Как бы там ни было, давайте начнем с минимальной оценки. Мы знаем, что каждый человек знает тысячи слов, и можно с уверенностью предположить, что обычное слово связано в наших умах, пожалуй, с тысячей других единиц памяти. Это означает, что языковая система человека может иметь порядка нескольких миллионов ссылок. Точно так же, если взять физическую плоскость, каждый из нас знает тысячи видов предметов, и, как правило, каждый из них связан с тысячей других предметов и действий. Так же и в социальной плоскости: вы, скорее всего, знаете тысячи вещей о сотне людей и сотни вещей о тысяче людей.
Это говорит о том, что в каждой важной плоскости человек может знать, пожалуй, несколько миллионов вещей. Но, хотя легко представить себе десяток таких плоскостей, сотню насчитать будет уже куда сложнее. Все это наводит на мысль, что для того, чтобы машина могла рассуждать по-человечески, ей потребуется лишь порядка нескольких сотен миллионов единиц знания
[60].
Читатель: Возможно, и так, но я слышал рассказы о феноменальных возможностях памяти. Как же люди с фотографической памятью, которые могут заучить книгу дословно, прочитав ее лишь раз? Не может ли быть, что все мы до некоторой степени запоминаем все, что с нами происходит?
Кто же не слышал подобных историй; однако обычно, пытаясь исследовать их, мы не находим источника или же обнаруживаем, что это был трюк, выполненный напоказ. Иногда можно встретить человека, который запомнил содержимое нескольких довольно больших книг, но я не слышал ни об одном достоверном случае того, чтобы кто-то запомнил сотню
[61]. Вот что сказал один психолог о человеке, который, как считалось, обладал потрясающей памятью:
Почти тридцать лет [я] систематически наблюдал за человеком, чья замечательная память… фактически была неисчерпаема… Ему было безразлично, предъявлялись ли ему осмысленные слова или бессмысленные слоги, числа или звуки, давались ли они в устной или в письменной форме; ему нужно было лишь, чтобы один элемент предлагаемого ряда был отделен от другого паузой в три-четыре секунды… И он также мог повторить его… через пятнадцать лет, по памяти.
Александр Лурия, 1968
Этот феномен может показаться замечательным, но на самом деле не является исключительным, потому что Томас Ландауэр [1986] пришел к выводу, что в течение сколько-нибудь длительного промежутка времени ни один из наблюдаемых не мог запоминать новую информацию со скоростью более двух бит в секунду – в визуальной ли плоскости, в вербальной, музыкальной или любой другой. Итак, если объекту исследования Лурии требовалось несколько секунд на одно слово, значит, производительность его памяти соответствовала оценке Ландауэра
[62].
Ученик: Такое утверждение меня смущает. Я согласен с тем, что оно может быть верным в отношении высокоуровневых знаний, но сенсорные и моторные навыки наверняка основаны на гораздо большем количестве информации.
У нас нет надежного способа измерять подобные феномены, а попытки оценить их вызывают нелегкие вопросы о том, как хранятся и как связаны эти фрагменты знаний. Тем не менее нет веских доказательств того, что хоть один человек когда-либо вышел за те границы, которые очерчивает исследование Ландауэра
[63].
В главе седьмой мы обсудим, как люди организуют знание таким образом, что при неудаче с одним из процессов им обычно удается найти альтернативу. Но сейчас переменим тему и задумаемся о том, как можно наделить машину теми знаниями, которыми обладают люди.
Возможно ли создать машину-младенца?
Это давно и широко известная мечта: создать машину, которая поначалу будет учиться простыми способами, а затем начнет развивать в себе более сложные – и так до тех пор, пока не станет разумной.
Предприниматель: Почему бы не построить «машину-младенца», которая всему, что ей нужно, научится на собственном опыте? Дайте роботу сенсоры и двигатели и запрограммируйте его, чтобы он мог учиться, взаимодействуя с реальным миром – так, как это делают человеческие дети. Он может начать с простых схем вида «если ® то», а уж потом вывести более сложные.
На самом деле уже появлялось несколько реальных проектов с такой целью, и каждая из их систем сначала развивалась, но в конечном итоге прекращала свое обучение
[64]. Подозреваю, обычно это происходит потому, что программе не удается разработать новые надежные способы репрезентации знаний. В самом деле, изобретение качественных методов представления знаний уже давно является одной из важнейших задач информатики. Однако, даже когда такие способы появляются, их редко начинают сразу же широко применять, поскольку необходимо также наработать навыки для эффективной работы с ними. И поскольку развитие таких навыков требует времени, пользователям придется терпеть достаточно долгие периоды, в течение которых производительность не повышается, а понижается
[65] (см. разделы 6.7 и 9.4). Так или иначе, но пока еще не существует машины-младенца, которая умела бы непрерывно разрабатывать новые эффективные типы репрезентаций.
Еще одна проблема с «машинами-младенцами» заключается в том, что если система будет заучивать новые правила слишком неосмотрительно, то, скорее всего, накопит много бесполезной информации, отчего пострадает ее производительность. В разделе 8.5 утверждается, что, если обучение не осуществлять выборочно, путем присвоения соответствующих коэффициентов релевантности, из большей части своего личного опыта машина не сумеет выудить необходимой информации.
