цитоскелета являются микротрубочки. Каждая микротрубочка представляет собой белковый полимер, состоящий из субъединиц, называемых тубулинами.

Организация микротрубочек млекопитающих представляет интерес с математической точки зрения. Гексагональный узор микротрубочек состоит из 5 правых и 8 левых винтовых структур, где 5 и 8 – пара соседних чисел Фибоначчи. Число 13 выступает здесь как общее число витков в спирали. В двойных микротрубочках, встречающихся довольно часто, внешний слой содержит обычно 21 ряд димеров тубулина – следующее число Фибоначчи. Высказывается предположение, что числа Фибоначчи в структуре микротрубочки повышают ее эффективность как «информационного процессора». Согласно [Hameroff, 1987] микротрубочки могут действовать как клеточные автоматы, передавая и обрабатывая сложные сигналы в виде волн различных состояний электрической поляризации молекул тубулина.

Учитывая имеющиеся свидетельства, можно с большой долей уверенности предположить, что центральную роль в управлении изменением интенсивности синапсов и определении места размещения функционирующих синаптических связей играет цитоскелет. Это предположение говорит о том, что потенциальная вычислительная возможность мозга оказывается гораздо большей, чем это можно было бы ожидать, используй мозг в качестве простейших вычислительных блоков целые нейроны.

Если способность человека к пониманию выходит за рамки какой угодно вычислительной схемы, и если мозгом управляют микротрубочки, – то в микротрубочковых процессах должно быть что-то принципиально отличное от простого вычисления. Гипотеза Хамероффа-Пенроуза состоит в том, что такая невычислимая активность должна быть следствием макроскопической квантовой когерентности, объединенной неким тонким образом с макроскопическим поведением.

К сожалению, более конкретных результатов современной наукой еще не получено. Говоря словами Пенроуза, «мы просто-напросто не располагаем достаточными знаниями ни о природе материи, ни о законах, которые этой материей управляют, – достаточными для того, чтобы понять, какая ее организация (в физическом смысле) необходима, чтобы возникло осознающее себя существо. Более того, чем глубже мы исследуем природу материи, тем более эфемерной, таинственной и математической эта материя становится».



3. Голографическая гипотеза распределения памяти

От проблемы моделирования сознания перейдем к несколько более узкой задаче: проблеме представления памяти.

Гипотеза о голографическом устройстве памяти была выдвинута К. Прибрамом еще в семидесятые годы ХХ века. Данные экспериментов в области психологии и нейрофизиологии всё более однозначно указывают на то, что нельзя выявить и локализовать область мозга, отвечающую за память, что вся накопленная в мозгу информация не сконцентрирована в отдельных его участках, а сильно распределена.

Таким образом, по некоторым своим свойствам память подобна голографической пленке, обладающей рядом уникальных качеств, которые могли бы объяснить многие «быстрые» информационные процессы мозга. Вполне вероятно, что именно эти особенности позволяют «медленному мозгу» многократно опережать самый быстрый компьютер, – если последовательные операции мозг выполняет достаточно медленно, то процессы формирования суждений происходят в нем с необыкновенной легкостью [Роуз, 1995].

Процессы запоминания и восстановления образов, обладающие голографическими свойствами, уже получили модельное воплощение – в псевдооптических нейронных сетях [Кузнецов et al., 2000].

Вследствие особенности голографической записи, которая производится без формирующих оптических систем (таких как объектив в фотоаппарате), информация о запечатленном образе предмета хранится распределённо, то есть любой фрагмент пленки содержит информацию сразу обо всем изображении. Если исходную пленку разрезать пополам, каждая половина при направлении на нее лазерного луча восстановит целое исходное изображение. То же самое произойдет и при дальнейшем делении. Качество воспроизведения будет ухудшаться, но никакая часть отображаемого объекта не исчезнет полностью.

Такие же свойства присущи и живому мозгу. При повреждении даже значительной его части мозг способен восстановить всю накопленную в нем информацию.

Плотность записи на голографическую пленку чрезвычайно высока [Пирожников, 1983]. Поскольку на каждую точку голографической пленки проецируется сразу весь образ, то отсюда легко заключить, что голограмма содержит многократно повторенную, избыточную информацию. Однако по той причине, что голограммы обладают очень высокой способностью к компактному хранению информации, эта избыточность не является сдерживающим фактором при создании оптических голограмм.

Предположив такую же особенность распределения информации и в человеческом мозге, попробуем определить методы которые нужно использовать для разработки математической и компьютерной модели памяти.

4. Проблема квазиголографического представления символьной информации

Следует отметить, что, к сожалению, все схемы рассеивания, сходные с методами оптической голографии, применимы только к аналоговой – несимвольной – информации. Основная причина этого главного ограничения заключается в том, что визуальные образы являются «кусочно-гладкими». При утрате даже значительного фрагмента голографической пластинки, в восстановленной голограмме появятся равномерно выколотые точки, и человеческий глаз легко воспримет целостное изображение, интерполируя эти точки их окружением. Метод кодирования цифровых изображений описан в [Кузнецов et al., 2004].

Конечно, произвольные пробелы в символьной информации не восстановимы интерполяционными методами. Однако поскольку запись любого формализма основывается на знаковых системах, необходим поиск способов преобразования именно наборов символов. Одним из возможных подходов к указанной проблеме может стать создание механизмов уподобления символьной информации аналоговой. То есть необходимо создать методы представления и хранения символьной информации в «псевдо-не-символьном» виде, – иными словами, добиться для произвольных фрагментов символьного кода свойства, подобного «гладкости» аналоговых изображений.

Кодирование информации – операция, свойственная не только искусственным системам, но и человеческому мозгу. Операции кодирования постоянно имеют место в нервной системе [Прибрам, 1975]. Процессы кодирования и декодирования, большое количество замещающих схем значительно повышают эффективность нервной системы.

Если бы в качестве алфавита можно было ввести «кванты информации», гораздо более мелкие, чем один бит, то свойства гладкости можно было бы добиться относительно легко: каждый бит восстанавливался бы из некоторого – достаточно большого – количества фрагментов, и утеря их части была бы легко восполняема интерполяцией. Но, поскольку речь идет о компьютерном представлении, и «разбить» бит просто не представляется возможным, необходимо искать другие подходы.

Для этого предлагается с помощью различных методов искусственно создать избыточную информацию, тем самым, снабдив модель памяти свойством голографической пленки.



5. Самоподобные структуры и мозг

Создание избыточной информации для повышения помехоустойчивости требует и разработки надлежащего механизма ее компактного хранения – иначе выигрыш от такой операции будет весьма сомнительным. Одной из ключевых идей для разработки способов хранения, стала идея о фрактальных структурах, – структурах, в которых запись информации обладала бы различными формами самоподобия и масштабной инвариантности или скейлинга [Шрёдер, 2005]. Важная особенность фракталов состоит в том, что они имеют дробную хаусдорфову размерность, что означает, например, бесконечный периметр при конечной площади структуры, или бесконечную площадь структуры при конечном объеме [Малинецкий et. al., 2005].

Таким образом, фракталы обладают свойствами сверхкомпактной упаковки и скейлинга, которые присущи и голографической пленке, – именно благодаря этим свойствам любой фрагмент плёнки способен восстановить весь исходный образ.

Поскольку самоподобие – самая распространенная форма симметрии в живой природе, можно предположить, что существует взаимосвязь между строением цитоскелета и микротрубочек с одной стороны и дробной хаусдорфовой размерностью и масштабной инвариантностью с другой.

Одним из главных источников самоподобия являются рекурсии и итерации. Существует множество способов создания избыточной двоичной информации с помощью итерационных процессов. Результаты, полученные в результате применения любого из этих способов, могут обладать одним, или даже сразу несколькими видами масштабной инвариантности.

Рассмотрим, в частности, построение так называемых самопорждающих и самоподобных последовательностей двоичных символов. Две такие последовательности: последовательность Морса-Туэ и так называемая «кроличья последовательность» – последовательность Фибоначчи – описаны в [Жилякова, 2006]. Последовательность Морса-Туэ можно получить, итерируя отображение

0 → 01 и 1 → 10,

т.е. отображение, при котором после каждой двоичной цифры записывается ее дополнение. Начав с нуля, получим последовательные поколения:

0 → 01 → 0110 → 01101001 → 0110100110010110 → …

Построенная таким образом последовательность называется самопорождающей. Нетрудно заметить, что каждое поколение получается приписыванием справа его дополнения.

Последовательность Фибоначчи задается итерационным отображением

0 → 1 и 1 → 10.

Первые поколения такой последовательности имеют вид:

0 → 1 → 1 0 → 1 0 1 → 1 0 1 1 0 → 1 0 1 1 0 1 0 1 …

В последовательности Фибоначчи количество членов в каждом последующем поколении равно Fn – n-му числу Фибоначчи. Более того, количество нулей и единиц в n-й строке в точности равно Fn-2 и Fn-1 соответственно.

Числа Фибоначчи – явление в природе не столь редкое. Предел отношения двух соседних чисел Фибоначчи равен золотому сечению. Числовой ряд Фибоначчи характеризует структурную организацию многих живых систем. К примеру, винтовое листорасположение на ветке составляет дробь (число оборотов на стебле/число листьев в цикле, например, 2/5; 3/8; 5/13), соответствующую рядам Фибоначчи. Хорошо известна «золотая» пропорция пятилепестковых цветков многих растений. Размеры двойной спирали молекул ДНК и РНК тоже почти полностью соответствуют числам Фибоначчи. Как было отмечено выше, количество спиралей в винтовых структурах микротрубочек тоже описывается этими числами.

Однако можно предположить, что, взяв за основу «квазиголографического» кодирования информации итерационные процессы, сходные с построением последовательности Фибоначчи, можно будет получить результаты, моделирующие не только некоторые внешние свойства мозга, но и одновременно его внутреннюю структуру.

Заключение

В работе были предприняты попытки анализа различных парадигм исследований интеллектуальной деятельности человека с целью определения их точек соприкосновения и выявления возможности их синтеза.

Предложены подходы к кодированию символьной информации, имитирующие процессы, происходящие в мозге и нервной системе человека. Подходы эти на данном этапе, к сожалению, несовершенны и находятся в самой начальной стадии разработки.

Однако результатом поиска в этом направлении может стать голографическая модель распределения памяти, максимально приближенная к физическому строению мозга и обладающая свойством компактности хранения информации, устойчивостью и большой толерантностью к повреждениям.



Список литературы

[Hameroff, 1987] Hameroff Stuart R. Ultimate computing. Biomolecular Consciousness and NanoTechnology. // Elsevier Science Publishers В.V., 1987.

[Арбиб, 2004] Арбиб М. Метафорический мозг: пер. с англ. /Под ред. Д.А. Поспелова М.: Едиториал УРСС, 2004, - 304 с.

[Жилякова, 2006] Жилякова Л.Ю. Подходы к квазиголографическому преобразованию символьной информации. 6-я международная конференция «Интеллектуальный Анализ Информации ИАИ-2006», Киев. (в печати)

[Кузнецов, 1998] – Круглый стол «Парадигмы искусственного интеллекта» // Новости искусственного интеллекта. – 1998. – №3. с. 140-161

[Кузнецов et al, 2000] – Кузнецов О.П., Шипилина Л.Б. Псевдооптические нейронные сети - полная прямолинейная модель и методы расчета ее поведения. //Теория и системы управления, 2000, №5.

[Кузнецов et al, 2004] – Кузнецов О.П., Марковский А.В. Поиск в массиве цифровых изображений на основе квазиголографического расщепления образов // Материалы Четвертого российско-украинского научного семинара «Интеллектуальный анализ информации. ИАИ-2004».  2004.  Просвiта. Киев.  с.129-135.



[Малинецкий et al, 2005] Малинецкий Г.Г., Митин Н.А., Науменко С.А. Нанобиология и синергетика. Проблемы и идеи ИПМ им. М.В.Келдыша РАН. М., 2005

http://www.keldysh.ru/papers/2005/prep29/prep2005_29.html



[Пенроуз, 2003] Пенроуз Р. Новый ум короля: О компьютерах, мышлении и законах физики: Пер. с англ. /Общ.ред. В.О.Малышенко. – М.: Едиториал УРСС, 2003. – 384с.

[Пенроуз, 2005] Пенроуз Р. Тени разума: в поисках науки о сознании. – Москва-Ижевск: Институт компьютерных исследований, 2005. – 688 с.

[Пирожников, 1983] Пирожников Л.Б. Что такое голография? – М.: Московский рабочий, 1983.

[Поспелов, 1998] Поспелов Д.А. Метафора, образ и символ в познании мира // Новости искусственного интеллекта. – 1998. – №1. с. 94-114

[Прибрам, 1975] Прибрам К. Языки мозга. – М.: Прогресс, 1975.

[Роуз, 1995] Роуз C. Устройство памяти. От молекул к сознанию. – М.: Мир, 1995.

[Серл, 1990] Серл Д. Разум мозга – компьютерная программа? // В мире науки. – 1990. – №3. – с. 7-16.

[Чайлахян, 2001] Чайлахян Л.М. Искусственный интеллект и мозг (можно ли моделировать мозг средствами искусственного интеллекта) // Новости искусственного интеллекта. – 2001. – №4. с. 29-43

[Шредер, 2005] Шредер М. Фракталы, хаос, степенные законы. – Ижевск: НИЦ «Регулярная и хаотическая динамика», 2005, 528 с.

1 344007, Ростов-на-Дону, ул. Береговая, 21/2, АзНИИРХ, zhilyakov@aaanet.ru


Скачати 130.67 Kb.

Поділіться з Вашими друзьями:




База даних захищена авторським правом ©shag.com.ua 2022
звернутися до адміністрації

    Головна сторінка