Книга Метамышление. Как нейронауки помогают нам понять себя, страница 98 – Стивен М. Флеминг

Чтобы Вал начала воспринимать окружающий мир, можно подключить все пиксели ее цифровой камеры к входному слою глубинной нейронной сети. Затем поочередно включать каждую из лампочек и обучать выходные слои сети классифицировать свет как синий или зеленый. При обеспечении корректирующей обратной связи (как мы сделали бы это с малышом, который учит названия окружающих его предметов) веса между слоями сети Вал постепенно отрегулируются таким образом, что она уверенно станет воспринимать синий свет как синий, а зеленый – как зеленый.

У такого обучения есть любопытный побочный эффект. Как только сеть научится классифицировать составляющие окружающей среды, ее элементы начнут реагировать на схожие признаки. В случае Вал, после того как она научилась различать синий и зеленый свет, некоторые нейроны в ее мозгу стали сильнее активизироваться в ответ на зеленый, а другие – на синий. Эти шаблонные реакции на внешний мир называются репрезентациями окружающей среды. Репрезентация – это нечто внутри когнитивной системы, что «отслеживает» или «отражает» тот или иной аспект внешнего мира. Например, можно сказать, что пейзаж является «репрезентацией» природы. Репрезентации важны для осознания вычислительной способности мозга. Если нечто внутри моей головы может сгенерировать представление о домашней кошке, то я смогу разобраться и в том, что она приходится родственницей льву и что вместе они принадлежат к крупному семейству животных, известному как кошачьи^[251].

Вероятно, не случайно эффективные искусственные сети классификации изображений по своей организации напоминают иерархию человеческого мозга. На нижних слоях располагаются нейроны, которые обрабатывают лишь небольшие части изображения и отслеживают такие особенности, как направление линий или различие между светом и тенью. На высших слоях расположены нейроны, обрабатывающие все изображение целиком и генерирующие репрезентации деталей изображенного объекта (например, содержит ли он черты, характерные для кошки или собаки). Нейробиологи продемонстрировали, что именно такое развитие событий – от вычисления локальных особенностей к созданию репрезентаций более глобальных свойств – наблюдается в вентральном зрительном потоке мозга человека и обезьяны^[252].

Более масштабные версии такой архитектуры могут быть крайне эффективными. Объединив искусственные нейронные сети и обучение с подкреплением^[253], лондонская технологическая компания DeepMind привела свои алгоритмы к успеху во множестве настольных и компьютерных игр, причем машину предварительно не знакомили с правилами. В марте 2016 года разработанный DeepMind передовой алгоритм AlphaGo победил Ли Седоля, чемпиона мира по игре го и одного из величайших игроков всех времен. В го игроки по очереди расставляют свои камни на пересечениях сетки 19 × 19 с целью окружить или захватить камни друг друга. По сравнению с шахматами количество возможных позиций на доске го колоссально и превышает предполагаемое число атомов во Вселенной. Тем не менее, играя против самой себя миллионы раз и обновляя свои предсказания о ценности ходов в зависимости от достигнутого результата, AlphaGo достигла сверхчеловеческого мастерства в игре, которая считается настолько изощренной, что когда-то была одним из четырех основных навыков, которыми должны были владеть китайские аристократы^[254].