Text
                    МММММ КИБЕРНЕТИКА ММ
Б. В. БИРЮКОВ
И.Б.ГУТЧИН
МАШИНА
И ТВОРЧЕСТВО
Настоящая серия печатается по рекомендации IX Международного Совещания руководителей научно-технических издательств социалистических стран (июнь 1975 г.). В серии участвуют:
Издательство «Радио и связь» (СССР)
Издательство технической литературы (ВНР) Издательство «Техника» (ГДР)
Издательство научно-технической литературы (ЧССР)
КИБЕРНЕТИКА •
Б. В. БИРЮКОВ И.Б. ГУТЧИН
МАШИНА И ТВОРЧЕСТВО
РЕЗУЛЬТАТЫ, ПРОБЛЕМЫ, ПЕРСПЕКТИВЫ
МОСКВА
«РАДИО И СВЯЗЬ» 1982
Scan AAW
ББК 32.81
Б64
УДК 616.831.031.84.07
Бирюков Б. В., Гутчин И. Б.
Б64	Машина и творчество. Результаты, проблемы, перспекти-
вы. — М.: Радио и связь, 1982. — 152с., сил. (Кибернетика)
55 к.
Обобщаются и анализируются отечественные и зарубежные исследования по кибернетическому моделированию элементов творчества в науке, технике и искусстве. Рассматривается ряд актуальных проблем, возникающих при проведении исследований на стыке кибернетических дисциплин, технических и гуманитарных знании. Выступая против крайностей в оценке возможностей кибернетического моделирования творчества, авторы вместе с тем показывают реальные его перспективы и гносеологическое значение.
Для широкого круга специалистов, интересующихся проблемами кибернетики.
1502000000 - 192
046 (01) - 82
121-82
ББК 32.81 6ФО.1
Рецензенты: акад. АН ГССР В.В. Чавчанидзе, чл.-корр.
АН СССР Т.Н. Заславская, канд. техн, наук Г.Н. Поваров
Редакция литературы по кибернетике и вычислительной технике
© Издательство ’’Радио и связь”, 1982.
I. КИБЕРНЕТИКА И ПРОБЛЕМЫ ИНТЕЛЛЕКТА И ТВОРЧЕСТВА
ВМЕСТО ВВЕДЕНИЯ
Цивилизация — позднее событие человеческой истории. Как было сказано на Советско-американской конференции по связи с внеземными цивилизациями в Бюракане (1971 г.) : ’’Если принять, что человек существует в течение суток, то цивилизация пришлась бы только на последние минуты этих суток” [1, с. 85]. Подобная же картина возникает, если взглянуть на человеческий прогресс в эпоху цивилизации. Мы увидим тогда, что резкое ускорение научно-технического развития происходит в последние десятилетия. Об этом свидетельствуют сроки, которые заняло внедрение в производство и быт таких изобретений и открытий, как телефон (50 лет), радио (35 лет), ядерное горючее (5 лет), транзисторы (3 года), интегральные схемы (2 года) [2]. Такое лавинообразное нарастание новых идей, теорий, машин и ’’вещей” (в самом широком смысле этого слова) связано с качественным скачком, интенсивно происходящим в наше время. Имя ему — научно-техническая революция.
Важнейшей составляющей этой революции — с позиции тех проблем, которые образуют содержание настоящей книги, — является конструирование и использование машин, которые, следуя установившейся терминологии, мы будем называть кибернетическими, обладающими ’’искусственным интеллектом”, "искусственным разумом” (разумеется, в метафорическом смысле этих слов). Открывая II Международное совещание по искусственному интеллекту, проходившее в пос. Репино (под Ленинградом) в октябре 1980 г., председатель его оргкомитета Г. С. Поспелов отметил, что ’’под искусственным интеллектом (ИИ) понимается наука о том, как заставить машину делать то, что умеет делать умный человек” [3, с. 4].
А что умеет делать ’’умный человек”? — Создавать новое, открывать неизведанное, конструировать ранее не существовавшее. Прогнозировать, планировать, управлять сложными процессами и системами. Создавать ’’искусственную среду” культуры — материальной и духовной. Словом — творить.
3
Вот почему творчество вынесено в заголрвок этой книги: нас будет интересовать вопрос, что же из творческих процессов — хотя бы частично — может быть передано ’’кибернетическим усилителям” человеческого разума, ’’усилителям”, которые человек использует в своей исследовательской, технологической, организационной и управляющей деятельности.
С точки зрения задач данной книги важно отметить, что содержательные творческие проблемы в самых разнообразных областях имеют много общего — как в постановке задач, так и в методах их решения. Г. С. Поспелов [4] выделяет такие общие задачи, как задачи распределения и назначения, управления запасами; проблемы надежности и замены оборудования; массового обслуживания и автоматического управления процессами; упорядочения объектов и согласования решений; диагностики и поиска; формирования сетей элементов и выбора маршрутов в них; ведение торговых состязаний и разрешение конфликтов и пр. Овладение ими предполагает привлечение средств целого комплекса математических теорий, моделей и методов. К ним относятся линейное и нелинейное, дискретное, динамическое и стохастическое программирование, теория случайных (в том числе марковских) процессов, дифференциальные и разностные уравнения, теория игр и статистических решений, теория распознавания образов, теория графов, теория
автоматов, математическая логика и многое-многое другое.
Одна из схем решения отмеченных
Рис. 1
задач на базе кибернетических машин — ЭВМ показана на рис. 1 а, б. В настоящее время ’’конечный пользователь”, т. е. специалист в данной конкретной области, чтобы обратиться к ЭВМ, вынужден действовать через цепочку иного рода специалистов. Прежде всего это алгоритмист,т.е. человек, разбирающийся в содержательной деятельности конечного пользователя, понимающий его проблемы и разрабатывающий в меру этого понимания соответствующую математическую модель. Работая с мо-
делью, алгоритмист разрабатывает алгоритм, который передается программисту. Составленная последним программа поступает к оператору, непо
средственно работающему с ЭВМ. После того, как вычислительная машина
закончит счет и выдаст распечатку, полученный результат анализируется алгоритмистом, который интерпретирует его в терминах, понятных для ко
нечного пользователя.
Г. С. Поспелов убедительно показывает, что обозримой целью работ в области ИИ является исключение из схемы 1а всех промежуточных звеньев, находящихся между конечным пользователем и ЭВМ. Общаясь с машиной через терминал (рис. 16) в интерактивном диалоговом режиме на естественном языке, конечный пользователь, не владеющий какими-либо языками программирования, сможет тоща решать свои проблемы минуя посредствующие звенья, удлиняющие, замедляющие, а иногда и просто исключающие возможность решения актуальных задач исследования, планирования и управления сложными системами и процессами.
Конечно, мы еще далеки от такого радикального решения основных проблем ’’искусственного интеллекта”. Предварительно наука и техника должны овладеть многими другими задачами более частного характера и в числе их формализация смысловых (семантических) категорий, создание больших баз данных вычислительных и информационных систем; а это требует разработки соответствующих языков представления знаний как внутренних знаковых систем ИИ, на которых строятся смысловые модели ’’внешнего мира” и происходит решение относящихся к этому ’’миру” сложных задач.
Но одно видно совершенно ясно: под тем, что называют искусственным интеллектом, употребляя это выражение в кавычках или без них (как будем поступать и мы), кроется общая проблема резкого упрощения общения человека с вычислительными системами на пути развития ’’семантических формализмов” — проблема преодоления барьера, возникающего из-за того, что мыслим мы, используя естественный язык, а с ЭВМ работаем на упрощенном, искусственном, специально для этой цели придуманном языке (языках) программирования. А зачем надо преодолевать этот барьер? — Чтобы эффективно использовать ЭВМ и их системы в человеческой деятельности. Такое использование диктуется нуждами практики. Без применения все более мощной вычислительной техники немыслим поиск принципиально новых подходов к множеству задач, относящихся к оптимизации технологического, энергетического, сырьевого, водного и т. п. балансов регионального и глобального порядка. Решение задач такого масштаба - задач, с которыми человечество сталкивается все более непосредственно и остро, — непосильно для ничем не вооруженного человеческого интеллекта. Таков тот контекст практики, который придает столь большое значение научному направлению, названному одним из его творцов, Н. Винером, кибернетикой. Последний определил эту науку как аналитическое изучение структуры сообщений в организмах, механизмах и сообществах.
Кибернетика, по сути дела, не строго определенная наука, а скорее ’’общая рамка” и принципиальная установка на изучение информационных свойств систем различной природы и протекающих в них процессов управления, причем на такое изучение, которое производится средствами математи
5
ческого и математико-логического аппарата и широко использует современную электронную автоматику. О кибернетике естественно также говорить как о комплексном научном направлении, изучающем наиболее общие закономерности, по которым происходит временное, местное убывание энтропии*, связанное с функционированием сложных систем, впервые появившихся на Земле вместе с жизнью. В рамках кибернетики и входящих в нее дисциплин (теория программирования для ЭВМ, теория автоматов, теория алгоритмов, исследование операций и пр.) создаются машины принципиально нового типа — машины, перерабатывающие не энергию и не вещество, а информацию. На этой основе ставится и решается принципиально новая для науки проблема — проблема моделирования и ’’усиления” человеческого мышления.
Можно выделить различные аспекты мыслительных процессов: их нейро-динамическую основу, психологическую сторону, информационно-логический аспект, социальную природу. Кибернетика занимается только одним из них, а именно, аспектом, касающимся информации, дедуктивной формальной логики и эвристики, — в той мере, в какой они поддаются формализации. Следовательно, кибернетические машины ’’воссоздают” — не забудем кавычки! — не мышление в целом, а лишь одно из его проявлений, которое, тем не менее, в некоторой (как мы увидим, неизбежно ограниченной) области представляет конечный результат этого процесса: ’’разумное” (что бы ни понимать под этим словом) решение поставленных задач. И если эти решения с точки зрения некоторых существенных критериев эффективнее человеческих, это означает машинное вооружение разума.
По нашему убеждению, суть переживаемой ныне научно-технической революции во многом состоит в процессе ’’автоматизации” человеческого интеллекта (опять не забудем про кавычки), процессе разработки ’’искусственного разума” (что бы под этим ни понимать, об этом — позже), процессе ’’дополнения” человеческого мозга, человеческой мысли орудиями умственного труда ’’нечеловеческой” мощности. Такое ’’дополнение” необходимо для обработки тех гигантских массивов информации, которые надлежит принимать во внимание при оптимизации решений в самых различных областях.
Разумеется, кибернетика — не панацея. И не во всех проблемах, с которыми сталкивается человечество, есть кибернетическая составляющая. Но там, где она есть, ее надлежит учитывать — и использовать — в полной мере. В чем же она состоит?
МОДЕЛИРОВАНИЕ
Хотя кибернетику естественно считать не отдельной наукой, а комплексным научным направлением, она, как и всякая научная область, имеет свой
* Энтропию можно понимать как количественную меру неопределенности состояния системы; как меру хаоса, дезорганизации некоторой структуры [5, с. 583 — 585].
6
предмет исследования, свои принципы и специфические методы. Отметим некоторые из них, имеющие непосредственное отношение к теме книги — моделированию элементов творчества.
Известно, что человек, в отличие от кибернетической машины, есть биологическое существо. Но он также — и прежде всего — существо еще и социальное. Однако, будучи социальным ( и биологическим) существом, он есть вместе с тем и физическое существо — в том смысле, что его ’’функционирование” подчинено, в качестве необходимого, но, конечно, не достаточного условия своего бытия, законам физики (которые не могут нарушаться). Существует даже крайний взгляд, выраженный в словах: ’’Нет основания предполагать, что живая материя управляется другими законами, чем неживая материя, и имеются серьезные основания думать, что все в поведении живой материи может быть теоретически объяснено в терминах физики и химии” [6, с. 70].
Мы не будем обсуждать здесь этот спорный взгляд. Совсем недавно его с новой силой подчеркнул нобелевский лауреат М. Эйген, автор далеко продвинутой физико-химической (и информационной) концепции пред биологической самоорганизации макромолекул—концепции, претендующей на то, что она подводит под теорию естественного отбора ’’точную” основу. Заметим только, что его можно согласовать со взглядом, согласно которому биологическое в определенном смысле все же не ’’сводимо” к физико-химическому. Как писал советский биофизик М. В. Волькенштейн, биология ”не сводима к физике и химии в том смысле, что биологические законы действуют только в живой природе и имеют интегральный характер по отношению к более простым физическим и химическим закономерностям” [7, с. 18]. И, кроме того, нет никакой гарантии, что существующей физики достаточно для объяснения био- (и тем более, психо-) феноменов.
Но о какой бы физике ни шла речь - о существующей или будущей — очевидна ее важность для объяснения процессов жизни. А ныне ясно, что к физике (и химии) надо добавить еще и кибернетику. Ибо последняя изучает ’’управленческий” и, следовательно, информационный и информационнологический аспект человеческой деятельности. Этот аспект может быть, в определенном смысле, ’’физически отделен” от человека и - хотя бы частично — передан машине. Поэтому утверждение, что человек — даже рассматриваемый лишь как биологический организм — осуществляет нечто (только!) по законам физиологии, а ЭВМ — (только!) по законам электродинамики, неверно. Существуют такие законы, которым подчинены как информационно-логические процессы, протекающие в мозге человека, так и процессы, реализующиеся в контурах электронной цифровой вычислительной машины; законы эти — в той же степени не законы биологии, в какой - не законы электродинамики. Ибо выражают они совершенно другие принципы — прин
7
ципы переработки информации и управления, т. е. то, что исследуется в кибернетике. Эти принципы — объективны в том смысле, что не ’’придуманы” наукой, а лишь открыты ею: они характерны длЯ систем высокой сложности.
Основным методом кибернетики является метод моделирования. Слово модель (от французского module — образец) не ново. Под ним обычно понимали условный образ какого-либо объекта. Моделью называли и плюшевого медвежонка, и систему дифференциальных уравнений, и аналоговую электронную машину, и многое, многое другое... Однако понятие ’’моделирование” в кибернетике несет в себе новый познавательный смысл. Если ”доки-бернетическая” наука обычно пользовалась экспериментально-наблюдательным и абстрактно-логическим методами, то появление кибернетики ознаменовало собой утверждение приема познания, отличного от упомянутых выше,— метода моделирования, в своей реализации опирающегося на главное техническое средство кибернетики — ЭВМ. Модели служат средством изучения оригинала: модель должна быть такова, чтобы знания, извлеченные при ее изучении (в частности и в особенности экспериментальном), можно было перенести на оригинал.
Следуя Н. Нюбергу, под моделью мы будем понимать систему, не отличимую от моделируемого объекта в отношении некоторых свойств, полагаемых ’’существенными”, и отличную от него по всем остальным свойствам, которые полагаются ’’несущественными”; при этом отсутствие в модели ’’несущественных” элементов не менее важно, чем присутствие в ней ’’существенных” [8].
Разумеется, всякая модель отражает только определенные аспекты,или моменты ’’реальности” — оригинала. Но кибернетика вкладывает в понятие модели нечто большее: модель — это система, соответствие которой оригиналу может быть выражено в точных математико-логических терминах изо-и гомоморфизма.
Введем некоторые определения. Рассмотрим три свойства, которыми может обладать произвольное двучленное (бинарное) отношение: рефлексивность, симметричность и транзитивность. Бинарное отношение R называется рефлексивным, если для любого объекта х (некоторой предметной области X) верно, что он находится в отношении R к самому себе: xRx. Например, любой материальный предмет равен по массе самому себе. Отношение (бинарное) R называется симметричным, если для любых предметов х, у (области X) при выполнении отношения R для пары <х, у> это же отношение выполняется и для пары <у, х>, т. е. если из xRy следуетyRx. Например, симметричным является двучленное отношение ’’быть похожим”, определенное на области людей: если человек х похож на человека у, то, значит, и у похож на х. Другой пример - (бинарное) отношение ”х есть брат или сестра у” (определенное на той же предметной области): из того, что х есть брат или сестра у, следует, что у есть брат или сестра х. Наконец, отношение R называется транзитивным, если для любых х, y,zOf: xRy nyRz влекутxRz.Транзитивным является отношение ’’больше” в обычной арифметике: если х>у, а у>г,то x>z.
8
Не всякое бинарное отношение обладает этими свойствами. Так, отношение ’’враждовать” не рефлексивно, не симметрично и не транзитивно; отношение ’’брат” не рефлексивно (о человеке нет смысла говорить как о брате самого себя) и не симметрично (так как если х есть брат у, то у может оказаться не братом, а сестрой человека х), но транзитивно: если х и у, а также у и z - братья, то братья и хи z. Если же мы возьмем такое важное бинарное отношение, как отношение сходства (подобия), то увидим, что оно, будучи рефлексивным (каждый предмет похож на самого себя) и симметричным (для сходства безразлично, в каком порядке берутся сравниваемые объекты) , не является транзитивным: если предмет х похож на у, а у похож на z, то отсюда в общем случае не следует, что х похож на z: сходство предметов в парах и <Су, z > может иметь место по разным признакам, так что у х и z окажется очень мало или вообще ничего общего.
Всякое бинарное отношение, обладающее свойствами рефлексивности, симметричности и транзитивности, является отношением типа равенства (эквивалентности). Таковыми являются разнообразные отношения равенства чисел, фигур, функций и т. п. в математике; отношение равенства по весу между материальными телами; равенства по возрасту между людьми, и т. д. Важным частным случаем отношений типа равенства является отношение изоморфизма (или просто изоморфизм).
Мы не будем приводить здесь строгого определения изоморфизма (так же как и более общего отношения гомоморфизма), а отошлем читателя к статье ’’Изоморфизм” в ’’Философской энциклопедии” [9], но опишем суть этого отношения как отношения между объектами (системами, множествами элементов), имеющими одинаковую структуру. А именно, системы А и В изоморфны, если между их элементами можно установить взаимно-однозначное соответствие таким образом, что любое отношение или свойство в системе Л, имеющее место между какими-то ее элементами, однозначно ’’переводится” в некоторое отношение или свойство системы В между соответствующими ее элементами, и, кроме того, имеется аналогичный обратный однозначный перевод отношений (свойств) в системе В в отношения (свойства) в системе А. Например, если рассматривать некоторую династию правителей (например, Рюриковичей, княживших в Киевской и Московской Руси) только с точки зрения отношения родства (т. е. двучленного отношения ’’князь х есть сын князя у ”), то между родом князей Рюриковичей и соответствующей генеалогической таблицей установится отношение изоморфизма. Другой, более близкий кибернетике пример - отношение изоморфизма между множеством высказываний вида ”Через контакта (контакт Ь, контакт сит. д.) проходит электрический ток” и множеством контактов а, Ь, с,... относительно свойства истинности высказываний и отношений, возникающих между ними в результате применения операций конъюнкции (логический союз ”и”) и дизъюнкции (логический союз ’’или”), с одной стороны, и свойства проводимости электрической схемы, состоящей из контактов, а также отношений последовательного и параллельного соединения контактов (схем) -с другой.
Изоморфизм - и гомоморфизм, представляющий собой бинарное отношение, частным случаем которого является изоморфизм, - лежит в основе моделирования. Именно, можно говорить об изоморфных, гомоморфных и иных более сложных типах моделей, основанных на отношениях, определяемых через отношения изо- и гомоморфизма и их обобщения. Поэтому, прежде чем говорить детальнее об отношении ’’быть моделью”, т. е. о бинарном отношении ’’объект (система) х есть модель объекта (системы) >>”, отметим, чем отношение гомоморфизма отличается от отношения изоморфизма. Если из определения изоморфизма, как оно описано выше, удалить обратную однозначную переводимость отношений в системе В в отношения в системе А, то мы получим
9
гомоморфное отношение: В гомоморфно А (но А в общем случае не гомоморфно/?); при этом В называют гомоморфным образом А. Отношение гомоморфизма, будучи рефлексивным и транзитивным, не является симметричным. Всякий изоморфизм, как нетрудно усмотреть, является гомоморфизмом. Его также можно понимать как ’’гомоморфизм в обе стороны”: х изоморфно у тогда и только тогда, когда х гомоморфно у, а у гомоморфно х.
Одно из достаточно общих определений отношения ’’быть моделью” мы получаем тогда [10], когда отношение ”х есть модель у” определяется следующим образом: существуют такие объекты (системы) zx и z2, что z± гомоморфна х, z2 гомоморфна у, a z 1 и z2 между собой изоморфны. Это определение делает х и у равноправными, так как отношение ’’быть моделью” оказывается симметричным и у нас нет оснований для предпочтения какой-либо системы — х или у — в качестве модели (считая другую моделируемым объектом). Это означает, что так понимаемое отношение ’’лесть модель у” есть отношение типа эквивалентности. Между прочим, отсюда следует ’’наследуемость” свойства системы быть моделью некоторой другой системы: в силу транзитивности модель некоторой системы тоже является моделью этой системы.
В частном случае х может совпадать с z j, а у - с z 2. Тогда мы получаем важный частный случай изоморфных моделей. Именно такой пример был рассмотрен нами выше: логика высказываний типа ”Через контакт а проходит электрический ток” с операциями & (конъюнкция) и V (дизъюнкция) есть модель системы контактов, допускающих последовательное и параллельное соединение; можно сказать и наоборот: последовательно-параллельные схемы электрических сетей моделируют упомянутый выше фрагмент логики высказываний.
Изоморфные модели мы получим и в случае, если между х и z х, а также между у и z2 не будет совпадения, но будет отношение изоморфизма: тогда транзитивность отношения изоморфизма позволит нам заключить об изоморфизме хи у. Однако, если одно из отношений - между х и z j или между х и z 2 - является отношением гомоморфизма (но не изоморфизма), тогда мы имеем дело с гомоморфной моделью. Пусть z 2 (только) гомоморфна у, a z j изоморфна х (или же совпадает с х-> могут совпадать также и z 1 и z2) ; тогда, как очевидно, х будет гомоморфным образом у. Гомоморфные модели составляют самый важный для кибернетики класс моделей; впрочем, это утверждение можно распространить и на более общий класс моделей, возникающих, когда рассматривается еще более общее, чем гомоморфизм, отношение, появляющееся в результате того, что взаимно-однозначное соответствие отношений (свойств), определенных для систем А и В, заменяется многооднозначным отношением для упомянутых отношений (свойств).
Для любых реальных (физически реализованных или мыслимых таковыми, не абстрактных) систем отношение изоморфизма есть всегда идеализация. Изоморфизм имеет смысл рассматривать только относительно некоторых фиксированных наборов свойств и отношении сравниваемых систем А и В — таких, как участок поверхности Земли с заранее оговоренными объектами (города с таким-то числом жителей, дороги с таким-то покрытием и т. п.) и ее специализированные (геологические, метеорологические, этнографические) карты; симфония и ее запись на грампластинке; коллектив предприятия, рассматриваемый только с точки зрения оплаты труда его членов, и ведомость на зарплату; животное, взятое только с точки зрения его внешних зрительно воспринимаемых свойств, и его чучело, и т. п. Таким Ю
образом, если решен вопрос, какой из двух объектов, А и В, считается моделью, а какой — его прототипом, то изоморфизм выступает как отображение, сохраняющее в модели интересующие нас свойства оригинала. Особо важный (с методологической точки зрения) пример изоморфизма являет собой соответствие между некоторой областью реальной действительности, в которой четко выделены ее существенные элементы (предметы, свойства и отношения), и описывающей эту область формальной системой.
Изоморфизм представляет собой некий идеальный, предельный случай более обычного и более распространенного отношения гомоморфизма. В гомоморфной модели, как мы говорили, выпадает свойство симметричности, вследствие чего модель (в качестве которой фигурирует гомоморфный образ) и оригинал становятся неравноправными: модель проще оригинала, и отношение ’’быть моделью” оказывается не отношением типа равенства (эквивалентноеги), а отношением сходства, или толерантности; реализуется идея не тождества, а всего лишь подобия.
Гомоморфизм — это ’’приблизительный” изоморфизм, изоморфизм (как его назвал один исследователь) ”с беглого взгляда”, изоморфизм в сумерках. ’’Чего-то не заметил? — очень может быть. Но ничего не придумал”. На ’’гомоморфной” (т. е. обычной черно-белой) фотографии темно-красное платье можно спутать с черным, а желтое с белым. Но все-таки — не белое с черным. В отличие от точного, протокольного воспроизведения объекта, гомоморфная модель дает лишь приблизительное представление о нем.
Главное в гомоморфных моделях сводится к свертыванию всей доступной нам информации об исследуемых процессах, объектах, явлениях, содержащих множество второстепенных, не существенных данных, в гораздо более компактную, удобообрабатываемую и обозримую форму. Форма эта может быть очень различной. Так, существуют физические модели (на них производится натурное моделирование), но имеются и модели ’’идеальные”, информационные. Последние представляют собой определенным образом организованные системы абстрактных объектов, мыслимых человеком, запечатленных в создаваемых им документах или в закодированном виде заложенных в память ЭВМ.
Важно отметить, что модель является не окончательным результатом исследования, а лишь отправной точкой для анализа ее поведения с целью получения знаний о моделируемом явлении—прототипе. Ибо главная ценность модели заключается в том, что на ней можно экспериментировать так, как этого нельзя сделать на ее прообразе. В кибернетике такое экспериментирование происходит прежде всего с машинными моделями — моделями, представленными в формальной математической форме и введенными в виде задачи, подлежащей решению на ЭВМ.
Если ’’уподобить” мозг вычислительной машине, то можно сказать, что
11
мозг служит для создания моделей действительности, реализуемых в виде сложной системы связей между нервными клетками - нейронами. Прежде чем сознательно (или подсознательно) принять самое пустяковое решение, человек каким-то нам еще мало понятным способом экспериментирует с ’’моделью реальности” и в зависимости от результатов такого мысленного ( как говорят — ’’ментального”, от латинского mens — ум, рассудок) эксперимента, проводимого на ’’универсальной модели” окружающей его действительности, принимает соответствующее (не всегда осознаваемое!) решение. Если, например, нужно проехать по Москве из пункта Л в редко посещаемый пункт Б, то делается прикидка видов транспорта, числа пересадок, денежных затрат и ресурсов времени, транспортных удобств и т. п., и только после этого принимается решение, которое в большинстве случаев оказывается близким к оптимальному.
Итак, цель кибернетического моделирования состоит в исследовании и имитации систем в любых — как реальных, так и гипотетических — условиях, часто практически не реализуемых в натурных (физических) экспериментах. Существенно при этом, что кибернетическая модель (не только изоморфная, но и гомоморфная) может давать результат, не только ’’соизмеримый” с поведением моделируемого объекта, но и позволяющий находить такие теоретические или инженерные решения, которые в существенном для исследователя или конструктора аспекте превосходят характеристики моделируемого объекта. Самолет летит ”не так”, как птица, но он моделирует полет птицы, ибо и самолет, и птица подчинены одним и тем же законам природы — законам аэродинамики; однако он не просто моделирует полет — он летит, причем, с человеческой точки зрения, куда эффективнее птицы: с большей скоростью и дальностью; кроме того, он перевозит людей и грузы. Машина, запрограммированная на перевод технического текста на русский язык, не просто моделирует работу переводчика: она переводит, т. е. дает продукцию, печатный текст, да еще со скоростью, за которой не угнаться человеку-переводчику. Правда, выигрыш в одном сопровождается проигрышем в другом. Самолеты в энергетическом плане несравненно ’’расточительнее” птиц, экономичность которых недостижима для современных технических решений. Машинный перевод на свою разработку потребовал очень больших средств, а машинные тексты все еще требуют постредактора-человека.
Машина переводит не так, как человек; и самолет летит не так, как птица. Но результат моделирования дает ’’продукцию” оригинала, как правило, более эффективную по некоторым существенным для человека показателям. Таким образом внутренняя, недоступная для ’’прямого” изучения природа процесса может и не воспроизводиться, но обязательно передается результат этого процесса, внешнее поведение, фйнальное функционирование системы. Это вовсе не значит, что механизм процесса нас не интересует. Нет, науке
12
чрезвычайно важно понять его, но сложные задачи надо решать поэтапно, двигаясь от простого к сложному. Проще промоделировать результат, и большинство работ по кибернетическому моделированию и ’’искусственному интеллекту” идет именно этим путем. Однако решение задачи проникновения в глубинные механизмы процессов переработки информации, происходящие на уровне нейро динамики, восприятия и мышления человека весьма существенно для кибернетики.
Здесь уместно привести литературный пример, иллюстрирующий характерный для кибернетики функциональный подход к решению сложных проблем, в частности проблемы мышления. Один из персонажей сказки А. Волкова ’’Волшебник изумрудного города” — набитый соломой Страшила удручен тем, что у него нет мозгов. Между тем его поведение является совершенно разумным. Более того, в компании своих друзей (девочки Элли, железного Дровосека и др.) он справедливо приобретает репутацию наиболее мудрого существа. Но это не устраивает Страшилу. Он считает, что сходство результатов его деятельности с результатами деятельности людей еще ни о чем не говорит. Вся суть в той штуке, которую люди называют ’’мозгами”. И он обращается к волшебнику изумрудного города Гудвину (оказавшемуся ловким обманщиком) с просьбой дать ему мозги. Естественно, что дать ему ’’человеческие мозги” Гудвин не может, но в отличие от Страшилы он понимает, что в этом нет никакой нужды. Он помещает в голову Страшилы смесь опилок с булавками, и Страшила вполне удовлетворен.
Не будем уподобляться Страшиле. Если мы имеем систему, обнаруживающую в потенциально неограниченной области поведение, которое мы квалифицируем как разумное, то, будучи последовательными, мы должны считать эту систему разумной, именно исходя из ее поведения. Но может ли существовать подобная система, отличная от человека с его мозгом и психикой? Отложим этот вопрос. Займемся подготовкой такого рассмотрения. Мыслительные процессы чрезвычайно сложны. И потому в оценке работ по их моделированию нередко происходит смешение понятий принципиальной возможности, технической осуществимости и практической целесообразности. Авторы этих строк неоднократно писали о необходимости различения упомянутых трех уровней (см., например, [11, с.35]). Здесь мы кратко повторим соответствующие соображения в той их аранжировке, которая дана в только-что упомянутой работе.
’ В проблематике кибернетического моделирования (как и при решении любых других сложных многоэтапных задач) целесообразно различать три уровня. А) Уровень принципиальной возможности (проекта, решения задачи и т. п.). На этом уровне оценка возможности решения проблемы должна исходить исключительно из имеющихся на сегодня научных знаний без учета уровня техники (технологии). Здесь возможно все, что не противоречит
13
уже известным фундаментальным законам природы и основополагающим научным и философским принципам. Подобно тому, как в юридической науке существует понятие ’’презумпция невиновности”, требующее, чтобы пред-ствители закона доказали вину обвиняемого, а не сам он доказывал свою невиновность, — подобно этому в науке имеет право на существование своеобразная презумпция возможности. Она заключается в том, что до тех пор, пока не указаны конкретные, уже известные законы природы и логики, противодействующие решению данной проблемы, она должна быть признана принципиально разрешимой.
Однако не все принципиально достижимое поддается технической реализации. Только получив положительный ответ на первом уровне, можно опуститься на второй. Б) Вторым уровнем является уровень технической реализуемости. Здесь рассматривается вопрос: может ли данная принципиально разрешимая задача получить фактическое решение, скажем, привести к конструированию действующего физического устройства — сейчас или в обозримом будущем; решающую роль при рассмотрении этой проблемы играет нынешний уровень техники и производства; множество задач, не решаемых технически сегодня, возможно, окажутся доступными для решения завтра; но между ’’сегодня” и ’’завтра” здесь надо провести четкую черту и твердо сказать, осуществима ли данная задача технически сегодня. В) Наконец, лишь ответив положительно на возможность решения некоторой задачи на первом и втором уровнях, можно опуститься на третий — уровень практической целесообразности. Здесь решающую роль играют соображения экономики и (возможно) здравого смысла.
Рассмотрим простейший пример. Небольшая компания из десяти человек хотела бы в течение двух выходных дней совершить прогулку по лунным долинам. Что же, на первом уровне задача вполне разрешима — ни один из известных науке законов природы не запрещает реализацию такого проекта. Но второй уровень, увы, говорит нам, что при нынешнем развитии техники подобная задача неразрешима. Навсегда? По-видимому, нет. Через какое-то время и технически ее будет возможно решить. Думается, однако, что когда техника уже решит эту задачу, вряд ли она попадет в разряд повседневно реализуемых мероприятий — из-за соображений третьего уровня: в обозримом будущем туристические экскурсии на Луну не будут признаны практически целесообразными.
Но бывает и другой тип проблем. Например, полет через Космос со скоростью, равной или превышающей скорость света в пустоте, невозможен. Ибо он противоречит фундаментальному закону природы, выявленному в рамках физики. Следовательно, незачем нам опускаться на второй — и тем более третий — уровни: нелепо обсуждать техническую осуществимость и
14
тем более практическую целесообразность проекта, принципиально противоречащего одному из законов природы.
В дальнейшем изложении мы постоянно будем опираться на эти три уровня осуществимости, дополненные соображениями о возможном принципиальном значении сложностных ограничений, могущих проявиться на втором уровне. В тех случаях, когда оговорка на этот счет делаться не будет, мы будем иметь в виду первый уровень, или, как его иначе называют, уровень абстракции потенциальной осуществимости. Последняя, согласно А. А. Маркову [12], с ее помощью уточнявшему, фактически, идею принципиальной возможности, состоит в отвлечении от ограниченности человека (и человечества) в пространстве, времени и материалах.
Теперь наши рассмотрения понятия модели дополним литературным примером, заимствованным у Станислава Лема, из его научно-фантастической повести ’’Солярис”. На планете Солярис единственным живым существом является мыслящий океан —, гигантский сгусток высокоорганизованной плазмы, способный материализовать даже самые сильные воспоминания человека. К трем исследователям планеты приходят ’’гости” — не люди и не копии определенных людей, а лишь материализованные океаном проекции того, что относительно данных людей содержал в своей памяти мозг исследователей.
Герой повести Кельвин в первое же утро пребывания на станции ’’Солярис” обнаруживает у себя в комнате Хари — покинутую им много лет назад женщину, тогда же покончившую жизнь самоубийством. Вначале ’’это какая-то упрощенная Хари, сведенная к нескольким характерным обращениям, жестам, движениям”. Она не человек, но действует так, как действовало бы представление Кельвина о Хари, сохранившееся в его памяти. Естественно, что она вызывает у героя чувство омерзения: машина в облике любимого человека, перед которым он бесконечно виновен, — что может быть горше и гаже?
Но остановимся. Здесь уже упомянуты две ’’модели Хари”:
а) идеальная ’’модель”, существовавшая много лет в глубинных тайниках памяти Кельвина. Наличие и непрерывное ’’исследование” таких ’’моделей” — непременное свойство самоорганизующихся систем. Это — одна из ’’внутренних моделей внешнего мира”, экспериментируя с которыми, как можно полагать, организм вырабатывает эффективные воздействия на окружающий мир, служащие достижению тех целей, которые он ставит. Например, у каждого человека в памяти содержится идеальная ’’модель” близких ему людей (из состава семьи, коллег по профессии и др.), и прежде чем обратиться к любому из них, происходит (сознательно, а чаще — подсознательно) разносторонний ’’мысленный эксперимент” по выбору наилучшего варианта поведения. Обращаем внимание читателя, что термин ’’модель” мы здесь впол
15
не сознательно поставили в кавычки: в случае человеческого сознания не очень ясно, как к его элементам могут применяться точные понятия изо- и гомоморфизма, в терминах которых определяется отношение’’быть моделью”;
б) физическая модель женщины по имени Хари — обратите внимание: модель без кавычек, — воссозданная мыслящим океаном планеты Солярис в результате материализации мыслей Кельвина. Процесс, прямо скажем, сугубо фантастический (по крайней мере — на втором упоминавшемся уровне рассмотрения проблемы). Что касается уровня абстракции потенциальной осуществимости (т. е. первого уровня рассмотрения возможностей кибернетического моделирования), то конкретный его аналог рассмотрен Н. Винером в одной из его основополагающих для кибернетики книг [13]. Винер рассматривает два типа связей: материальные (т. е. вещественно-энергетические) перевозки и процессы передачи информации. При этом утверждается принципиальная возможность замены — для определенного рода задач — процессов первого типа вторыми. Действительно, по-видимому, физическое постоянство личности определяется не материалом, из которого она состоит, а известным постоянством процессов и запоминанием организмом последствий своего прошлого развития. ’’Индивидуальность тела есть скорее индивидуальность огня, чем индивидуальность камня, это индивидуальность формы строения, а не кусочка вещества. Эта форма может быть переведена или видоизменена и скопирована” [13, с.110]. Таким образом, идея о возможности путешествий при помощи телеграфа наряду с путешествиями на поезде и самолете не является абсурдной сама по себе, сколь бы далека она ни была от реализации. Основой процесса изменения в этом случае, резюмирует Винер, ’’является не столько передача человеческих тел, сколько передача человеческой информации” (с. 111).
Итак, перед героем повести Лема оказалась внушавшая ему ужас физическая модель Хари как материальный слепок идеальной ’’модели”, хранившейся в его памяти. Но здесь выступает на сцену самое важное свойство физической информационной модели, которое проявляется только в том случае, если модель достаточно сложна: модель Хари начинает учиться, накапливать информацию об окружающем ее мире и постепенно становится личностью. Здесь Лем отобразил реальный феномен бытия: весь ход биоэволюции и социального развития свидетельствует о том, что подлинно существенные и активные явления жизни, обучения и творчества возникают лишь после того, как соответствующие ’’системы” в своей эволюции достигают некоторой критической степени сложности (иллюстрируя этот тезис, Винер приводил примеры ядерного реактора, цепная реакция в котором не начинается, пока активная масса атомного горючего не достигнет критической величины, и бревна, которое не загорается от одной спички [14].
16
’’Муляж”, или (как его называет автор) ’’фантом”, Хари достаточно сложен. И хотя вначале он действует как воспоминание о Хари„ сохранившееся в голове Кельвина, ибо вне почерпнутых оттуда сведений ’’фантом” совершенно пуст, постепенно начинается процесс накопления информации, а с ним — процесс ’’очеловечения” машины. Этот процесс в научном плане — плане принципиальной возможности — совершенно естествен. На немногих страницах с убеждающей силой показано, как машина ’’очеловечивается”; вот это уже умная любящая женщина, желающая добра герою, страдающая от трагического разрыва между машинным телом и человеческой душой. Герою ’’Соля-риса” поначалу непонятна эта трагедия; он не может себе представить, чтобы машина могла желать добра, любить и страдать. И все же отвращение к машине постепенно сменяется подлинной любовью к Хари — человеческой личности, глубокой, мыслящей, любящей, но заключенной в искусственную оболочку.
Здесь уместно провести одну литературную параллель. В письме к Офелии шекспировский Гамлет клянется ей в вечной любви до тех пор, пока ’’эта машина” принадлежит ему. Л. М. Выготский отметил [15, с.245], что английское слово ’’машина” русские переводчики обычно передают словом ’’тело” (только Б. Пастернак перевел: ’’Твой навеки, драгоценнейшая, пока эта махина принадлежит ему”), не понимая, что в этом слове самая суть трагедии Гамлета. Ибо трагедия героя Шекспира - в том, что, будучи человеком, он более не принадлежит себе и, как машина, выполняя свое предназначение, делает не то, что должен был бы делать. ”С момента появления призрака Гамлет отказывается от себя, чтобы ’’творить волю пославшего его” ” [16]:
Но продуман распорядок действий И неотвратим конец пути ...
(Б. Пастернак)
Трагедия Гамлета — это трагедия человека, исполняющего роль машины. Трагедия Хари — это трагедия мыслящей машины, исполняющей роль человека. И поэтому самоубийство Хари-машины у Лема не менее трагично, нежели самоубийство Хари-человека.
МАТЕМАТИКА
Во времена молодости авторов этой книги — в ЗО-е годы — была популярной ’’Неаполитанская тарантелла”. В летние месяцы из открытых окон слышались звуки грампластинок, проигрывавшихся на модных тогда патефонах, и при этом часто раздавались слова песенки: ’’Человеку знать не надо, что такое человек . . .”. — Далекое, милое прошлое. Ныне человек очень хочет знать: что же такое он есть, что есть жизнь, что есть мысль, что
17
есть разум? И бросает на добывание этого знания мощный арсенал современной науки. И в том числе — математику.
Громадное место математики в человеческом познании отмечалось многими мыслителями. ”В каждом знании столько истины, сколько есть математики”, говорил И. Кант. ’’Никакой достоверности нет в науках там, где нельзя приложить ни одной из математических наук, и в том, что не имеет связи с математикой” (Леонардо да Винчи). ’’Книга природы написана на языке математики” (Г. Галилей). ’’Зрелость науки обычно измеряется тем, в какой мере она использует математику” (Л. Стивенс). ’’Если вы в состоянии измерить и выразить то, о чем вы говорите, то вы кое-что об этом знаете; но если вы не можете измерить это и выразить в числах, ваши знания скудны и неудовлетворительны” (лорд Кельвин). ’’Цивилизация насыщена идеями числа и измерения. Даже явления повседневной жизни неразрывно связаны с ними” (Ю. Кендал).
Одно из решающих достоинств математики, благодаря которому математизация знания прогрессивна, неизбежна и желательна, — это способность математики служить источником моделей для отношений, процессов и событий, наблюдающихся в окружающем нас мире. Разумеется, полного соответствия между математическими моделями и эмпирическими ’’переменными” реальности не бывает; для моделирования одних явлений математика пригодна лучше, для других - хуже, для третьих надо создавать какие-то новые математические теории, для четвертых — и создавать нечего: для них математика может быть лишь сугубо вспомогательным орудием. Но здесь для нас важен один фундаментальный тезис: человек не ’’изобретает” — не навязывает природе — математику; природа ’’математична” потому, что, как заметили английские астрофизики Дж. Джинс и А. Эддингтон, человек создает математику ’’под природу”: ’’математическое одеяние скрывает под собой мир”.
Однако степень добротности математического отражения тех или иных феноменов действительности различна. В известном труде Д. Гильберта и П. Бернайса подчеркивается, что ”в науке — если не всегда, то по преимуществу — мы имеем дело с такими теориями, которые отнюдь не полностью воспроизводят действительное положение вещей, а являются лишь упрощающей. идеализацией этого положения, в чем и состоит их значение” [17, с. 25]. Не всегда эта ’’упрощающая идеализация” имеет, так сказать, знак ’’плюс”; подчас — и ’’минус”. По сути дела упрощение — это цена формализации.
Понятие формализации нуждается в особом разъяснении. В самом общем смысле формализация есть уточнение содержания посредством фиксации его формы, понимаемой в самом широком смысле. Например, к формализации в такой ее трактовке можно отнести выработанные в античной скульптуре
18
каноны пропорции обнаженного человеческого тела или современные знаки регулирования дорожного движения. Однако, говоря о формализации, в кибернетике имеют в виду такую фиксацию формы, которая происходит средствами ъатематики и логики. Подобная формализация — будем называть ее математической формализацией — может происходить на двух разных уровнях, различающихся степенью полноты, глубины, исчерпанности уточняемого содержания. Менее глубокий уровень связан с использованием математики как таковой. Формализация на этом уровне производится обычными математическими методами, без строгого ’’препарирования” самого математического языка. На более глубоком — наиболее строгом — уровне формализации язык (и система понятий) математики используется в его формальном виде, обычно связанном с использованием столь же строго построенной (формализованной) логики. Формализация в этом смысле — это представление соответствующей содержательной области в виде формальной системы — алгоритмической схемы или исчисления как системы правил порождения формальных объектов. В последующем изложении, говоря о формализации, мы будем иметь в виду главным образом математическую формализацию, хотя в ряде случаев будут приниматься во внимание и другие смыслы этого термина. Это объясняется тем, что многие теоретические оценки данного познавательного приема справедливы для всех отмеченных выше смысловых оттенков.
Далеко не всякую содержательную область даже ценой существенных усилий можно формализовать таким образом, что упрощение — как цена, выплаченная за формализацию, — не окажется чрезмерным, иначе говоря, таким, что вся работа по построению математической модели (алгоритмического описания изучаемого процесса, формальной системы, выражающей данную содержательную область и пр.) не утратит смысл.
Имея в виду формализацию в ее наиболее глубоком виде, известный специалист по математической логике и основаниям математики С. К. Клини говорил: ’’Если рассматривать картину полностью, то имеются три отдельные и отличные друг от друга ’’теории”: (а) содержательная (informal) теория, формализацией которой служит формальная система, (Ь) формальная система или предметная теория и (с) метатеория, в которой описывается и изучается эта формальная система” [18, с. 63]. Формальные системы, изучаемые в метатеории, обычно выбираются так, что они служат моделями для частей содержательной дисциплины (теории) и получаются из этих частей путем формализации. ’’Формализация сводит развитие теории к форме и правилу. Она устраняет всякую неопределенность в отношении того, что такое предложение теории или что такое доказательство в ней. И вопрос о том, не приводят ли к противоречию те методы, которые были формализованы, а также другие вопросы о действии этих методов должны изучаться в метатеории посредством
19
методов, не подверженных тем же сомнениям, что и методы первоначальной теории ” [там же, с. 62].
В математике, если в ней используется строгая формализация теории, предполагается — на чисто знаковом, или синтаксическом, уровне таковой — полная абстракция от смысла. Это имеет огромное значение для цикла дисциплин, объединяемых термином ’’кибернетика”; требования машинной реализации как раз обусловливают элиминацию смыслов выражений формализованного языка соответствующей математической (кибернетической) модели; современная машина, в отличие от человека, ничего не понимает, и неформальное оперирование со смыслами для нее недоступно.
Пытаясь провести границу между тем, что кибернетика может, и тем, что она не может, нередко ссылаются на известные результаты математической логики и теории алгоритмов, говорящие о внутренней отраниченности формализации. Речь, прежде всего, идет о знаменитой теореме К. Гёделя о неполноте формализованной арифметики (1931 г.). Согласно этой теореме, любая непротиворечивая формальная логико-математическая система, оперирующая конструктивными объектами (об этом понятии ниже), в которой выразима арифметика натуральных чисел, содержит в числе своих предложений такие формулы, которые в ней не могут быть доказаны (и не могут быть опровергнуты) , — содержит неразрешимые предложения. Ссылаются и на другой математико-логический результат — на теорему А. Чёрча (1936 г.) о том, что для логики предикатов принципиально невозможно построить общий метод, позволяющий распознавать, доказуема ли произвольная формула этой логики или нет.
Методологическое значение этих результатов состоит в том, что они обнаружили существование так называемых неразрешимых массовых проблем. В логике и теории алгоритмов под массовой проблемой понимают бесконечный класс научных задач, характеризуемый единым условием, для которого ставится вопрос о построении регулярного предписания (алгоритма), задающего общий метод решения конкретных задач этого класса. Теоремы Гёделя, Чёрча, многочисленные другие результаты, полученные в логике и математике, показали, что существуют такие массовые проблемы, для которых построение такого рода алгоритмов в принципе невозможно.
Открытие феномена алгоритмической неразрешимости, теоремы Гёделя и Чёрча свидетельствовали о том, что формализация и алгоритмизация внутренне ограничены. Об этом говорили также такие результаты, как обоснование тем же Гёделем невозможности доказательства непротиворечивости формальной логико-математической системы средствами, формализуемыми в той же системе, и доказательство А. Тарским того, что понятие истинности, применяемое к предложениям формальной системы, не выразимо средствами самой этой системы.
20
Из этих результатов следует, что математика в целом не может быть формализована. А это означает, что завершенная формализация и алгоритмизация не ’’проходят” для любой науки, использующей математический аппарат (во всяком случае, аппарат, содержащий арифметику натуральных чисел) . А какая наука не предполагает арифметики?!
Следует, однако, иметь в виду, что обнаруженная ограниченность есть ограниченность формализации и алгоритмизации как неких ’’универсальных”, ’’глобальных” методов. Она никоим образом не бросает тень на значение формализации и алгоритмизации в конкретных областях и проблемах. Более того, сами упомянутые результаты не следует переоценивать в плане их ограничивающей силы. Ведь, например, если данная массовая проблема алгоритмически неразрешима, может оказаться разрешимой более узкая проблема, получающаяся из данной введением дополнительного условия.
Гносеологическим источником рассматриваемой ограниченности является неизбежное огрубление, ’’остановка движения”, присущие всякой формализации и алгоритмизации. Дело в том, что содержание любой области, подлежащей формализации и алгоритмизации, должно быть обработано так, чтобы оно могло быть представлено так называемыми конструктивными объектами, каковыми являются элементы алгоритмов и исчислений. Конструктивные объекты — это объекты, изменениями которых мы можем пренебречь, считая их абсолютно ’’жесткими”, однозначно различаемыми и отождествляемыми. Формализация и алгоритмизация — эти процедуры обычно тесно связаны между собой — возможны и плодотворны лишь в той мере, в какой представление содержания некоторой области с помощью конструктивных объектов является действительно возможным и оправдывается целями исследования или практической деятельности.
Ясно, однако, что выражение содержания с помощью конструктивных объектов есть огрубление. Оно-то и обусловливает ограниченность метода построения формальных систем и алгоритмов. ’’Остановка” движения, или, лучше сказать, втискивание его в жесткие рамки, — вот в чем источник того своеобразия ’’формальных процедур”, которое выражается в теоремах Гёделя, Чёрча и других подобных результатах.
Но ведь в реальном мире движение ничем не ограничено. В природе нет особого царства ’’формальных процедур”, отделенных от движения материи и процессов мышления. Правда, в ней есть процессы, в которых более, чем в других, выражена ’’формальная” сторона. Если брать мир живого, то таким процессом можно считать передачу наследственной информации: ’’язык наследственности” в некотором роде похож на формализованные языки и алгоритмы науки. Во всяком случае, его нетрудно представить формальными средствами, выразить в виде некоторого научного языка. Но, конечно, сам-то он не формален: элементы этого ’’языка” — материальные носители наслед-
21
следственной информации — взаимодействуют друг с другом, с ними происходят случайные изменения (мутации), они играют активную роль в эмбриогенезе и т.д. Тем более неформальны другие процессы и превращения в мире живого На живые организмы неверно смотреть как на некие ’’реализации” каких-то формальных систем и алгоритмических процедур (хотя некоторые структуры и функции живого с определенным приближением допускают такое представление). В этом смысле они резко отличаются от создаваемых ныне человеком цифровых машин и автоматов: ведь эти машины предназначаются именно для реализации формальных процедур.
Но не только природа ’’неформальна”. Неформально и человеческое познание, взятое в целом. Неформальны многие процессы познания, его стороны и т. п. Нельзя чрезмерно сближать (как это делает С. Лем в своей книге [19]) любые ’’теоретические структуры” науки, т. е. любое научное построение, любой процесс научного познания, с формальными системами, с построением исчислений, с ’’формализмами” и алгоритмизацией. На деле ’’теоретические структуры” в большинстве случаев вовсе не являются ’’формальными структурами”.
Следует различать содержательный и формальный аспекты знания. Наука развивается прежде всего как содержательное знание. Содержательное знание — это знание неформализованное, неалгоритмизованное, использующее данные экспериментов и наблюдений, выдвигающее, обосновывающее и опровергающее естественно-научные гипотезы, пользующиеся догадками и апеллирующие к научной интуиции. Построение различных формальных систем, исчислений и т. п. есть лишь одна из сторон развития знания. При этом, если отдельно взятая формальная система или алгоритм — формальны, то построение этой системы или алгоритма, переход от одной формальной системы или алгоритма к другой системе или другому алгоритму и т. д. — это, как правило, неформальные процессы. Такой подход очень важен: обычно если определенная часть содержания, подлежащего формализации, не ’’втискивается” в данную формальную систему, то может быть разработана другая система: такая, в которой будет уже более полно выражаться изучаемое содержание. Например, те индивидуальные задачи, к решению которых не дает доступа некоторая массовая проблема, могут алгоритмически решаться в рамках более узкой или попросту иначе поставленной массовой проблемы.
Человеческое знание в цепом — не формально, и для него не просто не действуют (сказать так — было бы неверно), а не имеют смысла те ограничения, о которых говорит дедуктивная логика и теория алгоритмов. Причина этого состоит в том, что знание в его целом является развивающимся знанием и что оно способно отображать не только ’’жесткое”, но и изменчивое, текучее, подвижное, не только ’’вещи”, но и ’’процессы”. Конечно, познание ’’текучего”, 22
отображение движения происходит всегда путай его ’’остановки”, но эта остановка снимается в ходе развития знания, в частности -- но не только! — в ходе перехода от одних формализации к другим, более адекватно отображающим содержание.
После всего сказанного мы можем получить ответ на вопрос, подвержены ли ограничениям, установленным в логике и теории алгоритмов для формальных систем и алгоритмических процедур, кибернетические системы. Да, подвержены, если кибернетические системы (например, реализованные в виде цифровых автоматов) моделируют сложившееся знание, представленное или представимое в виде исчислении и алгоритмов. Нет, — а точнее, ”не совсем” — подвержены, если такие системы наделены способностью получать новое знание, причем получать его не только ’’дедуктивным” путем, но и путем некоторого аналога человеческой интуиции и обобщения. Подвержены, если рассматриваются кибернетические системы с ’’жесткими” программами. Могут быть не подвержены (’не совсем” подвержены), если речь идет об ’’эволюционизирующих” автоматах, т. е. об автоматах, погруженных в некоторую ’’среду” и способных изменять программы своей работы в ’’нужном” направлении в результате взаимодействия с этой средой.
Самоорганизующиеся и обучающиеся системы, доступ к исследованию и конструированию которых упорно ищут в кибернетике, не обязательно должны ’’страдать” от ограничений, которые действуют для формальных систем. Все зависит от того, насколько успешной будет передача этому (пока еще гипотетическому) ’’виду” ” теоретических машин” (как назвал их Лем) способности развивать знание. Но это — вопрос реализации, а не принципиальной возможности или невозможности, правда, такой вопрос — и к этому мы еще вернемся, — который сам может носить принципиальный характер. В принципе такой ’’вид” будет столь же мало подвержен ограничениям формальных систем д алгоритмов, как и природные процессы, как реальное развивающееся человеческое знание. Это следует из результатов теоретической кибернетики, доказавших возможность построения самоорганизующихся и самообучающихся кибернетических систем и ’’размножающихся” автоматов. Функционирующий мозг (о котором можно сказать, что это ’’орган движения” человеческой жизни: в прошлое нас уводит память, в будущее — надежда) создает ’’модели” действительности, данные человеку в его внутреннем мире. Они реализуются в виде сложной мозаичной системы связей между множествами активных элементов мозга — нейронов; последние сами представляют собой сложнейшие системы, организация которых необходимо участвует в общей нейродинамике. Однако когда человек обнаружил, что не все модели действительности могут быть непосредственно ’’воссозданы” в его внутреннем мире, он стал материализовать их во внешнем материале. Такое ’’продолжение” мозга в огромной степени расширило возможности человека, о чем мы еще будем говорить.
23
Для построения ’’вещественных” (внешних) моделей необходимо произвести в данной содержательной области формализацию. Если отойти от строгого толкования этого понятия (как это делается в математической логике), очерченного нами выше, и подойти к нему более просто (и поэтому менее формально), то можно сказать, что цель формализации — получение ответов на содержательные вопросы без привлечения сложных мыслительных актов; иначе говоря, в какой-то степени замена размышлений вычислениями (’’когда описание открывает путь для измерений, дискуссия вполне заменяется вычислениями”, сказал А. Стивенс).
Пусть, например, в языковой модели (рис. 2) элемент реальности кодируется языковым объектом L^. Преобразование L J в L 2 производится в виде вывода следствия L 2 из основания L i. Можно считать, что декодируется Blp Совокупность преобразований Rj -* Lj (z — = 1, 2, 3,...) и обратных преобразований составляет семантику языка (семантика -смысловая сторона языковой системы, ее слов и выражений), а совокупность преобразований Lj "* Lj (i, j = 1, 2, 3,...) -его синтаксис (под синтаксисом обычно
рис 2.	понимают систему правил сочетания слов
и построения предложений данного языка) . В математической теории - ее языке — синтаксис считается полностью формализованным в том случае, когда построено исчисление либо алгоритм (алгоритмическая схема) , скажем ’’машина Тьюринга”, производящий преобразование Lj Lj; вместо ’’машины Тьюринга” может быть использована любая другая алгоритмическая схема или исчисление, например, нормальные алгорифмы Маркова [13] или аппарат формальных нейронов Мак-Каллока - Питтса; (см. [20]).Язык считается не полностью формализованным, если преобразования вида L j Lj производятся человеком; за счет четкой стандартизации языка, в предположении абстракции потенциальной (принципиальной) осуществимости ”научитъ” этим преобразованиям можно и машину. Важно только - и в этом состоит строгость формализации, - чтобы не возникало сомнений относительно правильности преобразований: чтобы они были полностью ’’принимаемы” машиной. В проверке формализации на строгость состоит назначение метатеории (метатеорией математики, или метаматематикой, Д. Гильберт называл теорию, изучающую формализованные доказательства математики).
Переход от теории к метатеории (а от нее — к метаметатеории и т. п.) можно сравнить с подъемом по ступеням лестницы. Неграмотному человеку невозможно объяснить, скажем, в чем заключается теория относительности: надо начинать с обучения чтению и письму и с арифметики, а затем, поднимаясь со ступеньки на ступеньку, дойти до желаемого предмета. Точно так же невозможно ’’голыми руками” построить ракету: необходимо создать орудия труда и пройти длинный путь технического прогресса. Примерно та же картина начинает ныне складываться в научных теориях, структуры которых образуют иерархические системы понятий; формализованные языки служат материальным телом ступенек упомянутой ’’научной лестницы”.
24
* * *
Принято считать, что средствами математики исследователи во всех случаях получают более точные данные там, где раньше они довольствовались весьма приблизительными результатами. Однако в действительности так бывает далеко не всегда. Как верно подчеркнул Ю. А. Шрейдер, ’’точность доказательства должна соответствовать точности утверждения” [21]. Это значит, что точными рассуждениями и методами нельзя вывести либо обосновать истины, имеющие чрезмерно общий и расплывчатый характер. Для выражения такого рода истин (хотя бы в какой-то его части) в последние годы, главным образом в работах Л. Заде [22 — 24] и его последователей, начал разрабатываться аппарат, получивший название теории расплывчатых (размытых, нечетких) множеств. Так эта теория названа потому,что центральным ее понятием является понятие расплывчатого множества. Отличие расплывчатого множества (класса, объема понятия) от обычного ’’жесткого” множества состоит в том, что в то время как произвольный элемент х рассматриваемой предметной области X может либо (вполне) принадлежать данному ’’жесткому” множеству М (т. е. имеет место х G М), либо (всецело) не принадлежать ему (х t М), расплывчатое множество Л^аспл допускает принадлежность элементов множеству различной степени, оцениваемой на бесконечной шкале действительных (или рациональных) чисел от 0, означающего полную непринадлежность, до 1, выражающей полную принадлежность (разумеется, оценка может производиться и на части чисел интервала [0, 1], в том числе и на конечной). Если, скажем, Л^,аспл есть множество смелых людей (X — люди), то высказывание ’W7V смелый человек” может утверждать отнесение человека NN к расплывчатому множеству ’’смелых людей” с оценкой, скажем, 0,73. Такие высказывания по Заде можно записать как рх (х £= М), где д играет роль ’’оператора расплывания”; этот оператор представляет собой функцию, значения которой берутся из области [0, 1]. Обозначив класс ’’смелых людей” через Сд распл, мы будем иметь: д х (х Е е Сраспл) = 0.73.
По мысли Л. Заде, теория расплывчатых множеств при анализе систем, в которых существенная роль принадлежит суждениям и решениям человека (такие системы данный автор назвал ’’гуманистическими”), может оказаться гораздо эффективнее, нежели классическая математика с ее идеей математической непрерывности или даже конечная математика, непосредственно ’’переводимая” на цифровой язык ЭВМ.
К гуманистическим относятся не только правовые, административные, экономические и т. п. структуры, но и мыслительные процессы и вообще все те системы и процессы, на поведение которых сильное влияние оказывают действия, решения, суждения, эмоции людей. Согласно замыслу Л. Заде 25
и его школы, нечеткие множества и соответствующая им логика могут найти полезное применение при количественном анализе особо сложных систем, к которым, несомненно, относятся гуманистические: ”Жертвуя точностью перед лицом ошеломляющей сложности, естественно изучить возможность использования так называемых лингвистических переменных, т. е. переменных, значениями которых являются не числа, а слова или предложения в естественном или формальном языке” [23, с. 10].
Л. Заде с большой силой провозгласил принцип, названный им принципом несовместимости: высокая точность невозможна для систем большой сложности (впрочем, этот принцип, не называя его таким образом, сформулировал уже такой ’’первопроходец” кибернетики, как Дж. фон Нейман). Теория лингвистических переменных, по замыслу ее автора, и должна служить средством учета этого принципа при формализации ’’больших” структур и сложных процессов принятия решений. Разработчики теории нечетких множеств утверждают, что благодаря заложенному в данной теории обобщающему потенциалу (нечеткое множество представляет собой более общее понятие, чем четкое, так как последнее выступает в качестве частного случая первого, а именно, такого случая, когда интервал [0, 1] сводится к двучленному множеству {0, 1} ) большая часть математического аппарата^используемого ныне для анализа и синтеза сложных систем управления и принятия решений, может быть приспособлена для оперирования с лингвистическими переменными. Энтузиасты новой теории считают, что ’’нечеткостный” лингвистический аппарат может найти применение при описании многих явлений, которые настолько сложны, что не поддаются привычному ’’точному” выражению.
Лингвистическая переменная описывается набором (х, Т(х), U, G, М), где х — название переменной; Т(х) — совокупность ее лингвистических значений (так называемый терьниножество переменной х); U — универсальное множество (предметная область) ; G - синтаксическое правило, порождающее термы множества Т(х); М- семантическое правило, которое каждому синтаксическому значению переменной х ставит в соответствие его смысл М (х), причем М (х) обозначает нечеткое подмножество множества U. Например, "возраст” - лингвистическая переменная, если она принимает значения ’’молодой”, "не молодой”, ’’очень молодой”, ’’старый”, "не очень старый” и т.п. Значения лингвистической переменной графически изображаются в виде площадки с нечетко очерченными границами. При этом числовая переменная с тем же названием ("возраст", принимающая числовые значения 1, 2, 3, ... , 100; эти числовые значения обозначают число лет; рассматриваются люди не старше 100 лет) называется базовой переменной лингвистической переменной ’’возраст”. Тогда значение лингвистической переменной "молодой” можно истолковать как название некоторого нечеткого ограничения на значения базовой переменной. Его можно охарактеризовать функцией совместимости, которая каждому значению базовой переменной ставит в соответствие число из интервала [0, 1 ], символизирующее совместимость этого значения с нечетким ограничением. На рис. 3 показан пример графика функции совместимости лингвистического значения "молодой” относительно базовой переменной "возраст”. Как видно из рисунка, для 26
Рис. 3.
численных значений переменной ’’возраст” 20, 25 и 35 с нечетким ограничением ’’молодой” функция совместимости принимает значения: 1; 0,9 и 0,6, соответственно.
Было бы неверно думать, что теория нечетких множеств положила начало математическому описанию неопределенных образовании к нежестких (нечетких, расплывчатых) объектов. Не говоря уже о теории вероятностей, научный аппарат, необходимый для такого описания, задолго до соответствующих работ Заде возник в математической логике (теория многозначных и бесконечнозначных логических систем) и алгебре (теория алгебраических систем). Но теория нечетких множеств ввела исследование нечеткостей различного рода в более широкий теоретический и прикладной контекст и придала им резко выраженную кибернетическую направленность. В настоящее время помимо теории нечетких классов (множеств) в той или иной степени разработаны соответствующая нечеткая логика, включая нечеткие отношения, лингвистические вероятности, теорию игр в нечетко определенной обстановке, теорию распознавания нечетких образов; развиваются теория расплывчатых алгоритмов и теория нечетких автоматов и т.п. Математическая логика составляет для этих исследований надежную базу и — во многих случаях — доставляет более совершенный математический аппарат, нежели тот, которым пользуется Л. Заде и представители его школы.
В качестве упрощенной иллюстрации того, как можно определить новое нечеткое понятие с помощью более простых или более знакомых расплывчатых понятий, Л. Заде в работе [23] рассматривает пример нечеткого подмножества множества людей (см. блок-схему на рис. 4). Заде полагает, что, модифицируя нечеткие множества, входящие в определение соответствующего понятия, при помощи таких неопределенностей, как ’’очень”, ’’более или менее”, ’’чрезвычайно” и т. п., и допуская ответы типа да/д или нет/д, где д — оценка
27
ответов ”да” и ’’нет” числами из интервала [0, 1], а косая черта означает соответствие оценки ответу, можно получить определение понятия, точнее вы-
ражающее его содержание.
Разумеется, перспективы описанного ’’нечеткостно-лингвистического” подхода к анализу и синтезу сложных систем во многом еще не ясны. Его создатели считают, что ”он вполне может оказаться шагом в нужном направлении, т. е. в направлении меньшего увлечения точным количественным анализом и большего допущения важной роли неточности в мышлении и восприятиях человека. Мы убеждены в том, что, приняв это направление, мы сможем больше продвинуться в понимании поведения гуманистических систем, чем это возможно в рамках традиционных методов” [23, с. 146].
Однако теория нечетких объек
тов — только один из путей изучения ’’гуманистических” систем на новых путях. В качестве других возможных направлений можно назвать использование вероятностной и индуктивной математической логики, ’’байесовский” подход к языку, идею которого выдвинул В. В. Налимов [25], теорию тезаурусов, оплодотворенную понятием семантической информации по Ю. А. Шрейдеру [26, 27], особенно если ее сочетать с той или иной теорией расплывчатости или неопределенности (ср. идеи, высказанные в книге [28] и др.). Не останавливаясь на этом подробнее, мы отсылаем читателя к соответствующей литературе.
жизнь
Пытаясь выделить главное в творческом мышлении А. Эйнштейна, кто-то отметил его умение подойти к старым загадкам так, будто они совершенно новые. Жизнь, безусловно, представляет собой старую загадку, но такую, что о ней за многие годы развития комплекса биологических наук сложились некоторые более или менее устоявшиеся мнения, теории, гипотезы. Однако поток новых идей, привнесенных кибернетикой почти во все области человеческого познания, и здесь сказался существенным образом. Особенно это касает-28
ся процесса математизации ряда биологических дисциплин и связанных с этим попыток переосмысления и формализации многих из уже, казалось бы, устоявшихся понятий, относящихся к явлениям жизни и разума на Земле.
Математико-кибернетические подходы коснулись (по крайней мере, на первых порах) не каких-либо частностей, а самых фундаментальных понятий и в первую очередь основного понятия — самого смысла термина ’’жизнь”. И здесь нужды практики сказали свое веское слово: мир вступил в эпоху освоения космоса; на повестку дня встало требование выработки такого определения понятия жизни, которое, во-первых, годилось бы как для земных, так и для внеземных условий, а, во-вторых, было бы достаточно конструктивным — позволяло бы использовать средства кибернетики для моделирования жизненных процессов с целью дальнейшего их познания.
Значительный шаг на пути разработки нового подхода сделал А. А. Ляпунов, один из основоположников кибернетических исследований в нашей стране. В своей известной работе ”06 управляющих системах живой природы и общем понимании жизненных процессов” он дал чисто ’’кибернетическое”, т. е. функциональное, определение жизни; он охарактеризовал жизнь как ’’высокоустойчивое состояние вещества, использующее для выработки сохраняющих реакций информацию, кодируемую состояниями отдельных молекул” [29]; управление при таком подходе полагается характеристическим свойством жизни в широком смысле этого слова, а внутренние реакции вещества на внешние воздействия, направленные на сохранение своего состояния, называются сохраняющими. Важность функционального подхода к явлениям жизни и мышления подчеркивал и А. Н. Колмогоров: ’’Если свойство той или иной материальной системы ’’быть живой” или обладать способностью ’’мыслить” будет определено чисто функциональным образом . . . , то придется признать в принципе вполне осуществимым искусственное создание живых и мыслящих существ” [30, с. 13]. Неудивительно поэтому, что ученые, занимающиеся проблемой связи с внеземными цивилизациями, ведут свои исследования в русле кибернетических подходов к понятию жизни и мышления. Так, астрофизик Н. С. Кардашев следующим образом определил прогрессивно развивающуюся цивилизацию: это — ’’высокоустойчивое состояние вещества, способное собирать, абстрактно анализировать и использовать информацию для получения максимума информации об окружающем и самом себе и для выработки сохраняющих реакций” [31, с. 45].
Дело, однако, не только в тех или иных функциональных определениях жизни, мышления, интеллекта — как бы они не были интересны с точки зрения определения перспектив развития кибернетической техники. Не менее важно влияние подобных подходов на развитие науки о живом. Известный математик-логик Г. Фрейденталь (автор языка для космического общения — ’’Линкос”) отметил существование своеобразной петли обратной связи,
29
ведущей от кибернетики к жизни: хотя вычислительная машина — несомненное чудо, но еще более великое чудо — нервная система; и вот, по его убеждению, наши знания о меньшем чуде помогут глубже понять чудо большее.
Влияние кибернетики на развитие науки о жизни явственно сказалось на последних работах такого выдающегося биолога, как И. И. Шмальгаузен (см. сборник его работ по биокибернетике [32]). Круг идей, связанных с концепцией информации, оплодотворяет ныне новейшие биофизические исследования. Последние успехи биофизики, особенно развитие концепции добиологичес-кой — предшествующей появлению мира живой природы — эволюции макромолекул, подводят физико-химическую основу под некоторые аспекты биоэволюции. Это вносит известный вклад в то ’’синтетическое”, цельное понимание живого, к которому веками стремилась теоретическая мысль.
Если считать, что за создание общей картины жизни ответственны теоретическая и общая биология, то за биофизикой следует признать задачу уяснения ’’заднего плана” этой картины. Задача эта решается путем разработки физико-химического объяснения жизненных явлений — такого объяснения, которое представляет собой некоторую систему моделей и позволяет лучше понять те закономерности живого, которые непосредственно не выразимы на физико-химическом языке, во всяком случае в его современном виде. Ибо биологические законы, действуя только в живой природе, носят ’’интегральный” характер, включая в себя более простые физические, химические и информационно-кибернетические закономерности как свои элементы. Работы в области добиологической самоорганизации — работы, продолжающие известные поиски А. И. Опарина (начиная с его работы [33]), особенно работы М. Зигена [34] (см. также статью М. В. Волькенштейна и Д. С. Чернавского [35]), показывают, что эта интегральность может быть значительно отодвинута ’’вверх”, поскольку даже такие целостные процессы, как естественный отбор и повышение организованности предбиологических структур в ходе эволюции макромолекул, оказывается возможным истолковать в физикоинформационных терминах. Как далеко, однако, можно идти в непосредственном физико-химическом и информационном объяснении жизненных процессов? Пытаясь получить ответ на этот вопрос, мы должны выяснить, что такое научное объяснение.
Согласно сложившимся представлениям, научное объяснение — это раскрытие (опытно-экспериментальными или теоретическими средствами) того закона (Законов), которому подчиняется объясняемое явление, выяснение причинных механизмов, определяющих его возникновение и протекание. Если предметом объяснения является закон, то объяснение состоит в демонстрации того, что объясняемая закономерность является частным случаем более общих законов и принципов, что утверждения об этой закономерности логически выводимы из последних (дедуктивное объяснение закона). 30
В естествознании существенную роль играет дедуктивное объяснение эмпирических законов, т. е. законов, установленных непосредственно на основе наблюдений и экспериментов (примером такого закона может служить дарвиновский закон ’’выживания наиболее приспособленных”), заключающееся в раскрытии того, что рассматриваемая эмпирическая закономерность следует из некоторого теоретического закона (законов).
Прогресс в интеграции биологии и физики в течение последних десятилетий привел к объяснению Дарвинова принципа эволюции как эмпирического закона с помощью физических (физически-информационных) закономерностей, представимых математически. Открылась возможность дедукции следствий, вытекающих из вновь возникшей теории, применяемой к определенному эмпирическому материалу (предбиологическим макромолекулам). Были созданы ”мини-теории” — модели, сопоставимые с фактическими данными, касающимися реальных процессов. Развернулись машинные эксперименты по эволюции, с соответствующей математической обработкой их результатов.
В связи с этими успехами биофизики возник вопрос о том, достаточно ли современных научных представлений для объяснения сложнейших систем и процессов жизни, не нужно ли развить для этого ’’новую физику” — физику, способную объяснить на привычном для естествознания ’’причинном” пути те явления живого, которые не поддаются в настоящее время истолкованию в ’’точных” терминах. Преобладающий ответ на него гласит: для объяснения основных принципов эволюции как самоорганизации на молекулярном уровне нет необходимости вносить в физические теории какие-либо принципиальные нововведения. Единственным новшеством — весьма важным, но не принципиальным — является введение понятия ’’ценности информации” (Эйген); непринципиальность этого новшества состоит в том, что упомянутое понятие базируется на естественном для науки о жизни понятии ’’отбора” и получает выражение через измеримые физические величины.
Но повторится ли эта ситуация, когда наука начнет теми же "точными” средствами прослеживать этапы перехода от клеточного уровня к уровню человеческих существ, наделенных сложнейшими формами психики, духовной Жизни, обладающими сознанием и самосознанием? Возможно ли с ’’биологической точностью” пройти путь от эволюции предбиологических макромолекул к высшим ступеням органической эволюции, завершившимися появлением человека и общества? Не потребуется ли здесь внесения принцц-пиальных изменений в естественно-научные средства исследования, создание совсем новых разделов и физики, и биологии, и теории сложных кибернетических систем? По нашему мнению, принципиальные нововведения вполне возможны, и это мы сейчас попытаемся обосновать.
Глубокая трудность, с которой сталкивается познание, когда оно пытается пройти упомянутый путь сведения высших проявлений жизни и интеллекта 31
к феноменам, изучаемым на биофизическом и информационно-кибернетическом уровнях, коренится в ультрасложности систем живого и социального.
Хотя фундаментальный характер идеи сложности стал ясен вместе с возникновением кибернетики, т. е. в 40 — 50-х годах нашего века, ’’осязаемовещный” характер она приобрела, пожалуй, лишь с середины 60-х годов, когда с полной определенностью выявились трудности в таких проблемах, как автоматическое распознавание образов и машинный перевод, а радужные надежды на скорое продвижение в создании искусственных ’’интеллектуальных систем” сменились трезвым осознанием того, что наука находится здесь лишь в самом начале долгого и извилистого пути.
О понятии сложности мы поговорим особо. Здесь заметим лишь, что, по-видимому, сбывается методологическое предвидение Дж. фон Неймана, который еще в конце 40-х годов обратил внимание на то, что в попытках решения задач автоматизации распознавания образов, перевода с одного естественного языка на другой и других интеллектуальных процессов мы вторгаемся в такие разделы логики, в которых наука не накопила предшествующего опыта. Степень сложности, с которой при этом приходится иметь дело, говорил он, несравненно выше сложности тех систем и процессов, которые познавала и которыми овладела классическая наука. Нет оснований считать, что логико-математические средства, разработанные для описания простых систем, могут быть применены и при решении задач в данной сфере. И фон Нейман сформулировал принципиальную трудность, которую можно назвать ’’парадоксом сложности фон Неймана” (о ней речь впереди). Впоследствии А. Н. Колмогоров придал проблеме ’’количественный” характер, связав ее с невозможностью и человеческого, и машинного овладения сложными системами, которые характеризуются ’’большими” и ’’сверхбольшими” числами.
Таким образом, объяснение явлений жизни ’’точными” методами — будь то методы физико-химического рода или функциональное описание на принятом в кибернетике и логике пути — оказывается перед лицбм трудностей достаточно общей природы. Тем не менее можно оптимистически смотреть на перспективы познания сложного — познания необходимо относительного, как относительно человеческое знание вообще, — если привлечь представления о диалектической природе научного объяснения, особенно объяснения модельного.
Наука, точное естествознание издавна усвоила установку на объяснение качественного многообразия действительности на базе определенной совокупности фундаментальных понятий и законов. Объяснение это, однака, оказывается не непосредственным ’’сведением к простому”, а многоступенчатым и в этой многоступенчатости лишь потенциально осуществимым процессом. Новые ступеньки неизбежно оказываются связанными с разработкой существенно новых представлений (и нередко методов). Фактически это 32
означает введение новых понятий, новых научных языков и новых моделей. В переходе к новым понятиям и моделям реализуется эвристическая функция процедуры научного объяснения. Примером здесь может служить упоминавшееся выше введение в теорию самоорганизации на макромолекулярном уровне понятия ценности информации. Именно это последнее несет в себе тот эвристический ’’заряд”, который позволяет подойти к дедуктивному объяснению такой существенно эмпирической теории, как теория Дарвина.
Однако факты науки говорят о том, что всякое уяснение ’’сложного” через ’’простое” имеет свои границы. Трудно представить себе объяснение работы, скажем, сверлильного станка, сделанное на языке элементарных частиц и квантовой теории. Не менее неестественной, по-видимому, была бы попытка разъяснить нейро динамические процессы у человека, опираясь на феномены субатомного уровня. И это не потому, что такое ’’сведение” ни в каком смысле невозможно; быть может, оно возможно в принципе, но необозримость необходимых при этом процедур делает его, по-видимому, нереализуемым даже при использовании ’’кибернетических усилителей” любого уровня.
Сказанное выше можно прояснить в формально-логических терминах [36 ]. Поставим вопрос, является ли отношение объяснения утверждений одной теории в терминах другой теории отношением транзитивным, т. е. таким, что если теория х объясняет утверждения теории у, а теория у объясняет феномены, описываемые теорией z, то теория х обязательно объясняет то, что описывается теорией z. Ответить на этот вопрос утвердительно значит стать на позицию ’’безудержного” редукционизма, от чего большинство естественников ныне далеки. Ответить ”нет” означает поставить под сомнение сам принцип объяснения ’’сложного” через ’’простое”, в том числе - что для нас особенно важно — объяснение модельное, с помощью гомоморфных моделей; ибо теория, объясняющая другую теорию, в каком-то смысле должна быть проще, чем объясняемая. А этот принцип неотделим от тенденции науки к объяснению многообразия мира с помощью фундаментальных понятий и принципов. Решение этой дилеммы, по нашему мнению, состоит в том, чтобы признать процесс объяснения (отношение объяснения), включая объяснение модельное, транзитивным на уровне возможности (принципиальной осуществимости) и отвергнуть необходимость такой транзитивности на уровне реальной практики науки (и тем более мышления отдельного ученого).
На постулат о транзитивности объяснения можно смотреть как на абстракцию, подобную, скажем, математико-логической абстракции потенциальной осуществимости. Абстракция транзитивности объяснения состоит в отвлечении от фактической нетранзи-тивности ’’объяснительного процесса” в цепи теорий Xj, Xj, . . . , хл, где каждая непосредственно предшествующая теория х^ _ объясняет непосредственно следующую теорию Xfc. Методологический смысл принятия абстракции транзитивности объяснения заключен в установке на максимально возможное продление цепочки теорий (моделей) , для которых действует принцип транзитивности объяснения. Смысл же отказа от этой абстракции — в требовании учета тех ограничений, которые накладывает на объяснительный процесс феномен сложности и ультрасложности систем. Для методологии науки важно учитывать как реальную нетранзитивность процесса объяснения, так и действие абстракции транзитивности объяснительных процедур как некоторого методово-
2 Зак. 1025
33
гического регулятива. В случае исследования явлений жизни это усматривается совершенно отчетливо. ’’Верховная” задача такой важной для изучения живого науки, как биофизика, состоит в том, чтобы как можно дальше, продлить ’’вверх” цепочку ’’сведения к простому” биофеноменов, тем самым прояснив ’’задний план” многообразной и многоцветной картины мира жизни. Однако возможности биофизики в этом отношении ограничены нетранзитивностью объяснительного процесса в целом. Поэтому на определенном уровне ’’восхождения вверх” на смену биофизическим с необходимостью приходят иные методы и в их числе - методы математико-кибернетического моделирования, оказывающиеся подчас более адекватными живым системам в случаях, когда их динамика явно определяется закономерностями ’’интегрального” характера. Здесь ’’путь вверх” дополняется ’’путем вниз” - путем, состоящим в переходе от ’’макроподхода” к ’’микроподходу” (здесь мы пользуемся терминологией, введенной А. А. Ляпуновым).
Сказанное означает, что следует отвергнуть встречающиеся в литературе крайние подходы к проблеме объяснения жизненных процессов: внефизически-виталистический и вульгарно-механистический. Проблема намного диалектичнее, чем это представлялось, например, К. Штейнбуху, когда он противопоставлял ’’тезис кибернетики” ’’тезису витализма”. Приведем соответствующее место из его книги [37, с. 26 - 27].
"Тезис витализма: представляется принципиально невозможным объяснять жизненные процессы вообще и субъективно переживаемые процессы (т. е. сознание и мышление. - Авт.) в частности, исходя из взаимного расположения и физического взаимодействия частей организма.
Тезис кибернетики: признается в принципе возможным полное объяснение явлений органической жизни и психических процессов, исходя из взаимного расположения частей организма и их физического взаимодействия”. (Мы полагаем, что автор в ’’физические взаимодействия” включил также и информационные процессы, без чего тезис оказывается мало понятным.)
Штейнбух пишет - ”в принципе”. В принципе - может быть, да. Более того, если допустить, что к живым системам, включая человека и его психику, можно применять (пытаться применять) понятие формальной системы и дискретного процесса переработки информации, то этот тезис окажется равносильным утверждению, что живые системы - это своего рода конечные автоматы \ тезис этот лежит в основе всех подходов кибернетики к моделированию.
Между биофизическими и кибернетическими методами исследования жизни в настоящее время существует еще явно недостаточно пунктов контакта. Очевидным представляется, что важной областью их взаимодействия становится феномен информации, столь решительно введенный Эйгеном в биофизические рассмотрения. Это подтверждается и анализом, предпринятым М. В. Волькенштейном и Д. С. Чернавским [34]. Можно предположить, что на наших глазах возникает новая область информационно-биофизических исследований, которая более органично, чем, скажем, работы И. И. Шмальгаузена, сольет воедино физико-химический подход и биологические постановки задач с идеями и методами кибернетики, применяемыми при изучении живых систем. Но что если это ”в принципе” принципиально ограничено сложностными трудностями? И если понятия, идущие от формализованной логики, из-за этого теряют здесь свой смысл?
Нам представляется, что при вдумчивом подходе следует по крайней мере учитывать эту возможность.
34
РАЗУМ, ИНТЕЛЛЕКТ, СОЗНАНИЕ
Разум, интеллект, сознание . . . Рассмотрим, прежде всего, как эти категории определяют различные, доступные читателю источники. Это нужно нам для того, чтобы яснее представить многообразие тех сторон интеллектуальной деятельности, которые подвергаются научному изучению, полнее усмотреть то место, которое занимают в нем модельно-кибернетические разработки, направленные на создание систем ’’искусственного интеллекта”.
I.	Энциклопедический словарь Брокгауза и Эфрона: ’’Интеллект — см. ум”. ”Ум ... 1) восприятия и их интеллектуальная переработка; 2) изменения эмоционального равновесия; 3) волевые импульсы”.
II.	БСЭ (второе издание) : ’’Интеллект ... в широком смысле — вся познавательная деятельность человека, в узком смысле - процессы мышления, неразрывно связанные с языком как средством общения, обмена мыслями и взаимного понимания людей”.
III.	Словарь Вебстера. ”А. Способность успешно реагировать на любую, особенно новую ситуацию путем надлежащих корректировок поведения. Б. Способность понимать взаимосвязи между фактами действительности для выработки действий, ведущих к достижению поставленной цели”.
IV.	Л. Фогель и др.: ” ... знание — это полезная информация, накопленная индивидуумом, а интеллект — способность индивидуума использовать эту накопленную информацию некоторым полезным (целенаправленным ) образом” [38, с. 17 — 18].
V.	М. Минский: ’’Интеллектуальность можно определить лишь относительно степени непонимания задачи наблюдателем. Когда метод решения ясен до конца, излишне приписывать ему такое мистическое свойство, как интеллектуальность” [39, с. 78].
VI.	Д. Финк: ’’Интеллект: (а) способность понимать или обучаться на опыте; способность приобретать и сохранять знания; умственные способности; (б) способность быстро и правильно реагировать на новую ситуацию; умение рассуждать при решении проблем, выборе образа действий и т. д.; (в) в психологии — мера успешности в использовании названных способностей при выполнении конкретной задачи” [40, с. 222].
VII.	Еще раз М. Минский: ’’интеллект” означает едва ли больше, чем комплекс активности, который мы уважаем, но не понимаем” [41,: 1S 3 ].
VIII.	С. Лем: ”... ’’разумный” — значит умеющий действовав z шверсаль-но при стремлении к целям, устанавливаемым на основе всесто \<;шего выбора, а не заранее запрограммированным (как, например, инстинкты насекомых)” [19, с. 442].
IX.	А. и Б. Стругацкие: а). Разум есть такое свойство человека, которое отличает его деятельность от деятельности животных, б). Разум есть способность 2*	35
живого существа совершать нецелесообразные или неестественные поступки (из горестных наблюдений). в). Разум есть сложный инстинкт, не успевший еще сформироваться. Имеется в виду, что инстинктивная деятельность всегда целесообразна и естественна. Пройдет миллион лет, инстинкт сформируется, и мы перестанем совершать ошибки, которые, вероятно, являются неотъемлемым свойством разума. И тогда, если во вселенной что-нибудь изменится, мы благополучно вымрем, — опять же именно потому, что разучились совершать ошибки, т. е. пробовать разные, не предусмотренные жесткой программой варианты, г). Разум есть способность использовать силы окружающего мира без разрушения этого мира (’’Пикник на обочине”).
X.	А. Г. Спиркин: ’’Начнем с этимологии слова ’’сознание”. Сознание означает . . . знание человека о самом факте своего знания. . . Под сознанием имеется в виду способность идеального отражения действительности . . . , а также специфические социально-психологические механизмы и формы такого отражения на разных его уровнях ... — В силу сложности феномена сознания каждая из комплекса изучающих его наук (философия, психология, социология, психиатрия) вносит определенную специфику в подход к определению сознания. Под сознанием понимают: осознанное бытие и отношение ”Я” к ”не-Я”; субъективный образ объективного мира ...; идеальную сторону целеполагающей практической деятельности человека; высшую форму психологического отражения действительности; способность отдавать отчет в своих мыслях, чувствах и актах; . .. способность к целенаправленной планомерной деятельности ...” [42, с. 78 — 79].
Не будем пока комментировать эти определения-характеристики — ни серьезные, ни шуточные (и в последних есть немалая доля истины). Отметим только, что мы совершенно намеренно подобрали их столь различными, столь ’’разностильными”. Ибо и то, что пишется об ’’искусственном разуме”, — столь же разнородно. А мы хотим сопоставить характеристики, которые даются разуму, сознанию с определениями ’’искусственного интеллекта”. Но прежде — совсем коротко о сопоставлении (или — противопоставлении) ’’искусственное — естественное”. Ясно, что сопоставление не должно переходить в противопоставление. Ибо все ’’искусственное” остается частью природы и общества и как таковое полностью подчиняется всем их законам. ”И неестественное тоже природа. Кто не видит ее во всем, тот не видит ее как должно” (И. В. Гете).
Обычно, однако, термином ’’искусственное” пользуются лишь в смысле ’’сделанное человеком”. Примечательно при этом, что в объяснении слова ’’искусственный” толковыми словарями отразилось ’’глубокое недоверие человека к творениям рук своих”: ’’Созданное руками человека, а не природой; не настоящее, не естественное, притворное, не относящееся к сути дела”. Синошгмы: поддельное, деланное, неискреннее, лицемерное, показное,
36
нарочитое, фальшивое, сфабрикованное, неестественное (см. [43, с. 12 и далее] ).
Г. Саймон наметил четыре признака, по которым ’’искусственное” отличается от ’’естественного”:
”1. Искусственные объекты конструируются (хотя и не всегда вполне преднамеренно) человеком.
2.	Искусственные объекты могут внешне походить на естественные, но существенно отличаться от последних в одном или нескольких аспектах.
3.	Искусственные объекты можно охарактеризовать их функциями, целями и степенью приспособления к требованиям среды.
4.	Искусственные объекты часто, особенно при их проектировании, рассматриваются не только в описательных терминах, но и с точки зрения категории долженствования” (с. 14).
Что касается второго пункта этой классификации Г. Саймона, то следует отметить, что в кибернетической практике чаще втречается обратная ситуация: создается некая математическая или физическая система (модель), которая ’’внешне” совершенно не сходна с ’’естественной”, но так организована, что в некоторых рамках обнаруживает поведение, которое практически одинаково или сходно с функционированием естественного объекта, — при одинаковых условиях окружающей среды (ср. п. 3 Г. Саймона).
Рассмотрим теперь определения и характеристики, которые даются понятию ’’искусственный интеллект”:
I.	Э. Фейгенбаум, Дж. Фельдман: создание "таких программ для вычислительных машин, поведение которых мы бы назвали "разумным", если бы обнаружили его у людей" [41, с. 25].
II.	Р. Бенерджи: "совокупность методов и средств анализа и конструирования машин, способных выполнять задания, с которыми до недавнего времени мог справиться только человек. При этом по скорости и эффективности работы машины должны быть сравнимы с человеком" [44, с. 15].
III.	Н. Нильсон: ’’это (речь идет об ’’искусственном интеллекте”. — Авт.) по существу инженерная дисциплина. Мы хотим строить разумные системы . . . эвристический поиск . . . представляет главную компоненту техники искусственного интеллекта” [45, с. 10].
IV.	Д. Финк: ’’Под искусственным разумом понимается: а) способность машин организовать информацию в значимые информационные комплексы, способность распознавать, запоминать, вспоминать и оперировать этими комплексами в процессе игры, решения задач, ответа на вопросы и т. д. и управления другими механизмами; б) способность машины адаптироваться в изменяющихся внешних условиях и, в частности, реагировать на комплексы входных сигналов, не предусмотренные явным образом при конструировании; в) поведение машин, наблюдаемое в сравнении или соревновании с человеческим разумом” [40, с. 238].
37
V.	Л. Фогель, А. Оуэнс, М. Уолш: ’’способность принимающего решения устройства достигать определенной степени успеха при поиске широкого многообразия целей в обширном диапазоне сред”; ’’Искусственный интеллект будет реализован лишь тогда, когда неодушевленная машина сможет решить задачи, которые до сих пор не удавалось решить человеку, - не вследствие большей скорости и точности машины, а в результате ее способности найти новые методы для решения имеющейся задачи” [38, с. 19, 28].
VI.	У. Р. Эшби: ’’Сегодня создание системы, подобной мозгу, с определенными интеллектуальными способностями в принципе так же доступно, как создание паровой машины с заданной мощностью” [46, с. 155].
VII.	X. Л. Дрейфус: ’’область исследований, в которой цифровые вычислительные машины используются для моделирования разумного поведения . . . получила название ’’искусственного интеллекта” ’’трудности в разработке проблем ’’искусственного интеллекта” отражают не столько недостаточное развитие нашей технологии, сколько, пожалуй, указывают на принципиальные границы ее возможностей” [47, с. 19, 192].
VIII.	А. Н. Колмогоров: ’’моделирование способа организации материальной системы не может заключаться ни в чем ином, как в создании из других материальных элементов новой системы, обладающей в существенных чертах той же организацией, как и система моделируемая. Поэтому достаточно полная модель живого существа по справедливости должна называться живым существом, модель мыслящего существа - мыслящим существом” [48, с. 52].
IX.	И. С. Шкловский: ’’бурное развитие кибернетики в гармоническом сочетании с развитием молекулярной биологии и наук о высшей нервной деятельности в конечном итоге позволит создать искусственные разумные существа, принципиально не отличающиеся от естественных, но значительно более совершенные, чем они, и сиисиимые к дальнейшему самоусовершенствованию” [49, с. 318].
X.	А. Г. Спиркин: ’’Выполнение машиной сложных логических операций не есть . . . мышление в строгом смысле слова . . . Живой мозг решает задачи совсем по-иному. Он работает по направляющему плану, ведущему мысль к определенной, ясно осознаваемой цели. Машина же реализует не свои, а человеческие цели. Решая задачи по определенным формальным правилам. она, конечно, не понимает сути самой задачи и последствий своих действий. Разумеется, человек тоже ’’программируется” жизнью, обществом. Но он сознательно пользуется этой программой” [42, с. 55].
Из этих десяти определений и высказываний об ’’искусственном интеллекте” можно вывести три основных заключения: а) термин ’’искусственный интеллект” употребляется в двух различных смыслах: как обозначение определенного исследовательского направления и как название для систем, на 38
разработку которых это направление нацелено; б) среди ученых существуют разногласия относительно возможностей — как принципиальных, так и реальных — ’’искусственного интеллекта” как исследовательского направления; в) для обсуждения проблемы ’’искусственного интеллекта” характерен функциональный подход: машина признается ’ интеллектуальной” — в том или ином, быть может, весьма ограниченном — смысле, если в рассматриваемой сфере интеллектуальной деятельности она будет выдавать результаты, аналогичные тем, какие выдают люди; и желательно — далеко превосходящие эти результаты.
Эти заключения нуждаются в комментариях. Прежде всего в имеющейся литературе нередко такое применение понятия (термина) ’’искусственный интеллект”, которое предполагает сразу оба упомянутых выше смысла. В дальнейшем мы будем применять этот термин, имея в виду его многосмыс-ленность; мы надеемся, что из контекста будет ясно, какой смысл он несет в данном его употреблении.
Далее, обращает на себя внимание разброс мнений относительно возможностей ’’искусственного интеллекта”. Так, М. Минский десять лет тому назад утверждал, что ”на протяжении жизни одного поколения очень немногие области интеллектуальной деятельности останутся вне сферы возможностей машин, т. е. проблема создания ’’искусственного разума” будет по существу разрешена” [50, с. 18]. Этот взгляд резко контрастирует с заключениями, к которым пришел американский философ X. Л. Дрейфус в своей книге ’’Чего не могут вычислительные машины?” (1978). ’’Если мы находимся на пороге создания искусственного интеллекта, - писал в ней Дрейфус, — то в ближайшее время мы станем свидетелями триумфа весьма ограниченного представления о разуме. . . Если же создание ’’искусственного интеллекта” окажется невозможным, то нам придется найти ту границу, которая отделяет человеческий разум от искусственного. . . Мы должны попытаться понять, в какой степени осуществим ’’искусственный интеллект”, а если возможности машинного моделирования разумного поведения ограничены, мы должны найти эти границы и определить, где же они проходят. Все, что мы узнаем о границах разумного в применении к вычислительным машинам, будет добавлением к нашему представлению о характере и объеме человеческого интеллекта” [47, с. 20]. Однако, при всем различии взглядов на ИИ, относительно научной ’и практической значимости работ по передаче автоматам определенных познавательных функций — особенно в рамках человеко-машинных систем — сомнений не существует.
Неоднократно, используя термин ’’машина”, мы не пытались его определить. Дело в том, что сделать это не просто. Во всяком случае многие годы в комиссии по терминологии Академии наук пытались дать дефиницию этому термину, но, насколько известно, такая дефиниция до сих пор не вы
39
работана. Не будем пытаться дать ее и мы. Ограничимся некоторыми необходимыми пояснениями. Прежде всего отметим ошибочность ассоциации ’’машины” с понятиями механичности и детерминированности: эти ассоциации навеяны характером машин XIX века, которые действительно были механическими и детерминированными. Ныне мы знаем, что функционирование машин может быть основано на самых различных физических принципах и быть связано с использованием вероятностных (стохастических) процедур. Говоря в самом общем пиане, машина представляет собой средство расширения возможностей человека в любых областях его деятельности — в сфере умственного труда не в меньшей степени, нежели в областях, обычно относимых к физическому труду.
Далее. Не удивителен ли тот факт, что множество автоматов, с фантастической (по шкале истории) скоростью наводняющих Землю, предназначаются для автоматизации ’’высших”, а не ’’простых” областей интеллектуальной активности человека?! Десятки автоматов ’’орудуют” на Марсе, Луне, космических станциях и космических кораблях; ЭВМ, снабженные экспериментальными программами, доказывают простейшие теоремы логики и ’’сочиняют” несложные музыкальные мелодии. Эта устремленность кибернетики в ’’высшие” сферы умственного труда и творчества (автомат, установленный в метро и заменяющий билетного контролера, мы не склонны относить к кибернетике) не случайна. Дело в том, что наиболее интеллектуальные формы деятельности (например, писательская, композиторская и т. п.) вообще не вооружены орудиями труда (если не считать ими авторучку или пишущую машинку). Сейчас настало время и им дать ’’орудия производства” (о чем подробнее — позже).
При оценке принципиальных возможностей кибернетических машин не следует исходить из допущения, что их ’’материальный субстрат” и конструкция будут неизменны. На деле темпы прогресса здесь поистине поразительны. В 1954 г. Дж. X. Тролл писал, что ’’электронный мозг”, который имел бы столько же ламп и реле, сколько в человеческом мозге нервных клеток (около 10 млрд.), не поместился бы в Эмпайр Стейт Билдинг* и потребовал бы полной мощности Ниагарского водопада для своего питания и всей реки Ниагары для своего охлаждения; больше того, такая ЭЦВМ не проработала бы и доли секунды, как вышли бы из строя несколько тысяч ламп, которые надо было бы заменить (см. [51, с. 166]).
Увы, какая досадная ошибка, происшедшая из-за того, что автор упрощенно подошел к уровню технической осуществимости. А ведь с тех пор (за срок, немногим более превышающий два десятка лет) сменилось три поколения.машин. Ламповые уступили место транзисторным, а их сменили ма
* В то время - самый высокий небоскреб Нью-Йорка (105 этажей).
40
шины на малых интегральных схемах. Нынешнее, четвертое поколение машин собирается на больших интегральных схемах — БИС-ах. Отдельные транзисторы таких машин (точнее — молекулярные переходы в твердом теле, выполняющие роль транзисторов) нужно рассматривать в микроскоп. Естественно, что расход энергии на их питание ничтожен.
Деловая техническая справка: современные массово выпускаемые программируемые универсальные ЭВМ — микрокалькуляторы весят каждый (вместе с источником питания — перезаряжаемым никель-кадмиевым аккумулятором) порядка нескольких сот граммов; некоторые из них оперируют числами в диапазоне от 10"9 9 до 109 9, имеют множество логических условных переходов, тестов, ’’флагов”, программ — фирменных или составляемых потребителями и записанных на ферритовых пластинах и т. д. и т. п. В совсем недавние времена машина с такими возможностями занимала бы по крайней мере один этаж упомянутого Троллом небоскреба и нуждалась бы не в одном десятке киловатт-часов электроэнергии. Но тогда для создания таких машин не существовало соответствующих технологических возможностей. Зато теперь мы уже с большой степенью уверенности можем сказать, что — если говорить об элементной базе — уже недалеко время, когда войдут в строй машины с числом элементов, соизмеримым с количеством нейронов в мозге человека и по габаритам не превышающие его.
Разумеется, проблема ’’искусственного интеллекта” одним лишь большим числом элементов и малыми габаритами не решается. Но сложность — это тоже ’’кое-что”. Крупнейшие специалисты по теории ЭВМ убеждены в том, что с обогащением элементной базы возможности электронных машин резко возрастут. Тот же М. Минский считает, что память ЭВМ, содержащей 106 бит, представляет собой минимум для написания ’’интересных и разнообразных” программ, но 1012 бит — это ’’гораздо больше, чем необходимо для создания разума” [1, с. 113]. В результате, по его мнению, уже ”в ближашие 80 — 100 лет мы сможем построить в высшей степени разумные машины” (с. 135).
О перспективах искусственного разума — электронного и иного, в кавычках и без кавычек — мы поговорим особо, а пока отметим ограниченность и риск любых научных прогнозов, в том числе и принадлежащих крупным ученым. С этой оговоркой приведем предсказания, сделанные английским ученым и писателем Артуром Кларком в его книге ’’Черты будущего”: появление ’’искусственного разума” отнесено в ней к 2000 году, а достижение машиной разума, превосходящего человеческий, к 2080 г. Заметим, что эти прогнозы были сделаны в отвлечении от того, что принято называть ’’человеческим фактором”. Между тем он весьма существен. Но почему?
В наш век грань, пролегающая между психологией и нейрофизиологией, становится все более подвижной. Для объяснения функций сознания все больше привлекаются методы и данные естественных наук. Функциональный
41
подход к мышлению, понимание его как обобщенного отражения действительности, постижение законов переработки информации мозгом, осознание того, что в новых машинах могут быть использованы те же объективные закономерности переработки информации, которые проявляются в работе мозга (подчеркнем, что речь идет именно о переработке информации — только это в проблематике искусственного интеллекта нас и интересует), — все это, взятое в широком контексте наук о человеке, включая социологию, как мы убеждены, приблизит человечество к постижению самого себя, своих сил и возможностей. И здесь перед нами во весь рост вырастает проблема социальной обусловленности мышления.
Выше мы привели высказывание А. Г. Спиркина о сознании, высказывание, в котором подчеркивается наличие у человека соответствующих социально-психологических механизмов. Здесь попытаемся показать, как можно было бы соотнести проблему социальных истоков человеческого мышления с ’’замахом” кибернетики на воспроизведение определенных ’’мыслительных форм” в ’’бездушных автоматах”.
Вне человеческого общения, вне социума — нет мышления: бесспорная истина. Чтобы ее продемонстрировать, нередко вспоминают историю немецкого мальчика Каспара Гаузера: не только знаменитого героя романа Якоба Вассермана, но, по-видимому, вполне исторического лица. В феодальной Германии новорожденный Каспар по неким соображениям (по-видимому, связанным с наследованием) был помещен в комнату, в которой прожил шестнадцать лет без какого-либо обучения или воспитания, получая только пищу и воду. Когда его вывели из комнаты, об окружающем мире он знал меньше, нежели домашние животные. Если бы его попытались протестировать по современной зарубежной методике Векслера на ’’показатель интеллектуальности” IQ , то вряд ли удалось бы получить величину, заметно отличающуюся от нуля. Обучался он чрезвычайно медленно. К сожалению, история не завершила этот уникальный эксперимент: вскоре, на второй попытке, Гаузер был убит неизвестными злоумышленниками.
Замечательная иллюстрация к тезису о безусловно социальном характере человеческого интеллекта! Правда очевидна: человек даже со своим чудо-мозгом ни на что не пригоден без опыта и образования. Однако философский тезис о закономерном — подчиняющемся законам развития и функционирования — и в принципе познаваемом характере мышления означает, что, находясь на первом, принципиальном уровне рассмотрения возможностей кибернетического моделирования, надлежит признать, что мышление может быть изучено, что результаты этого изучения могут быть изложены на некоем формальном языке, а потому запрограммированы и ’’воспроизведены” в некоторых масштабах, необходимых для развития науки и техники завтрашнего дня. Вряд ли допустимо смешивать естественно-историческое зарождение 42
мышления с его сознательным моделированием и воспроизведением на ЭВМ. Никто не собирается некоторое множество машин бросить в лесу, чтобы они в погоне за источниками электроэнергии вступали в сложные ’’социальные” отношения и выработали в себе какие-то навыки, которые можно будет со временем интерпретировать как ’’разум”. Но ведь и дети наши не переживают предшествующие исторические эпохи. Социальный опыт им передается в ’’спрессованном” виде сначала через родителей, затем также через школу, книги, реальную практическую жизнь — все то, что выступает как своего рода ’’программы” поведения, только не формализованные.
Машина не может сделать нечто, что в той или иной форме не предусмотрено в ее программе. Человек с его неформальными ’’программами”, пожалуй, тоже. Но люди - как и живые организмы вообще — изменяют свое поведение ’’под влиянием научения и притом таким образом, что их новое поведение лучше приспособлено к окружающей их среде, чем прежнее” [52, с. 35].
Как сказал поэт:
”На свете все не бесконечно, От океана до ручья..
(Fee. Евтушенко)
Не бесконечен, конечно, и человек. Но его конечность нельзя рассматривать упрощенно. С этой точки зрения неубедительным представляется следующее высказывание Г. Саймона: ’’человек, рассматриваемый как поведенческая система, весьма прост. Кажущаяся сложность его поведения во времени в основном отражает сложность окружающей его среды... Только свойственное человеку высокомерие вынуждает нас считать, что сложность выбираемого нами пути и причудливость траектории муравья объясняются различными причинами” [43, с. 66, 68]. Саймон полагает, что для предсказания этого поведения нужно ’’лишь самое приближенное знание системы переработки информации человеком” (с. 46). В этих словах одного из зарубежных пионеров эвристического программирования содержатся сразу три уязвимых пункта. Во-первых, ни на чем не основано утверждение, будто человек, рассматриваемый как ’’поведенческая система”, весьма прост. На деле человек — т. е. его поведение, что и имеет в виду Саймон, — ’’прост”, только если рассматривать его действия на обобщенно-упрощенном уровне, не вдаваясь в огромный спектр их нюансов и оттенков. Если бы поведение человека было ’’простым”, мы давно бы имели программно-управляемые (и самоуправляющиеся) роботы, скажем, заменяющие труд дворника, вахтера или парикмахера, не говоря уже о труде более творческом. Во-вторых, нет никаких оснований отождествлять поведение человека и поведение муравья, а, наоборот, есть все основания считать их глубоко — качественно! — различными. Если даже отвлечься от феномена сознания и самосознания — для бихевиориста Саймона это, по-видимому, ’’трансцендентные” феномены, так как 43
не существует ’’естественно-научных” методов удостовериться в наличии идеальных процессов в чьей-либо голове, — то ведь остается культура (включая технику, науку, искусство, социальные учреждения и т. п.), которую создал человек и которой нет у муравьев. Наконец, в-третьих, Саймон ошибается, когда думает, будто для предсказания поведения человека достаточно ’’самого приближенного” знания того, как у человека происходит переработка информации. Трудно себе представить, как из ’’самого приближенного” знания о такой сложной системе, как человек (пусть рассматриваемой ’’только” с точки зрения внешне фиксируемого поведения), может вырасти знание о ее будущих действиях.
Однако конечность человека — всех его характеристик и форм бытия, включая бытие социальное, — позволяет нам на уровне абстракции потенциальной осуществимости допустить принципиальную возможность такой программы для ЭВМ, которая будет предусматривать три фактора: характеристики некоторой заданной внешней среды; цели, которые должны быть достигнуты ЭВМ, работающей по данной программе; и систему сигналов, информирующих ЭВМ о степени продвижения на пути к целям. Машина, действующая по такой программе, будет обнаруживать и анализировать свои ошибки и вносить коррективы в свое будущее поведение, что повысит вероятность достижения ею соответствующих целей. Иначе говоря, машина такого рода будет в процессе взаимодействия с внешней средой ’’учиться” и ’’накапливать опыт” — и это будет похоже на то (в принципе), что имеет место у человека.
Не будем здесь обсуждать вопрос, многому ли могла бы научиться такая гипотетическая машина, смогла ли бы она со временем ’’чувствовать, переживать, любить и ненавидеть, будет ли ей присуща мораль и т. д. и т. п.”. Но не в этом сейчас дело. Ведь мы находимся в рамках функционального подхода; как сказал Лем: ’’конструктора не интересует, чувствует ли машина; для него важно, действует ли она” [19, с. 177]. Важно другое: для внешнего наблюдателя ее поведение выглядело бы вполне разумным.
Разумным?! В каком же смысле? Никаким другим, нежели метафорическим, этот смысл не назовешь. Да, такие термины, как ’’интеллект”, ’’мышление”, ’’разум” в кибернетике используются как некие метафоры, тем более что вне кибернетики эти понятия не имеют ’’математически точных” определений, которые единственно могли бы удовлетворить это научное направление; их неметафорическое употребление делает кибернетические концепции уязвимыми для критики, подобной той, которой их подверг М. Таубе [53]. Но это — удобные метафоры. Ибо придумывать для ’’невычислительных способностей” машинных программ какие-то новые термины вряд ли целесообразно. Пожалуй, до сих пор не устарел сформулированный схоластическим философом У. Оккамом еще в XIV веке принцип, получивший в методологии науки наименование ’’бритвы Оккама”.
44
Смысл принципа Оккама сводится к тому, что надо понять тот минимум, на котором покоится мир, и все избыточное безжалостно отсекать; иначе говоря, число логически независимых друг от друга посылок должно быть минимальным: сущностей не следует умножать сверх необходимости. Можно сказать, что этого принципа придерживается сама природа. Наиболее поразительный пример ’’лаконичности” являет нам феномен наследственности: все живое на Земле определяется универсальным генетическим кодом, который реализуется комбинациями всего лишь четырех оснований и двадцати аминокислот. Но не только живое лаконично. В мире неживой природы роль естественной ’’бритвы Оккама” фактически играют известные экстремальные принципы (типа принципа наименьшего действия).
Принцип ’’бритвы Оккама” отражает стремление науки устранять избыточные ’’сущности”. И было бы неразумно, если бы для машин, выдающих те же результаты в области интеллектуального труда — пусть области очень узкой, типа игры в шашки или шахматы, — что и человек (правда, подчас с большим усилением), мы вместо метафорического ’’интеллектуальная машина” (точнее — программа) приняли, как это не раз предлагалось, термины вроде ’’решитель проблем”, ’’реализатор приемлемого решения задач” ит. п. ’’Сущностей не следует умножать сверх необходимости”.
По-видимому, на путях поисков определений понятий ’’интеллект”, ’’человек”, ’’машина” трудно удовлетворить сразу и философа, и социолога, и психолога, и физиолога, и специалиста в области ИИ. В этой связи уместно рассказать об одной попытке внести ясность в эту — не только терминологическую — проблему. Она была предпринята Полем Армером еще в 1960 г. в Дайтоне (США) на первом симпозиуме по бионике (имевшем знаменательный девиз — ”Живые прототипы — ключ к новой технике”), где он предложил идею ’’^-мерного континуума разумности” [51].
Идея Армера, по его мнению, не нова: она в неявном виде используется с тех самых пор, когда умственные способности одного человека начали сравнивать с умственными способностями другого. Для более четкого описания смысла такого подхода предлагается рассмотреть простейший одномерный континуум транспортных способностей. Для того чтобы на короткое время посетить Сахалин, очевидно, лучше всего купить билет на самолет, но если нам нужно из одного района Москвы попасть в другой, предпочтение приходится отдать метро или легковому автомобилю; альпинисту же какие бы то ни было транспортные средства не нужны — приходится идти ”на своих двоих”. Как мы видим, в ’’континууме транспортных способностей” люди и машины мирно сосуществуют, локализуясь в различных точках:человек не может передвигаться со скоростью самолета или автомобиля, а эти самодви-жущиеся экипажи не могут, подобно человеку, совершить восхождение на горную вершину. На основании такого рода соображений Армер поставил
45
вопрос: почему критерий разумности должен требовать, чтобы машина достигла в точности той же точки в ’’континууме разумности”, что и человек? Нелепо же считать критерием ’’способности летать” достижение той же точки в ’’континууме способов передвижения”, которую занимает птица!
Работу инженера-проектировщика, разрабатывающего новые конструкции электрических двигателей с заданными параметрами, мы все (сомнений в этом нет) полагаем ’’интеллектуальной”; но когда ту же работу начинает выполнять ЭВМ, почему надо считать, что ее действия не ’’интеллектуальны”? В этом нет последовательности.
Конечно, систему программ, проектирующих электродвигатели, можно ’’упрекнуть” в том, что она, в отличие от инженера, не может после работы пойти в кинотеатр. Но ведь и самолет не может сесть на дерево! То, что человек и машина (как в физико-технической, так и интеллектуальной областях деятельности) достигают разных точек в ’’континуумах деятельности” — это-то и хорошо! Ибо если бы ’’континуумы способностей” людей и машин совпадали, машинная техника была бы излишня.
Общая схема распределения точек в”континууме интеллектуальности” для человека и машины представлена на рис. 5. ОбластьIII соответствует тому, что могут делать как человек, так и машина; с прогрессом науки и техники эта область будет расти, но полного совпадения областей I (’’человеческое”) и II (’’машинное”), наверняка не произойдет никогда. Хотя принципиально оно, подобное совпадение, и возможно — ни один из известных законов природы его не запрещает, а мощная абстракция потенциальной осуществимости допускает, - трудно представить себе его техническую реализуемость; практически же это по-просту абсурдно.
Человек Машина
Рис. 5. Область I: социальная жизнь, интеллектуальное общение, принятие решений при неполной информации и т. д.; область II: решение громоздких вычислительных задач за короткое время, самостоятельные действия в условиях, не приемлемых для человека (высокие температуры, давле
ния, уровни радиаций и пр.), моделирование некоторых интеллектуальных функций и т. д.; область III: человеко-машинные системы, АСУ, оценка обстановки и принятие решений при наличии релевантной информации, информационно-поисковые системы, ’’алгоритмическое” творчество и т. п.
И еще несколько слов о нашей ’’игре в семантику”. Независимо от смысла слов ’’разумное поведение”, ’’интеллект”, ’’разум” — смысла, который может варьировать и меняться, лишь бы было ясно, о каких ’’системах” и о каких их ’’действиях” идет речь в каждом данном случае, мы вместе с П. Армером можем сказать: ’’утверждать, что работы по моделированию... поведения человека с помощью машины не нужны, — все равно, что сделать вывод о бес-46
полезности работ по созданию искусственного сердца на основании того факта, что искусственный орган — это не живой орган” [51, с. 169].
Мы уже говорили, что верхняя граница реально возможного для машин подвижна: напомним также, что мы назвали ’’презумпцией возможности”; пока никто не доказал существование принципиального предела возможностей для машинного моделирования интеллекта, надо всемерно развивать исследования по искусственному интеллекту. Предположим, однако, что будет обнаружена закономерность, согласно которой искусственный разум невозможен (какой характер могла бы носить подобная закономерность, об этом мы поговорим в следующем разделе). Что же, и в этом случае мы, идя к недостижимой (в полной мере) цели, пожнем обильный урожай: продви-нимся вперед в понимании природы человеческого разума. Не случайно многие исследователи называют работы по ’’искусственному интеллекту” испытательным полигоном, на котором проверяются различные гипотезы о структуре человеческого мышления.
’’Круг идей кибернетики из планов и упований на будущее превратился ныне в рабочий инструмент, применяемый в технике, биологии, медицине и социологии”. Это сказал Н. Винер в 1963 г. [54]. Последующие годы показали всю справедливость этих слов. Например, предприняты попытки осветить взаимоотношения человека как субъекта и внешнего мира как объекта познания в терминах моделирования ’’теории” и ’’практики” (ср. работы [55— 57]). Можно сказать, что современная наука, включая кибернетику, находится на пути построения модельно-аналитической теории определенных сторон мышления и творчества.
СЛОЖНОСТЬ
Все рассуждения, приведенные в предыдущем параграфе, в полной мере касаются и такого нечеткого понятия, как творчество. В коллективной монографии ’’Управление, информация, интеллект” (в авторский коллектив которой входили и пишущие эти строки) дано следующее ’’кибернетическое” определение творческого процесса: ” Это любая переработка информации, выполняемая неформализованным или частично формализованным способом, целью которой является создание новой ’’информационной структуры” как объекта (результата) творчества. Под неформализованным или частично формализованным способом переработки информации будем понимать такой способ, при котором не используется заранее составленное, формальное описание характера и последовательности действий, необходимых для осуществления всего процесса (с детализацией, достаточной для реализации его на современных вычислительных машинах)” [58, с. 314].
47
Иногда о творчестве говорят как о процессе получения интересного результата нетривиальным путем; иногда — как о решении новой задачи, поставленной внешней обстановкой; но всегда, говоря об акте творчества, явно или подсознательно подразумевают выход за рамки уже известных представлений. В последующих главах мы остановимся на некоторых основных результатах, полученных в кибернетическом моделировании элементов творчества. Здесь же мы обратимся к наиболее весомым, по нашему мнению, соображениям, касающихся трудностей ’’машинного творчества”. Связаны эти трудности с понятием сложности.
В основе последующих рассуждений* лежит определение творчества как процесса, связанного с умением ставить и решать сложные задачи. Казалось бы, одно недостаточно определенное слово — ’’творчество” заменено здесь четырьмя недостаточно определенными словами: ’’ставить”, ’’решать”, ’’сложные”, ’’задачи”. Что касается трех из этих терминов — терминов, входящих в выражение ’’ставить и решать задачи”, — то предполагается, что определять жестко эти понятия нет необходимости, поскольку можно ожидать, что в беседе со специалистами любого конкретного профиля мы в конце концов договоримся о том, чтб надо понимать под термином ’’ставить задачи” и что — под термином их ’’решать”. Таким образом, основным понятием, с которым при данном подходе ставятся в связь творческие процессы (или, по крайней мере, устанавливаются некие общие границы, отделяющие то, что именуется ’’творческим процессом”, от того, что так не хотелось бы называть), оказывается сложность.
Прежде чем переходить к рассмотрению этого понятия, обратим внимание на то, что творческий процесс связан с умением ставить и решать ’’сложные задачи”, а не ’’сложную задачу”. Иначе говоря, имеются в виду не отдельные, индивидуальные задачи, а более или менее широкий класс задач. При таком подходе овладение отдельной задачей не связывается с категорией сложности и, следовательно, с творчеством. Понятия ’’сложность” и ’’творчество” естественно трактовать в контексте массовых задач. Это надо для того, чтобы исключить ситуацию, прозвучавшую в известных словах А. В. Суворова: ’’Сегодня везение, завтра везение — когда же умение?”
Но ’’сложность” касается не только решения задач. Этот феномен неотделим от используемого языка — в самом общем смысле этого понятия. Одно из высших достижений эволюции — ’’языки” живых организмов, обладающих достаточно высокой степенью организации, — являются языками с расплывчатой семантикой, нечеткими языками. Естественные языки человеческого общения — языки вида Homo sapiens, ’’Человек разумный” — также нечетки. Это не случайно. Антропогенез с неизбежностью привел к языкам
* Некоторые их аспекты оформились в результате' бесед с проф. Д. Б. Юдиным, которому авторы приносят искреннюю благодарность.
48
с неоднозначной, динамичной, гибкой семантикой — к языкам сложным; языки четкие — разной меры формальности — появились только на сравнительно высокой ступени развития общества и человеческого мышления. Ибо задачи, которые с самого начала ставил ’’человек разумный” (и тот Ното, который был прежде него): задачи добывания пищи, защиты от врагов и пр., — все они на четком, строгом, формализованном языке не могли быть сформулированы. Содержательная и объемная гибкость, нечеткость, ’’нежесткость” языковых образований — это то средство, которым история вооружила предчеловека^ а потом человека для того, чтобы вид выжил и стал на путь качественно нового развития — развития социального. Однако по мере возникновения у человечества новых потребностей, новых задач — задач, которые нельзя ставить и решать в расплывчатых терминах, стали постепенно появляться и совершенствоваться языки все более формальные, языки, на которых стало возможным строгое задание понятий, отображающих реальный мир.
Два великих мыслителя сформулировали полярные подходы к определениям понятий. Определяйте значения слов, выражений языка — понятия, и вы избавите человечество от многих заблуждений, говорил Рене Декарт; ’’определить — значит ограничить” (или иначе: ’’определение есть отрицание”) , писал Бенедикт Спиноза. Именно второй подход близок к тому понятию сложности, о котором сейчас идет речь. Из огромного количества систем понятий, которые имеются для постановки и решения той или иной (массовой) задачи, ’’формалист” вынужден использовать одно-единственное. Все остальные он отбрасывает. Можно сказать, что при формализованном подходе жизнь из неограниченно богатой, многокрасочной, яркой становится одноцветной, одномерной; рассматриваются лишь определенные аспекты того или иного явления, все же другие решительно отсекаются.
С появлением систематических научных знаний человечеству в его исследовательской и практической деятельности пришлось в массовом порядке решать задачи, для которых ’’размытый” язык не приспособлен, задачи, где на первый план вышла необходимость строгих определений. Прежде всего это задачи математики и математического естествознания. Но не только они. Ныне возникла необходимость переноса если не математико-логических методов, то во всяком случае формально-логических подходов и математических вычислений, издавна используемых в ’’простых” дисциплинах (таких, как геометрия, механика, астрономия), в дисциплины, имеющие существенно более сложный предмет исследования, лежащий в сфере гуманитарной деятельности человека. Однако надо обдумать: всегда ли это возможно?
Геометрия стала наукой тогда, когда были аксиоматически определены (пусть поначалу, в геометрии Эвклида, не очень строго) основные понятия и основные взаимосвязи между ними, называемые постулатами. Механика
49
стала научной дисциплиной, а не ремеслом тогда, когда такие ’’размытые” понятия, как ’’скорость”, ’’сила”, ’’ускорение”, великими механиками прошлого были определены математически. Идея силы существовала много тысячелетий, но как элемент научного мышления соответствующее понятие возникло лишь с формализацией его в законах Ньютона. Дело обстоит так, что задачи, вырастающие перед человечеством, — в его науке и практике — заставляют четко задавать определенную совокупность понятий, уменьшать степень их ’’размытости”, как говорят, производить их экспликацию (уточнение) . Как только для определенного круга понятий такой шаг реализуется, так тотчас же выделяется класс (классы) задач, в постановке и решении которых используются эти уточненные понятия.
Ныне в научном знании возникла потребность в экспликации идеи сложности. Примерно двадцать лет назад в математической логике стала формироваться по сути дела новая дисциплина, создатели которой смотрели на нее как на систему понятий и утверждений, имеющую главным образом теоретическое значение. Если говорить об отечественной науке, то это были прежде всего работы А. А. Маркова и А. Н. Колмогорова, а также их учеников (и учеников их учеников); важные результаты в данной области были получены также в научных школах С. В. Яблонского и О. Б. Лупанова. В итоге было разработано четкое понятие сложности задания объекта (или сложности его записи). В общем и целом, под сложностью записи объекта понимается кратчайшая длина программы, наименьшее число команд, которое должно быть введено в идеализированную машину (машину, рассматриваемую в рамках абстракции потенциальной осуществимости) для того, чтобы она могла решить любую задачу некоторого класса — предъявить объект, считающийся ее решением. Или — ’’почти любую”: в смысле какой-то разумной или естественной меры, установленной на данном классе задач.
В ходе исследований отмеченное понятие подверглось ряду модификаций. В частности, появился подход, в рамках которого уточняется понятие сложности функционирования (или сложности вычисления). Если имеется достаточно простая программа, которая применяется к решению некоторой конкретной задачи, то — несмотря на краткость программы — мы можем столкнуться с весьма длинными вычислениями (например, из-за множества циклов вычислительного процесса). Эта ситуация и фиксируется в понятии сложности вычисления (функционирования). Это понятие отличается от понятия сложности задания объекта, и с ним оказывается связанной своя исследовательская область.
Имеется и третий подход к феномену сложности, который уместно назвать конструктивно-энергетическим. Две упомянутые меры сложности -сложность задания объекта и сложность функционирования вычислительной системы - связаны с формально-логическими понятиями. Энергетический 50
подход исходит из ’’инженерных”, физических соображений. Сводится он к утверждению, что сложность можно измерять энергией, которая должна быть затрачена для того, чтобы за время, которое не больше заданного, на любом физически реализуемом устройстве можно было решить задачу из заданного класса. Или (вариант) эту сложность можно измерять временем, которое требуется для решения любой (или ’’почти любой” — в отмеченном ранее смысле) задачи данного класса — при существующих ныне энергетических
и конструктивных ограничениях или при допустимых энергетических затратах обозримого будущего.
Независимо от описанных путей экспликации идеи сложности следует констатировать экспоненциальный рост реальных сложностных характеристик тех объектов, которые окружают человека. Поясним это на простом примере. Ныне хорошо известно, какую роль в кибернетике играет такой раздел математической логики (и алгебры), как булева алгебра. При обычном в классической математике подходе центральном объектом этого раздела оказывается булева функция. Так называется функция, которая определена на множестве из двух значений (обычно в качестве таковых выбираются числа 0 и 1) и принимает значения тоже из этой области. Булевы функции могут моделироваться релейно-контактными схемами; можно считать и наоборот, что они моделируют упомянутые схемы: здесь проявляется симметричность отношения ’’быть моделью”, так как между множеством булевых функций и множеством релейно-контактных схем определенного вида существует отношение изоморфизма. Естественно возникает задача обозрения всех булевых функций (соответственно, релейно-контактных схем). Поскольку число их бесконечно, первый вопрос, который встает перед
исследователем, состоит в том, как зависит от числа аргументов число соответствующих попарно-различных булевых функций. Оказывается, что если число аргументов равно п (п = 1, 2, 3, . . .), то число всех попарноразличных булевых функций от п аргументов к = 22 . Это означает экспоненциальный рост, что наглядно видно из следующей таблицы:
В результате мы очень быстро приходим к тому, что А. Н. Колмогоров назвал ’’большими” и ’’очень большими” числами. На идеях Колмогорова мы считаем необходимым остановиться более подробно.
В известном докладе ’’Автоматы и жизнь” (состоялся в сентябре 1961 г.) А. Н. Колмогоров провел различение четырех категорий чисел—’’малых”, ’’средних”, ’’больших” и ’’очень больших”. Это деление, отмечает Колмогоров, не строго, в нем числа делятся на категории лишь с точностью до по
1
2
3
4
5
6
4
42 (т. е. 16)
162 (т. е. 256)
2562
2564
256®
51
рядка величины. Но для проводимых им рассмотрений — они касаются возможностей кибернетики в изучении живого и мыслящего — большая строгость и не нужна. По Колмогорову число А называется малым, если практически (для человека или машины) возможно перебрать все контактные схемы из А элементов или (что фактически одно и то же) выписать для них все булевы функции. Число А называется средним, если перебрать все схемы из А элементов реально невозможно, но можно перебрать сами эти элементы или (что чуть-чуть сложнее, замечает Колмогоров) выработать систему обозначений для любой системы из А элементов. Число А — большое, если невозможен перебор и такого числа элементов, но возможно установление системы обозначений для этих элементов. Если же и этого сделать нельзя, то число считается сверхбольшим.
Колмогоров приводит следующие примеры. Число 3 — малое, так как число булевых функций от трех аргументов к = 22 = 256, а 256 функций вполне можно реально ввести в рассмотрение (например, выписав их табличные значения). Однако число 5 уже не малое число, так как перебор 2564 булевых функций (контактных схем) от пяти аргументов реально невозможен ни для человека, ни для машины. В качестве другого примера среднего числа Колмогоров приводит число 1000, примером же большого числа может служить, говорит он, число видимых звезд на небосклоне. Ибо каждый знает, что нельзя пересчитать звезды пальцем, а тем не менее существует каталог звездного неба, т. е. для звезд выработана система обозначений.
Большие вычислительные возможности ЭВМ приводят к определенному сдвигу в этой классификации (например, число 5, не малое для человека, является малым для ЭВМ), однако в общем ее не нарушают: хотя соответствующие числа для машины гораздо больше, они остаются близкого порядка с ’’человеческими”: 3 для человека и 10 для машины в случае малых чисел, 103 для человека и 1010 для машины — в случае средних чисел, 10100 для человека и Ю10 для машины - в случае больших чисел (о сверхбольших числах Колмогоров говорит, что они ”не понадобятся”). ’’Между числами разных категорий, — пишет Колмогоров, — существует непроходимая грань: числа, средние для человека, не становятся средними для машины. 103 несравненно больше, чем 10, а 1О100 безнадежно больше, чем 101 °” [30, с. 24]. Эти заключения были сделаны в начале 60-х годов. Развитие вычислительной техники привело к возрастанию ’’чисел Колмогорова” для машин, но не сняло для них различия в четырех категориях чисел. В силе остается вывод советского математика о том, что объем памяти живого существа и даже машины характеризуется средними числами, а многие проблемы, решение которых предполагает простой перебор, — большими. И вот тут-то А. Н. Колмогоров формулирует принципиально важный тезис: ’’Проблемы, которые не могут быть решены без большого перебора, останутся за пределами возмож
52
ностей машины на сколь угодно высокой ступени развития техники и культуры” [30, с. 24]. Это надо понимать в том смысле, что их решение останется недоступным для вооруженного вычислительной техникой научного исследования. Следует заметить: уже сейчас установлено, что некоторые проблемы — они изучаются в теории автоматов и математической логике — не могут быть решены без простого перебора. В связи с этим Колмогоров ставит принципиальный вопрос: существуют ли такие проблемы, связанные с кибернетическим анализом живого, которые ’’ставятся и решаются без необходимости большого перебора?” [30, с. 25]. Ответ на этот вопрос приходится ожидать от будущего развития научного познания.
Итак, не исключено, что количественные характеристики роста сложности, обычно носящие экспоненциальный характер, имеют принципиальное значение. Поэтому если проблемы, относящиеся к некоторому классу систем, — проблемы их модельного описания, удовлетворяющего заданным критериям, их анализа или синтеза, — не могут решаться без простого перебора, они с ростом сложности системы могут оказаться за пределами возможностей научного анализа, использующего вычислительную технику, могущую быть созданной на любой мыслимой ступени развития цивилизации. Ибо перебор в этом случае наталкивается на преграду ’’больших” и ’’сверхбольших” чисел (по А. Н. Колмогорову). И можно полагать, что некоторые из задач, решение которых в принципе невозможно без простого перебора, возникают при изучении жизни и психики.
Теперь уместно вернуться к идеям фон Неймана. Последний высказал гипотезу, что здесь мы выходим в сферы, где невозможны описания, являющиеся более простыми, чем описываемые системы: простейшим описанием объекта, достигшего некоторого порога сложности, оказывается сам этот объект, а любая попытка его достаточно полного формально-логического представления или моделирования приводит к чему-то более сложному, запутанному и трудно выполнимому.
Фон Нейман рассматривает проблему на примере зрительного восприятия — явления фактически еще мало объясненного. Его интересует вопрос, в чем состоит явление зрительного узнавания, опознавания визуальных образов; как описать, что человек или животное такие-то объекты опознает как ’’одинаковые”, а такие-то — как ’’различные”. Фон Нейман приходит в связи с этим к следующему ’’пессимистическому” заключению. Приблизительно пятую часть головного мозга человека занимает его зрительный аппарат, т.е. аппарат, реализующий визуальное опознавание объектов. Если обратиться к числам (которые, говорит фон Нейман, не очень надежны, но дают верную ориентацию), то получается, что сеть, содержащая порядка двух миллиардов ’’реле”, занята только организацией зрительных образов (’’зрительной аналогией”) . Априори не ясно, может ли существовать какое-нибудь более простое
53
описание того, что такое зрительная аналогия, чем просто перечисление соединений, составляющих зрительный аппарат. Поэтому, приходит к выводу фон Нейман, отнюдь не исключено, что поиски точного логического определения ’’зрительной аналогии” напрасны. ’’Весьма возможно, что уже сама схема связей в зрительном аппарате мозга является простейшим логическим выражением (или определением) принципа зрительной аналогии” [59, с. 91]. ”Я считаю, — говорит фон Нейман, - что это абсолютно неизбежно; когда такая ситуация возникнет, это просто вопрос степени усложнения. Я думаю, что по ряду причин можно подозревать, что именно так обстоит дело с вещами, производящими неприятно туманное и расплывчатое впечатление (вроде вопроса, что такое зрительная аналогия), где мы чувствуем, что никогда нс дойдем до конца описания. В таком случае быстрее сделать что-то, чем описать, быстрее привести схему, чем дать общее описание всех ее функций и всех мыслимых обстоятельств” [60, с. 67].
Кибернетика усвоила путь описания функционирования, поведения в терминах теории автоматов (и родственных теорий типа теории формальных нейронных сетей, формальных грамматик, алгоритмов и т. п.), одним из главных создателей которой был фон Нейман. Естественно, что он поясняет проблему в автоматных терминах. Обычно, говорит он, описание поведения автомата проще, чем полная схема этого автомата. Однако априори неверно, что это всегда так. Многое в формальной (математической) логике, считает он, свидетельствует в пользу того, что описание функций автомата проще самого автомата лишь до тех пор, пока этот автомат не очень сложный, когда же уровень сложности становится достаточно высоким, реальный объект оказывается проще, чем его языковое описание, например некоторая его формальная модель.
Учитывая предполагаемые ”сложностные” ограничения, некоторые сторонники ’’сложности о го” подхода к проблемам творчества (’’творчество — умение ставить и решать сложные задачи”) полагают, что творческие задачи на современной или перспективной (но опирающейся на известные сейчас законы природы) физически реализуемой машине не могут быть решены за обозримый промежуток времени (скажем, за срок жизни одного поколения) .
Большинство новых, современных задач, которые встают перед человечеством, как и множество задач и раньше возникавших и так или иначе решавшихся людьми, — это задачи, носящие творческий характер. Для того чтобы передать их решение любой ’’мыслящей” машине, необходимо ввести четкие определения, отказаться от размытости, ввести понятие счета, ибо ’’машина” связывается с понятием алгоритма, а алгоритм — это частично рекурсивная функция, или ’’машина Тьюринга”, или автомат фон Неймана, или
54
сеть формальных нейронов Мак-Каллока — Питтса, или любая другая ’’машина” в указанном значении этого слова.
Многие задачи творческого характера, которые ныне решаются людьми — экспертами в своей области, задачи, которые возникают в биологии и технике, в экономике и социологии, в различных гуманитарных науках, — это задачи сложные. Если их перевести с естественного языка с его гибкой и динамичной семантикой на язык машин и алгоритмов и если не довольствоваться отдельными, уникальными решениями, а требовать от машины (пусть обозримого будущего, но созданной на предвидимых ныне принципах конструирования и программирования), чтобы она могла решать задачи данного класса — все либо почти все (в соответствии с какой-то естественной мерой), то не исключено, что по крайней мере для некоторых из них потребуется время, сравнимое с продолжительностью геологических периодов, пережитых нашей планетой. Сейчас мы не в состоянии ориентироваться в оценке сложности реальных творческих задач. Однако возможно, что на путях экспликации сложностных параметров, о которых шла речь в начале данного раздела, со временем будут получены заключения, имеющие научно-техническую и практическую ценность.
Описанные нами ’’сложностные” трудности касаются прежде всего второй и третьей ступеней в той иерархии уровней рассмотрения возможностей кибернетического моделирования, которые мы ранее выделили: речь идет о технической реализуемости (’’слишком много вычислений?”) и практической целесообразности (’’слишком много энергии?”). Затрагивает ли все сказанное первый уровень возможности — уровень принципиальной осуществимости (иначе его можно назвать уровнем потенциальной реализуемости)? По-видимому, да. Если принять ’’сложностные” ограничения, то потребуется выделить еще один — промежуточный между потенциальной реализуемостью и реальной осуществимостью — уровень, причем первый уровень тогда придется трактовать в качестве ’’абстрактной возможности”, или, другими словами, возможности логической, возможности того, что, по Канту, может быть мыслимо существующим без впадения в формальное противоречие. В более современных терминах — это то, что не запрещается ни законами логики, ни общими принципами естествознания. Возможность передачи любого процесса переработки информации подходящим образом запрограммированной машине Тьюринга в общем случае (а не в случае тех или иных конкретных рассмотрений) есть именно такая абстрактная возможность. Конечно, открытие такой возможности явилось важным гносеологическим результатом кибернетики (и математической логики), о чем мы еще будем говорить. Принцип, на котором базируется эта возможность, — это уже упоминавшаяся нами абстракция потенциальной осуществимости, которую теперь можно конкретизировать как отвлечение от сложностных ограничений.
55
Ну, а чего можно достичь, если от этих ограничений не отвлекаться? Изучение этого вопроса как раз и относится к новому, подлежащему учету уровню анализа возможностей кибернетического моделирования — уровню реализуемости как таковой. Именно уяснению возможностей алгоритмической переработки информации на этом уровне служат исследования сложности программ (алгоритмов) и вычислений (алгоритмических процессов). Пока в этом направлении сделано еще мало. Мы не знаем, в какой мере данный уровень позволяет продвигаться вперед в моделировании и ’’воспроизведении” творческих процессов. Поэтому можно сказать, что очерченные на этих страницах затруднения, стоящие на пути ’’машинного творчества”, основанные на понятии сложности, — затруднения, о которых мы пока скорее догадываемся, чем можем ясно сформулировать, — никак не исчерпываю г проблемы и нуждаются не только в развитии соответствующей теории, но и в высшей форме испытания — испытании практикой.
личность
Важное значение понятие сложности имеет в контексте попыток ’’моделирования личности”.
Понятие ’’личность” — трудное понятие, и его анализу посвящены многочисленные исследования, на которых мы не можем здесь останавливаться. Взглянем на вопрос с кибернетической точки зрения. Что при таком взгляде имеется в виду под моделированием личности? Воспроизведение в моделях отдельных личностных черт, а если говорить о личности ”в целом”, то модельное представление такого характеристического ее признака, как свойство быть индивидуальностью. Предполагается, что это свойство — тоже продукт сложности. Ведь даже современная техническая система, если она очень сложна (например, океанский и воздушный лайнер), и то обладает индивидуальными особенностями, что хорошо знают инженеры-испытатели.
Разумеется, индивидуальность поведения машин не имеет черт ’’личносги” ни в каком самом ’’деантропоморфизированном” смысле. Но можно предположить, что когда сложность машин того рода, который мы называем кибернетическими, превысит — в будущем — некоторый предел, мы, возможно, получим информационные устройства (точнее, программы), которые будут обладать какими-то ’’личностными” чертами — аналогами свойств человеческих личностей, их индивидуальности. В пользу этого говорит то простое соображение, что личность распознается окружающими (т. е. другими личностями) на основании ее знаний, накоплений информации и умения ею пользоваться.
Жизненные перипетии ’’дарят” нам подчас горькие ’’эксперименты”, подтверждающие такой информационный подход к личности. Кому не известны 56
случаи, когда с фронта возвращался человек, настолько обезображенный, что ни одной черточки его внешней ’’упаковки” не оставалось — разве только рост, да и то не всегда. И все же стоило такому человеку заговорить, пусть даже изменившимся голосом, как его тотчас узнавали — по тому запасу ’’информации”, знаний, которыми располагал мозг (иначе говоря, в данном контексте, личность) человека, по их проявлению в поведении, общении, отношении к другим личностям. Бывали и обратные ситуации: скажем, произошел несчастный случай, и внешне здоровый и физически не изменившийся человек ’’утратил личность” — вследствие контузии, шока или еще по каким-то другим причинам у него произошла амнезия, т. е. потеря памяти, утрата накопленных знаний, прежнего содержания сознания, деформация самосознания; и вот результат: человеческая ’’оболочка” цела, но личности нет.
На основании этих наблюдений — в сочетании с предложением о грядущем обогащении информационных ’’способностей” устройств переработки информации - можно выдвинуть гипотезу о том, что нарастающая сложность (как конструктивная, так и функциональная) вычислительных систем может породить в них такие проявления индивидуального поведения, которые будут восприниматься как ’’черты личности”. Конечно, эти черты не будут аналогами главного в человеческих личностях, каковым является наличие внутреннего мира, самосознания (как сознания своего существования), потребностей и интересов, а также форм проявления этих феноменов в социально обусловленном поведении, имеющим сложную мотивационную структуру.
Разумеется, никто не ставит задачей воспроизведение на кибернетических моделях каждой из черт личности, какая только когда-либо была замечена у человека. Прежде всего это неосуществимо с технической точки зрения: ”В настоящее время среди специалистов, работающих в области моделирования личности, сложилось четкое понимание невозможности (во всяком случае при существующем уровне вычислительной техники, математики и психологии) создания на ЭВМ комплекса программ, обладающих возможностями и особенностями, которые свойственны любому реальному человеку” [61, с. 228]. Подобная задача в сильнейшей степени подвержена ’’сложност-ным” ограничениям, даже если брать их в самой слабой форме. Создание искусственного устройства, ”мозг” которого с точностью повторил бы (хотя бы только по информационным функциям) мозг данного конкретного человека, — это задача практически неразрешима и вряд ли целесообразна.
Но не будем забывать, что и в жизни не бывает такого, чтобы один человек как личность в точности повторил другого человека, что из аналогий между процессами переработки информации и управления в машине, живом организме и человеческом обществе выросла кибернетика. И в одном (живое существо, человек), и в другом (машина) случае речь идет об аппарате, способном в ходе взаимодействия с внешней средой учиться, накапливать
57
информацию и в силу своей исходной сложности развиваться своим путем, в результате чего он приобретает определенные индивидуальные черты.
Как отмечают Г. С. Поспелов и Д. А. Поспелов [61], разрабатывая машинные ’’модели личности”, исследователи обычно преследуют две цели. Одна из них — выявление тех механизмов, которые формируют ’’личность” как некую индивидуальность, какой бы упрощенной ни была данная модель. Другая цель — выяснение (в той мере, в какой это окажется возможным) механизма влияния свойств ’’личности” на ее поведение в тех или иных проблемных средах; разумеется, обе эти цели тесно связаны друг с другом. И кое-что в кибернетике в этом плане уже научились делать. Так, можно указать на работы Н. М. Амосова (и некоторых других ученых — в нашей стране и за рубежом) по моделированию эмоций и на исследования М. Л. Цетлина [62] (продолженные школой его учеников) по моделированию поведения человека в группе, осуществленное в терминах ’’коллектива автоматов”.
В отличие от работ, например, по теории игр, выросших из задач, относящихся к поведению людей в экономической сфере, — работ, которые являются достаточно продвинутыми, - машинные эксперименты с ’’искусственной личностью” носят пока крайне примитивный характер. Это отчетливо видно из статьи ’’Машины, обладающие чертами личности”, принадлежащей Дж. Лойелину из Техасского университета (см. [63, с. 138 — 152]). Статья имеет претенциозную аннотацию: ’’Сегодня на ЭВМ могут быть реализованы модели, демонстрирующие многие свойства личности человека, включая любовь, страх, гнев. Они могут иметь убеждения, принимать ту или иную точку зрения и взаимодействовать с другими машинами и людьми”. Это претензия резко контрастирует с весьма скромным характером описываемых Лойели-ном результатов. Тем более на них стоит остановиться.
Прежде всего автор пытается дать ответ на естественно напрашивающийся вопрос: ”А зачем это нужно?”. Он полагает, что опыты с ’’искусственной личностью” помогут проверим* имеющиеся в психологии гипотезы о процессах, определяющих личность человека; что модель, близкую по некоторым параметрам к личности определенного человека, можно будет использовать для прогнозирования поведения последнего; и что модельно-личностные системы можно будет применять в качестве ’’учебных пособий” (например, для подготовки психотерапевтов). В статье описаны две модели: построенная автором модель ’’Олдос” (названа в честь английского писателя Олдоса Хаксли, автора романа-антиутопии ’’Отважный новый мир”) и модель ’’невротической личности”, разработанная психоаналитиком К. М. Колби из Стэнфордского университета.
По словам Дж. Лойелина, ’’Олдос” воспроизводит процессы опознавания эмоциональных реакций, выбора действий, интроспекции (трактуемой как самонаблюдение) и обучения. ’’Олдос реагирует на входную информацию 58
страхом, гневом и симпатией. На выход он выдает действия или свое отношение: уклонение, нападение, приближение, враждебность или безразличие. Через определенный промежуток времени он вырабатывает как общее, так и специфическое отношение к предметам, с которыми соприкасается” [63, с. 140]. Чтобы избежать недоразумений, могущих возникнуть у читателя, подчеркнем метафорический характер используемой терминологии: когда Лойелин говорит о ’’страхе”, он подразумевает переменную в программе, которая принимает различные значения, интерпретируемые автором программы как соответствующие различным степеням страха и т. п. Ограниченность подобного подхода очевидна.
На модели ’’невротической личности”, разработанной К. М. Колби, ее создатель пытался имитировать некоторые проявления эмоциональных и интеллектуальных процессов; согласно описанию, модель выражает структуру отношений с учетом гармонии или конфликта в ситуации. Программа оказалась способной к ведению диалога, характер которого виден из следующего, приведенного в работе [63] примера:
Программ а: Я хочу больше узнать о вашем окружении, в особенности о вашей жизни в семье.
Человек: Мой отец и мать не слишком ладили друг с другом. Программа: Сообщите что-либо важное о вашем отце. Человек: Жизнь с ним была трудна, так как он стремился подавлять всех. Программа: Вам нравится ваш отец?
Человек: Нет, не нравится.
Программа: Однако чем-то он должен вам нравиться.
Человек: Он любил ловить рыбу и я тоже.
Программа: Восхищались ли вы им в юношестве?
Человек: Думаю, что нет.
Программа: Почему нет?
Человек: Потому, что он был слишком слабым человеком - и т. д.
Разумеется, ’’подлинная” (что бы мы ни понимали под этим термином) ’’искусственная личность”, приносящая пользу и кибернетике, и исследованию поведения человека и социальных групп, если и будет создана, то еще очень не скоро. Но эксперименты идут, и какими бы скромными они ни были — они будут продолжаться. В целях обоснования этого тезиса сошлемся на анализ отечественных работ в данной области, сделанный Г. С. Поспеловым и Д. А. Поспеловым [61]. Как указывают упомянутые авторы, работы в области ’’моделирования личности” идут в нашей стране по двум направлениям. С одной стороны, разрабатываются модели личности ”на бумаге”, т. е. выявляется структура программ (и их особенности), посредством которых можно было бы надеяться в конце концов получить на ЭВМ достаточно богатую ’’модель личности” как некой ’’индивидуальности”. С другой стороны, исследователи пытаются промоделировать на ЭВМ отдельные ’’черты лич
59
ности” и ее поведения, причем ставится задача создания теории подобного моделирования.
К первому направлению принадлежат исследования Н. М. Амосова и коллектива руководимых им специалистов в Институте кибернетики АН УССР. Теоретическое обоснование предложенного этими исследователями комплекса программ, отмечается в [61], предпринято в ряде опубликованных ими работ. Но практически реализация рассматриваемого программного комплекса натолкнулась на трудности, хотя та его часть, которая относится к влиянию ’’личностных свойств” на выбор поведения в проблемной среде, была доведена до машинных экспериментов.
Второе направление в основном касается разработки машинных программ моделирования эмоций. Но и здесь, как указывается в [61], пока разрабатываются только принципы такого моделирования, уточняются понятия и структура процессов. К этим работам примыкают исследования, нацеленные на машинное моделирование поведения (проявлений поведения) людей с нарушенной психикой (модель ’’невротической личности” К. М. Колби, о которой шла речь выше, относится как раз к такого рода работам), а также работы по моделям поведения личности в конфликтных ситуациях, когда человеку приходится принимать решение в условиях враждебной ’’проблемной среды”. Здесь кибернетическое моделирование личностного поведения перерастает в разработку моделей поведения коллективов. Как отмечается в [55], такое моделирование должно преследовать цель получения таких решений проблем, которые были бы не хуже, чем те, которых добиваются коллективы людей.
Моделирование коллективного поведения как особое исследовательское направление развивается в нашей стране с конца 50-х годов. Его создателем был уже упоминавшийся нами М. Л. Цетлин. Замысел этого исследователя состоял в модельном обосновании тезиса, согласно которому сложные формы деятельности могут возникать вследствие взаимодействия более простых (и даже однотипных) форм поведения. Результатом явилась концепция, получившая наименование теории коллективного поведения автоматов [62], поскольку ’’субъекты”, входящие в коллектив, рассматриваются в ней столь схематично, что их можно уподобить конечным автоматам. Хотя, как отмечается в [61], эта теория, первоначально ориентировавшаяся на моделирование человеческого поведения, ныне утратила первоначальную ’’поведенческую” направленность и в значительной степени превратилась в теорию децентрализованного управления сложными системами, она продолжает давать импульс интересным исследованиям. В качестве примера можно указать на опыты по разработке моделей коллективного поведения ”с рефлексией” или использование в моделях групповой деятельности таких ’’человеческих” средств, как логика норм и оценок (деонтическая логика) [64, 65].
60
Итак, ’’моделирование личности” делает лишь первые шаги. О добротных реализациях на ЭВМ соответствующих моделей говорить пока трудно. Однако интересно, что теоретические подходы, в этой связи развиваемые, иногда находят, так сказать, боковой, но зато вполне практический выход. Это касается, например, исследований, направленных на разработку комплекса программ, моделирующих ’’искусственную личность”, — ’’ГИРОМАТ” [66, 67]. Не будучи доведены до полноценной машинной реализации, они нашли продолжение в ситуационном управлении [68,69].
РОБОТЫ
Как известно, слово ’’робот” придумал чешский писатель Карел Чапек еще в годы, предшествовавшие Второй мировой войне. Довольно быстро оно заполнило страницы научно-фантастических произведений. А в наши дни это слово приняло терминологический характер и распространилось на мир научных отчетов и солидных монографий, описывающих результаты исследований в области ’’искусственного интеллекта”. Одним из первых это сделал, по-видимому, Н. Нильсен, который назвал интегральным роботом сконструированную им тележку, имеющую датчики, которые воспринимают информацию, идущую из внешней среды; тележка способна, перемещаясь в этой среде, передвигать в ней различные предметы. Впоследствии ’’интегральным роботом” стали называть любую автономную машину, способную к вариабельному поведению в достаточно многообразной обстановке без участия человека.
Часть обширно и нечетко определенной области, метафорически названной ’’искусственный интеллект”, в которой реализованная на ЭВМ информационная система непосредственно соприкасается с ’’внешним миром”, — обычно стандартизованным, но все же вполне реальным, — получила название ’’робототехники”, или ’’роботехники” (robotry). В робототехнике — той ее части, которая входит в направление искусственного интеллекта, не только сохраняются все его актуальные проблемы (роботы должны уметь решать задачи, распознавать образы, ’’понимать” выражения некоторого языка, желательно естественного, и т. п.), но и появляются новые, специфичные для роботов. Они связаны с выполнением роботами предварительно выработанных планов в условиях некоторой среды, содержащей неопределенности. Приходится разрабатывать теорию построения и выполнения роботами планов их деятельности, а также контроля за ней; наличие неопределенностей в средах, в которых действуют роботы, заставляет вкладывать в ЭВМ структуры, реализующие модели проблемных сред (своеобразные ’’внутренние модели внешнего мира”).
61
Несмотря на ’’раннюю молодость” интегральных роботов, специалисты по прогнозированию научно-технического прогресса полагают, что мы находимся на пороге их быстрого усовершенствования. ”В противоположность эволюции живых существ, являвшейся по существу процессом проб и ошибок, эволюция роботов представляется заранее тщательно продуманным процессом. Начавшись в той ’’точке”, в которой эволюция живых существ достигла своего предела, а именно с появлением человека, эволюция роботов обещает превзойти человека в определенных областях, хотя в других областях превосходство и останется за человеком” [70, с. 112]. Несомненно, в этой характеристике есть преувеличение, есть моменты, с которыми трудно согласиться (роботы сопоставляются с человеком как нечто ему ’’равноправное”), но она все же показательна: среди тех, кто следит за развитием техники, сложилось прочное убеждение в грядущем быстром прогрессе ’’роботики”.
Развитие интегральных роботов инициировано реальными потребностями науки и техники: необходимостью радикального повышения степени автоматизации производства, для чего автоматы должны обладать большой кинетической свободой и быть в состоянии ’’оценивать” изменяющуюся внешнюю среду, на основе чего ’’принимать решения” и реализовывать их; замены человека на работах в неприемлемых или вредных для него условиях: на больших глубинах, высотах, при больших уровнях радиации, высоких температурах и т. п.; освобождения человека от однообразной, утомительной, рутинной работы. Роботы должны послужить радикальному прогрессу в исследованиях планет Солнечной системы, в частности Марса. Расстояние до этой планеты таково, что передача с нее на Землю одного бита информации в среднем требует 15 минут; при таких задержках телеуправление с Земли становится практически невозможным, и интегральные роботы превращаются в незаменимое средство изучения Марса.
Роботехника пересекается практически со всеми направлениями ИИ: это сгусток последних достижений в таких областях, как конструирование ЭВМ, теория систем управления, прикладная механика, распознавание образов, обучающиеся автоматические системы, языки программирования, теория принятия решений и многое другое. Смело можно сказать, что нет таких исследований по проблематике ИИ (и смежным с ней областям), которые в той или иной мере не были бы причастны к разработке роботов. Примечательно также широкое использование в ’’роботике” бионических подходов, призванных служить повышению эффективности автономных автоматических систем за счет введения адаптивных механизмов, использования принципов параллельной обработки информации, обучения и пр. Сказанное нетрудно подтвердить примерами.
Авторы разработки совокупности решающих устройств для управления роботом Л. Сутро и У. Килмер [70] создали компактную аппаратуру для 62
распознавания объектов на поверхности Марса, изготовленную на основе представлений У. Мак-Каллока о зрительных процессах, протекающих в глазе лягушки. Этот факт — применение физиологических концепции Мак-Кал-лока к решению технических задач создания интегрального робота для исследования возможных форм жизни и геологических образований Марса — имеет большое методологическое значение. Сам У. Мак-Каллок об этом говорит так: ”Мы используем слово ’’робот” в двух смыслах. В первом, менее важном смысле — это машина, выполняющая отдельные изолированные функции, свойственные человеку. Во втором, более важном смысле — это описание жизни, применимое как к живому существу, так и к машине. Такое описание не зависит от того, создана ли система из металла или из живых клеток. Это центральная идея кибернетики: использовать ту же логику и математику для описания человека и машины... Таким образом, в более важном смысле робот — это функциональное описание системы, которая до недавнего времени могла быть получена лишь в результате роста живых клеток, а теперь начинает становиться чем-то, что мы можем сами изготовлять” (цит. по [70],с. 150, 151).
Развитие ’’роботостроения” ныне идет регулярно и затрагивает не только теоретические разработки, но и техническую реализацию их принципов в металле. Сейчас принято различать роботы трех поколений. Роботы первого поколения — это механические устройства (манипуляторы, станки), управляемые жесткой программой или непосредственно человеком. Роботы второго поколения представляют собой устройства, имеющие более гибкую систему восприятия информации и систему обратных связей, позволяющие им более эффективно действовать при выполнении различных заданий; эти роботы вместо жесткой программы способны в зависимости от реальной обстановки переключаться на те или иные ’’сценарии” программ, что существенно расширяет комплекс возможностей, которыми они располагают. Наконец, роботы третьего поколения способны воспринимать сложные конфигурации в трехмерном пространстве, взаимодействовать с человеком на некотором фрагменте естественного языка и из совокупности имеющихся сценариев компоновать планы достижения поставленных перед ними целей общего характера и контролировать ход их выполнения при помощи совокупности разнообразных анализаторов. Такие роботы иногда называют ’’проблемно-ориентированными”.
Для иллюстрации сказанного совсем кратко рассмотрим упрощенную структуру управляющей программы робота с автоматической зрительной системой (и манипулятором), решающей одну из головоломок. Существо головоломки состоит в том, чтобы из четырех многоцветных кубиков построить башню, на каждой стороне которой имеется не более одной грани каждого цвета. После решения восьми вычислительных задач в мультизадач-
63
ном режиме манипулятор (’’рука”) из отобранных четырех объектов определенного цвета строит из кубиков требуемую башню. На рис. 6 показана блок схема управляющей программы, которая задает последовательность различных подзадач, задает действия, направленные на исправление ошибок, организует автономную работу отдельных частей системы и обеспечивает воспроизведение данных на дисплее [70, с. 83]. Несмотря на то, что этот робот может решать лишь весьма специфическую задачу, опыт решения головоломок и различных настольных игр позволяет создателям интегральных роботов отрабатывать внутреннюю структуру ЭВМ, реализующую модель проблемной среды — своеобразную ’’модель мира” робота.
Пуск
±
Определить цвета граней, обращенных к камере
Цвета тыльных граней известны для всех кубиков ?
Забраковать объект
Найти решение
Попросить подвинуть кубики. Исключить передвинутые кубики
Сложить, чтобы продемонстрировать решение
Рйс. 6.
64
Чтобы избежать возможных недоразумений, подчеркнем условный характер антропоморфной терминологии многих работ по интегральным роботам. Например, одна из статей сборника [70] называется ’’Вычислительная машина с руками, глазами и ушами”. Излишне, разумеется, объяснять, что речь идет о распознающем электронно-оптическом устройстве, манипуляторе и системе микрофонов с усилителями; точно так же излишне, на наш взгляд, приводить длинные технические наименования устройств, имеющих краткие (по названию) психофизиологические функциональные аналоги.
Даже сверхсовремейкые интегральные роботы несоизмеримо проще тех, какие вывел Карел Чапек в своей фантастической драме ”РУР”. И несмотря на это, между вымыслом вчерашнего дня и реальностью дня сегодняшнего есть что-то общее, оправдывающее метафорический перенос художественного термина в научно-техническую сферу. Особенно это чувствуешь, когда знакомишься с некоторыми новыми идеями в проблеме ’’общения” человека с роботами на естественном языке. В качестве примера приведем работы Т. Винограда, о которых на советско-американской конференции М. Минский говорил: ”3а последние 10 лет мы увеличили разум ЭВМ в 10б раз, и я просто как игрок в покер скажу, что на руках у меня имеется доказательство существования искусственного разума. Это докторская диссертация Т. Винограда* из Массачусетского технологического института... В ней мы находим программу для вычислительной машины, обладающей небольшой, но все же заметной долей человеческого разума” [1, с. 136].
Конечно, эти слова нельзя принимать всерьез**. Но энтузиазм Минского можно понять. В диссертации Т. Винограда, написанной в 1970 г. (потом она была издана в США отдельной книгой и в 1976 г. опубликована в русском переводе [71]), содержится отчет о разработанном им программно-управляемом автономном роботе; программа,заложенная в управляющую роботом ЭВМ, позволяет последнему производить грамматический разбор стандартизованных английских фраз, ’’истолковывать” их смысл, отвечать на поставленные человеком вопросы (в пределах ’’языковых возможностей” робота) и выполнять распоряжения последнего с помощью манипуляторов, действующих в простейшей ’’среде” из детских кубиков.
Рассмотрим пример из работы Т. Винограда, иллюстрирующий возможности программы в ограниченном механическом мире, содержащем стол, ’’ручку”, ящик и несколько детских игрушек: разноцветных кубиков и пирамид; в этом мире существует несколько элементарных понятий: твердого тела; того, что нечто может находиться в ящике, справа или слева; что одно тело поддерживает другое и т. п.
* Фамилия Winograd дана в работе [1] в английской транскрипции как ’’Вайногред”, а в переводе книги [71] в русской - ’’Виноград”.
** Недаром на вопрос одного из участников конференции, какой же долей человеческого разума обладает эта программа, Минский отшутился: ”Я думаю, что-нибудь от 10“ до 0,1”.
ЗЗак. Ю25
65
Человек: Подними большой красный блок.
Робот: Хорошо (прежде чем поднять красный блок, машине приходится его освободить: найти место для зеленого блока, лежащего на красном, и перенести его*).
Человек: Схвати пирамиду.
Робот: Я не знаю, какую пирамиду вы имеете в виду (так как имеется три пирамиды, робот ничего не делает).
Человек: Найди блок, который выше, чем тот, который ты держишь, и поставь его в ящик.
Робот: Хорошо С рука” робота опускает красный блок и, поднимая высокий голубой блок, ставит его в ящик).
Человек: Что находится в ящике?
Робот: Голубая пирамида и голубой блок.
Человек: Что поддерживает пирамиду?
Робот: Ящик (такой ответ дан потому, что если раньше программа не знала, о какой пирамиде идет речь, то сейчас предполагает, что мы имеем в виду ту пирамиду, которая только что была упомянута).
Человек: Сколько блоков не находится в ящике?
Робот: Четыре.
Человек: Является ли по крайней мере один из них более узким, чем тот, который я просил тебя поднять?
Робот: Да, красный куб.
Человек: Он опирается на что-либо?
Робот: Да, на стол.
Человек: Может ли стол поднимать блоки?
Робот: Нет.
Человек: Может ли пирамида опираться на блок?
Робот: Да (дедуктивная система находит реальный пример и поэтому знает, что это возможно).
Человек: Может ли пирамида опираться на пирамиду?
Робот: Я не знаю (таких примеров на сцене нет).
Человек: Собери вместе (поставь друг на друга) две пирамиды.
Робот: Я не могу (робот пробует, но терпит неудачу).
Человек: Голубая пирамида - моя.
Робот: Я понимаю.
Человек: Моими являются блоки, цвет которых не красный, но то, что поддерживает пирамиду, не является моим.
Робот: Я понимаю (строятся две новые теоремы, касающиеся вопросов собственности — чей, кому принадлежит).
Человек: Ящик мой?
Робот: Нет.
Человек: Что-нибудь, находящееся в ящике, является моим?
Робот: Да, два предмета: голубой блок и голубая пирамида.
Человек: Не соберешь ли ты вместе оба красных блока, а также зеленый куб и пирамиду?
Робот: Хорошо (робот выбирает зеленый куб, на котором ничего нет, ставит его на большой красный блок, после чего снимает маленькую пирамиду с маленького красного куба и использует его для завершения указания).
* В скобках даны комментарии Винограда; этот текст не входит в человеко-машинный диалог.
66
Т. Виноград дал описание использованных им программ, включая способ представления в его системе значений (или смыслов, meanings) выражений, семантики (детальный анализ лингвистических структур с целью установления их значений), приложения системного подхода к исследованиям синтаксиса и т. п. Значимость работы Т. Винограда ни в коем случае не следует преувеличивать. На слова М. Минского: ”По-видимому, именно в 1970 году мы преодолели барьер способности овладения семантикой в ЭВМ. Я уверен, что в течение следующих десяти, пятидесяти или ста лет мы будем в состоянии написать программы для ЭВМ, которые будут достаточно интеллектуальны” [1, с. 305], следует смотреть, как на ’’частное мнение” их автора. Но нельзя также упускать из виду, что многие серьезные исследователи убеждены в больших перспективах роботостроения. Сказал же В. М. Глушков в беседе с журналистом Г. В. Максимовичем, что, по-видимому, в ’’недалеком будущем” общение человека с интеллектуальным роботом (точнее — с программой, которая управляет им) не будет отличаться от диалога двух людей [2, с. 66].
Впрочем, вместо восторгов лучше сослаться на реальные работы. Здесь мы снова прибегнем к материалам обзорно-проблемной статьи [61]. Вот как выглядит отечественная ’’роботехника” в изложении Г. С. Поспелова и Д. А. Поспелова.
В разработке роботов, пишут эти авторы, можно выделить три главных направления. Одно из них занято решением проблем сбора и обработки сенсорной (в основном зрительной) информации о той среде, в которой должен действовать робот. Другое направление — это вопросы планирования действий робота и формирования в нем пригодной для этого ’’модели внешнего мира”. Третье направление касается реализации плана поведения робота (в частности, его перемещения в заданной среде). Анализ исследований в первом направлении показывает, что наибольшую трудность при вводе зрительной информации в запоминающее устройство управляющей системы робота представляют: отделение объекта от фона; распознавание объекта и перекодирование информации о воспринимаемом предмете во ’’внутреннее представление” робота; расчленение сложного предмета на некоторую систему объектов, с которыми робот уже ’’знаком”. Разработанные к настоящему времени алгоритмы и программы решения упомянутых задач при своей реализации требуют еще больших расходов машинного времени и не очень эффективны. В проблеме планирования действий робота и формирования в нем модели ’’внешнего мира” работы идут прежде всего по пути применения языка исчисления предикатов, а также языка ситуационного управления [69], служащих внутренними языками представления внешней среды. Как подчеркивают авторы обзора [61], над реализацией планируемых действий робота успешно работает коллектив исследователей, руководимый Д. Е. Охоцимским.
з*
67
Этим коллективом разработана модель шагающего аппарата и алгоритм управления им при передвижении на местности. ”В ближайшие годы в СССР, -приходят к заключению Г. С. Поспелов и Д. А. Поспелов, — можно ожидать появления функционирующих макетов роботов с достаточно развитым ’’интеллектом” ” (с. 230).
Пока что главным ’’пристанищем” роботов являются научно-исследовательские лаборатории. Однако можно уже прочитать о роботах, используемых на часовом заводе для сборки часов, об интегральных роботах, занимающихся на автозаводе мойкой цилиндров во вредном для человека растворе, роботах, занятых на подводных работах. Все большее место отводится роботам и на международных выставках. В 1979 г. в Болгарии состоялась Первая международная выставка роботов и манипуляторов, предназначенных для использования в промышленном производстве — выставка Roboty-79. Промышленные роботы (например, демонстрировавшийся на этой выставке робот-манипулятор PIRIN) выпускаются в различных модификациях, отвечающих разным производственным задачам. ’’Лиха беда начало”: передача техническим устройствам некоторых из тех функций человека в технологическом процессе, которые искони считались чисто человеческими, происходит во все возрастающей мере.
КОНТРОВЕРЗЫ "ИСКУССТВЕННОГО РАЗУМА"
С тех пор, как на научном горизонте появилась кибернетика, споры о возможностях ИИ не утихают. В этом и следующем разделах мы завершим анализ дискуссионных вопросов проблемы с тем, чтобы в следующей главе обратиться к конкретным направлениям ’’машинного творчества”.
В качестве отправной точки изберем дискуссию, состоявшуюся осенью 1971 г. на симпозиуме в Анахейме (США, штат Калифорния), где группа американских и английских специалистов в области кибернетики и нейропсихологии обсуждала проблему соотношения программируемых человеком информационно-вычислительных систем и человеческих способностей восприятия, дедуктивного и эвристического мышления, принятия решений и целенаправленного поведения. Материалы симпозиума, опубликованные в 1973 г. в серии ’’Системы, человек и кибернетика” Докладов Института инженеров по электротехнике и радиоэлектронике, ныне имеются в русском переводе [72]. Наш выбор определяется тем, что хотя с момента, когда группа зарубежных специалистов на совещании в Анахейме обсуждала потенциально возможные достижения в области моделирования процессов познания и искусственного интеллекта, а также те ограничения, которым это направление исследований может быть подвержено, прошло уже десять лет, их
68
дискуссия не утратила своей значимости. Причина этого в том, что на симпозиуме рассматривались не конкретные результаты в создании моделей и программ, относящихся к ИИ (в этой области развитие идет быстро), а принципиальные проблемы^ касающиеся природы разума и интеллектуального поведения, с одной стороны, и символьно-цифровой переработки информации и кибернетического моделирования — с другой. В этом плане данная дискуссия идет в том же русле, что и монография американского философа X. Дрейфуса, которого интересует не анализ фактических достижений ИИ, а осмысление методологической проблемы возможностей — и границ возможностей — ’’искусственного разума”.
Обратимся, однако, к дискуссии в Анахейме. Она открылась докладом Б. Чандрасикарана и Л. Рикера, в котором формулируются гри позиции в оценке возможностей ’’искусственного интеллекта”: ’’оптимистическая”, согласно которой создание систем искусственного разума (без кавычек) — вещь вполне реальная и, более того, находящаяся не за горами; ’’пессимистическая”, отклоняющая такую возможность; и позиция, которую естественно назвать ’’трезво-критической”. В самом докладе эти позиции представлены персонажами ’’верующего” (в ’’искусственный интеллект”), ’’неверующего” (в него) и ’’агностика”. Чандрасикаран и Рикер отвергли первые две позиции, заняв точку зрения (не очень удачно названную ими ’’агностической”), согласно которой работы в области моделирования процесса познания и ИИ следует признать одним из перспективных путей изучения мышления, но как далеко здесь можно продвигаться, оставаясь в рамках одной лишь кибернетики, заранее решить нельзя. Другой докладчик — С. К. Рид, анализируя различные уровни сравнения человека и автомата (ср. аналогичное выделение подобных уровней, проводившееся в данной книге), указывал на трудности моделирования разума, проистекающие из того, что ’’интеллект и его развитие - это нечто большее, чем простое объединение специализированных навыков и способностей” [72], в силу чего моделирование их по отдельности не решает проблемы модельного воспроизведения разума в его целостности. Известный кибернетик и нейропсихолог Д. М. Маккей в своих взглядах оказался ближе к ’’оптимистам”, чем к ’’пессимистам”. В центре его раздумий был принимаемый многими психологами феномен ’’неявного (скрытого) знания”, т. е. знания, которое не выразимо целиком в словесной форме (об этом феномене мы поговорим ниже). Понимая, конечно, что люди сознательно осуществляют свои цели, он вместе с тем старается обосновать положение, согласно которому ’’неявное знание” реально и может моделироваться на вычислительной машине. Гораздо более осторожную позицию занимал американский психолог Дж. А. Миллер. Его оценки работ в области ’’искусственного интеллекта” оказались сходными с той резкой оценкой, которая им дана в книге Дрейфуса [47]. По мнению Миллера, ’’кибернетичес-
69
кое движение” выдало ’’много незаполненных чеков, имея в банке не так уж много денег” [72, с. 43]; достижения, которые наблюдаются в приложениях кибернетики в психологии, в сфере обучения человека и в науке о языке — несмотря на бесспорную эффективность применения ЭВМ в этих областях знания,— внушают разочарование. ’’Число реальных программ, позволяющих решать сложные интеллектуальные задачи лучше, чем человек. . . , все еще обескураживающе мало, что я рассматриваю, — сказал Маккей, — как признак наличия многих возможностей мозга, до сих пор не полностью понятных” (с. 44).
Проблема, возможно ли с помощью одних лишь ЭВМ и иных кибернетических устройств воспроизвести то, что естественно считать мыслительной деятельностью — деятельностью, связываемой с человеческим»разумом (иного ’’мышления” мы пока не знаем), — важна не только в собственно кибернетическом отношении: она представляет собой и философский вопрос. Как на сегодняшний день выглядит решение этой проблемы?
Прежде всего нельзя согласиться с крайностями в оценке значения работ по машинному моделированию процессов познания и искусственному интеллекту. Используя терминологию Б. Чандрасикарана и Л. Рикера, следует отклонить как позицию ’’неверующего” в научную значимость данного направления, так и позицию ’’верующего” в неограниченность его перспектив.
Первая позиция неприемлема потому, что ставит под сомнение такой фундаментальный исследовательский метод, как формализация. Между тем этот метод, неотделимый от использования научных абстракций и идеализаций, предполагающий отработку используемых приемов исследования на модельных объектах типа ’’формального нейрона”, ’’конечного автомата”, ’’нервной сети” и т. п., представляет собой неотъемлемое завоевание научной мысли XX столетия. В этой связи уместно указать на неоправданность иногда высказываемых опасений, будто Вии широкое распространение информационно-вычислительных систем, получающих применение в самых различных областях деятельности человека, приведет со временем к появлению людей, мыслящих согласно ’’машинной парадигме” (такое опасение высказывает, например, Дрейфус). Что можно сказать по этому поводу? ’’Век кибернетики” и в самом деле требует развития в людях, прямо или косвенно сталкивающихся с кибернетикой и ЭВМ, навыков формального мышления. Ныне, в эпоху быстрого распространения вычислительной техники, особенно мини-ЭВМ, такие навыки оказываются просто необходимыми. Более того, как отметил С. К. Рид во время дискуссии в Анахейме, важной становится разработка таких искусственных систем, которые ’’делают не точно то же, что делает человек, но то, что человеку имело бы смысл делать”, тем самым в определенном смысле ’’дисциплинируя” мышление человека. При этом формальные навыки, если они складываются в естественной человечес-70
кой форме, вовсе не ведут к обеднению эмоционально-творческого потенциала личности; наоборот, они усиливают его, освобождая ум человека для ’’неординарной” познавательной деятельности. Деятельности, в которой он будет все больше взаимодействовать с кибернетическими устройствами, которые чем далее, тем более будут брать на себя определенные логические и конструкторские функции человека. Ибо существуют проблемы, которые в рамках кибернетики решаются без необходимости ’’большого перебора” (вспомним А. Н. Колмогорова!) и потому вполне доступны для машин; а ’’человек является действительно сложной материальной системой, но системой конечной сложности и весьма ограниченного совершенства и потому доступной имитации” [30, с. 30]. Вряд ли стоит много говорить о том, что заключение такого ’’неверующего” в ’’искусственный интеллект”, как упоминавшийся выше Дрейфус, считающий, что путь, которым идет это направление, есть чуть ли не ’’алхимия двадцатого века”, — это заключение совершенно беспочвенно.
Не намного убедительнее, однако, и взгляды диаметрально противоположного характера: о создании в скором будущем ’’искусственного разума”, по своей аналитико-синтетической мощи не уступающего человеческому уму или даже превосходящему последний — достигающего иных и более ’’высоких” точек в ’’и-мерном континууме” П. Армера. Взгляды такого рода были характерны для некоторых американских кибернетиков в 50-х — 60-х годах (эти взгляды критически анализируются в книге X. Дрейфуса). Фактически их выражением служат также приводившиеся выше высказывания М. Минского. Однако вместо неумеренных ’’восторгов” по поводу прогресса в программировании отдельных познавательных процедур следует стараться осмыслить трудности, возникающие на путях моделирования функций человеческого разума. Трудности эти проявляются в том, что во всех ответвлениях упомянутого моделирования — в формализации дедуктивного формально-логического вывода, эвристически направляемого поиска, в автоматическом анализе и синтезе текстов, в алгоритмизации распознавания образов, в решении нечетко поставленных задач, в ’’роботехнике” и т. п. — продвижение (степень которого различна в разных областях) оказалось существенно более медленным, чем первоначально предполагалось.
Вообще, в оценке перспектив ’’машинного творчества” не приносят пользу упрощенные категорические высказывания. Рассмотрим, например, следующее рассуждение двух специалистов по программированию ЭВМ:
’’Может ли машина мыслить?
Нет — если определить мышление как нечто, свойственное только и исключительно человеку. В этом случае любое поведение машины, напоминающее мышление, следует называть лишь ’’мыслеподобным” поведением.
Нет — если постулировать, что в самой сущности мышления есть что-то непостижимое, таинственное, мистическое.
71
Да — если признать, что этот вопрос должен быть решен путем эксперимента и наблюдения, путем сравнения поведения машин с поведением'челове-ка, с которым мы обычно связываем понятие ’’мышление”.
Мы склонны рассматривать оба отрицательных ответа как ненаучные и догматичные” [41, с. 25].
Здесь что ни фраза, то передержка. Во-первых, никакого другого мышления, кроме мышления человека, наука попросту не знает, так что любое определение мышления как чего-то уже известного поневоле должно быть определением человеческого мышления. Во-вторых, из того, что ’’определение мышления как чего-то свойственного исключительно человеку” влечет за собой, по мнению данных авторов, отрицательный ответ на поставленный выше вопрос, не следует обратного: того, что такой ответ обязал нас ограничить ’’мышление” только человеческими существами. Ведь вполне можно отвечать ’’нет” и вместе с тем допускать наличие интеллектуальной деятельности (и соответствующих ей субъективных состояний), скажем, у наших ’’братьев по разуму” в Космосе. Наконец, в-третьих, совершенно непонятно, почему, если вопрос ’’Может ли машина мыслить?” должен решаться путем эксперимента и наблюдений, еще до таких экспериментов, авторы предлагают отвечать на него ”да”. Не взгляды оппонентов, а само это рассуждение — пример догматичности.
В связи с данной проблемой уместно вспомнить замечательное в методологическом плане исследование У. Мак-Каллока и В. Питтса, касающееся связи между (идеализированными) нейронными сетями и логикой, воплощенной в формальных нейронах, с одной стороны, и описанием произвольного поведения, сделанного на некотором языке с четкой семантикой, — с другой. Мак-Каллок и Питтс доказали ряд теорем [73], которые в методологическом плане можно обобщить в виде ’’результата Мак-Каллока — Питтса”. Авторы этих строк в ряде своих работ писали об этом результате (см., например, [11, 20, 28, 58 и др.]), поэтому здесь мы ограничимся тем, что приведем оценку этого достижения, данную Дж. фон Нейманом: ’’Важный результат, полученный Мак-Каллоком и Питтсом, заключается в том, что всякое функционирование. . . , которое вообще может быть определено логически — строго и однозначно — с помощью конечного числа слов, может также быть реализовано с помощью показанной выше формальной нервной сети. . . все, что можно описать исчерпывающим и однозначным образом, все, что можно полностью и однозначно выразить словами, ipso facto* реализуемо с помощью соответствующей конечной нервной сети” [74, с. 89]. Фон Нейман отмечает, что этот результат кладет конец разговорам о том, что деятельность и функции нервной системы человека настолько сложны, что
* В силу самого факта (лат.).
72
’’никакой обычный механизм не может их выполнить” (там же). Ибо теория Мак-Каллока — Питтса показывает, что все, доступное выражению на точном языке, в принципе реализуемо с помощью соответствующей конечной формальной нервной сети, а следовательно, кибернетическим автоматом.
Разберемся в философской стороне результата Мак-Каллока — Питтса, сформировавщегося в русле идей математической логики и теории нейронных сетей. Сформулируем в этой связи четыре пункта.
Первый пункт. Результат Мак-Каллока — Питтса, как его формулирует Нейман, не есть математически строгое утверждение (в отличие от доказанных ими теорем). Это есть гипотеза, или тезис, подобный основной гипотезе теории алгоритмов и ее спецификациям в виде принципа нормализации или тезиса Черча*. Как и последнее, она весьма убедительна, представляется естественно вытекающей из теории формальных нейронов, однако не имеет статуса математической теоремы. Проистекает это из того, что в формулировке упомянутого ’’результата” фигурирует, с одной стороны, математически точное понятие формальной нервной сети, а с другой — нечеткие понятия ’’всего того, что может быть полностью и однозначно выражено словами”, ’’всякого функционирования, которое может быть определено логически с помощью конечного числа слов”. Ибо язык формальных нервных сетей носит добротный, конструктивный характер, чего совсем нельзя сказать о языке, описывающем ’’всякое функционирование”.
Второй пункт. Результат Мак-Каллока — Питтса не говорит, в чем состоит специальная характеристика мышления в отличие от, скажем, зубной боли (здесь мы пользуемся сравнением, к которому прибегли авторы статьи [75]). В этом смысле его можно уподобить ’’чистой теореме существования”, а не ’’конструктивной” теореме: он ничего не говорит о том, как построить формальную сеть, моделирующую ту или иную функцию нервной системы, а только утверждает, что такую формальную сеть принципиально построить можно. Как построить — это особая проблема, и, будучи аналогом ’’чистой теоремы существования”, тезис Мак-Каллока — Питтса носит общий характер: он утверждает возможность построения формальной сети для любой функции естественной нервной системы, коль скоро она нашла четкое описание на каком-то языке, и, следовательно, спецификации той или иной функции мышления на уровне этого тезиса не требуется.
Третий пункт. ’’Строгое и однозначное” описание некоторого функционирования требует формально непротиворечивой системы. Фон Нейман подчеркивает (с. 90), что это касается ’’любой отдельной фазы любой мыслимой формы поведения”; отрицать возможность такого логического описания — которое может быть очень длинным — значит примкнуть к разновидности
♦ Два положения, утверждающие, что теория нормальных алгорифмов и теория рекурсивных функций служат экспликациями понятия алгоритма.
73
’’логического мистицизма”. Однако, продолжает фон Нейман, далеко не ясно, как все это применять ко всему комплексу поведения в целом.
Это и понятно. Если рассматривать разумное поведение и мышление, лежащее в его основе, как нечто целое, то ясно, что его ’’логическое описание” не может быть исчерпывающим. Это следует хотя бы из результатов математической логики, говорящих о внутренней ограниченности формализации, т. е. ’’строгого и однозначного описания с помощью конечного числа слов”. Но вполне возможно представить себе постоянное приближение ко все более исчерпывающему описанию поведения и мышления, происходящее на путях поисков все более сильных и мощных формальных систем, все полнее охватывающих (но никогда не покрывающих полностью) неисчерпаемую действ ите льность.
Четвертый пункт. Описание функционирования, которое имеется в виду в тезисе Мак-Каллока — Питтса, по необходимости должно носить дискретный характер: любой язык с четкой семантикой состоит из выражений, различаемых и отождествляемых и по своей графической форме, и по смысловому содержанию. Это значит, что упомянутый тезис равносилен принятию положения о принципиальной возможности ’’дискретизованного” представления любых объектов познания и конструирования, в том числе и относящихся к разумному поведению.
Теперь, после того как мы сформулировали приведенные выше четыре пункта, обратимся к вопросу о том, какое отношение тезис Мак-Каллока — Питтса может иметь к моделированию мышления.
Ранее мы уже отмечали, что в проблеме моделирования элементов творчества следует различать четыре уровня: принципиальной (абстрактной) возможности, возможности реальной, технической реализуемости (при данном или обозримом на будущее развитии технологии) и практической целесообразности. Результат Мак-Каллока — Питтса имеет значение для решения проблемы только на первом уровне. Фактически он является математической перифразой простой истины, в следующей форме высказанной тем же У. Мак-Калл оком: ’’Поскольку природа дала нам работающую модель, теоретически нам не нужно спрашивать, могут ли быть построены машины, обрабатывающие информацию подобно мозгу” [76, с. 61].
Тезис Мак-Каллока — Питтса не дает ответа на вопрос: действительно ли возможно воплощение в языке всего того, что связано с человеческим мышлением? Если существуют такие функции разума, которые не связаны с использованием какого-либо четкого языка (либо не могут быть на таком языке описаны), то они тогда не подпадают под действие данного ’’тезиса” и, следовательно, не могут быть промоделированы формальной нервной сетью.
Ряд авторов полагает, что не все доступно дискурсивно-рационально-рассудочному описанию, описанию, основанному на рассуждениях, состоящих из
последовательного ряда логических звеньев, каждый из которых зависит от предыдущих и обусловливает последующие. Некоторые считают, что наиболее важное в творчестве, связанное с плодотворной догадкой (’’озарением”), ’’инсайтом”, интуицией, такому описанию не поддается. Нейрофизиолог П. В. Симонов, например, считает, что можно проследить и объективно изучить лишь те этапы творческого процесса, которые сводятся к накоплению информации, логическим умозаключениям и нервно-психическим реакциям. Что касается момента ’’озарения”, то он, по его мнению, не поддается изучению в логических терминах. Как относиться к таким взглядам?
Можно констатировать, что на нынешнем этапе познания человека трудно определить степень значимости в его познавательных процессах ’’интуитивной” — неосознаваемой — составляющей, затруднительно решить, соизмерима ли она со значимостью сферы логического, дискурсивного рассуждения, не превосходит ли последнюю. Однако одно вырисовывается довольно ясно: кибернетическое моделирование наиболее успешно тогда, когда речь идет о передаче машине формально-логических отношений и процедур. Но эти ’’высшие”, четко определенные и сравнительно простые логические проявления интеллекта имеют своей основой гораздо более сложные ’’низшие” формы, и прежде всего механизм восприятия. В большой мере это есть та область психики, которая присуща значительной части животного мира (’’распознавание образов”). Но не только. К ’’глубинным” и во многом не формально-логическим слоям психики следует отнести и естественный язык с его гибкими, динамичными, ’’диффузными” значениями выражений и высказываний. Эта ’’низшая”, ’’базовая” часть механизма познания труднее поддается моделированию, нежели осознанная дискурсивная логика.
Не все специалисты в области ’’искусственного интеллекта”, так же как не все математики и логики, занимающиеся вопросами моделирования познавательных процессов или задумывающиеся над его проблемами, по-видимому, в должной мере учитывают эту сторону дела. Однако те из них, которые принимают во внимание психолого-гносеологический и социальный аспект проблемы, видят ее достаточно ясно.
Как-то на своей лекции А. Н. Колмогоров сказал, что папуас, босиком бегающий по гальке на берегу океана, перерабатывает в единицу времени существенно больше информации, чем математик, решающий сложные современные задачи. И он же писал в статье ”Жизнь и мышление как особые формы существования материи”: ”В развитом сознании современного человека аппарат формального мышления не занимает центрального положения. Это скорее некоторое ’’вспомогательное вычислительное устройство”, запускаемое в ход по мере надобности ... кибернетический анализ работы развитого человеческого сознания в его взаимодействии с подсознательной сферой еще не начат” [48, с. 54]. Основное ’’вычислительное устройство” человека — ло
75
гику его мышления — мы знаем гораздо лучше; поэтому хотя ’’вся сознательная жизнь человека устроена как-то очень своеобразно и сложно, но когда закономерности ее будут изучены, для моделирования ее потребуется гораздо меньше элементарных ячеек, чем для моделирования всего мозга, как это ни удивительно” [30, с. 22]. А. Н. Колмогоров предполагает, что для машинного моделирования элементов научной, эстетической или социальной деятельности человека достаточно оперировать со сравнительно небольшим количеством информации порядка 107 — 109 бит [48, с. 56] (ср. слова М. Минского о разработке ЭВМ с памятью в 1012 бит [1]). Эти взгляды, высказанные советским математиком еще в начале 60-х годов, справедливы и для нынешней ситуации в ’’искусственном интеллекте”.
Одним из феноменов гносеологического процесса является наличие у человека так называемого неявного (скрытого) знания, о котором мы уже упоминали. Американский психолог М. Поляный (его примером оперирует в своей книге Дрейфус), иллюстрируя тезис о наличии у человека несловесного - невербализованного (и даже невербализуемого) знания, указал на езду на велосипеде. Если читатель — велосипедист, то пусть попробует изложить на русском языке свое знание о том, как надо ездить на велосипеде, пусть он переведет это свое умение на ’’строгий и однозначный язык”! И пусть кто-нибудь никогда не ездивший на велосипеде попробует, держа в голове это описание, поехать на велосипеде!
’’Человек знает (умеет) больше, чем может явно выразить; человек знает (умеет) больше, чем это можно вербализовать” — это положение о существовании ’’неявного” личностного знания играет большую роль в современных дискуссиях психологов и кибернетиков о путях и возможностях моделирования познавательных процессов. В .немалой степени именно на утверждении наличия такого знания некоторые критики ИИ, в частности X. Дрейфус, основывают свою аргументацию. Однако существует взгляд, который Д. Маккей выразил в следующем виде: ’’универсальная целенаправленная информационная система, в которую структура внешнего мира введена на основе ограничений, наложенных на планирование действий, автоматически обнаружит признаки ’’неявного знания” ” [72]. Так это или не так — об этом мы на сегодняшний день судить не можем. Но кроме невербализованного (и невербализуемого?) знания существует еще наглядно-содержательная интуиция, трудно формализуемая способность человека к учету языковых контекстов различных уровней и практических ситуаций разной степени общности, мало понятный ”дар” ситуативного и динамического различения существенного и несущественного — различения, возникающего на базе активного отношения личности к действительности в процессе целенаправленного решения стоящих перед ней познавательных и практических задач. Нейропсихологические данные говорят о том, что все эти способности вполне реальны.
76
Мы не будем останавливаться здесь на рассмотрении проблем, связанных с перечисленными выше проявлениями психики человека. Заинтересованного читателя мы отсылаем к части III книги Дрейфуса [47], а также к приложенной к ней статье одного из авторов этих строк, озаглавленной ’’Что же могут вычислительные машины?” Ограничимся рассмотрением только одного вопроса: контроверзы ’’дифференцированно-дискретное — целостнонепрерывное”.
Преобладающая в кибернетике практика применения дискретного научного аппарата (т. е. средств и методов дискретной математики) способна внушить исследователю идею, будто изучаемое всегда может быть проанализировано в терминах четко установленных, явно определенных (в рамках некоторой задачи) данных и представлено в виде конечных наборов знаков (’’слов”) некоторого алфавита (в частности, цифр). Установка на подобную дискретизуем ость материала — установка, которую можно назвать ’’гносеологическим атомизмом”, — связана с цифровым характером ЭВМ и накладывает свою печать на модельные конструкции ’’искусственного интеллекта”. Однако такого рода ’’аналитический” подход, понятный, когда речь идет о моделировании на цифровой машине, вряд ли может рассматриваться в качестве ’’универсального” в случае человека с его феноменом целостности восприятия и другими упомянутыми выше проявлениями психической активности.
Целостность восприятия, над имитацией которой уже давно бьются специалисты, занимающиеся разработкой систем автоматического распознавания образов, представляет собой явление, прочно установленное в психологии. Утрата этого свойства глобального узнавания объектов — утрата полная или частичная, как это бывает в случае поражения некоторых участков головного мозга, — делает процесс человеческого восприятия похожим на машинный поиск по ’’дереву альтернатив”. На это обстоятельство внимание авторов этих строк обратил Ю. А. Шрейдер, который в этой связи указал на клинические случаи, описанные известным советским нейропсихологом А. Р. Лурия: ’’Вот типичный больной с таким поражением. Он внимательно рассматривает предложенное ему изображение очков. Он смущен и не знает, что значит это изображение. Он начинает гадать. ’’Кружок. . . и еще кружок. . . и палка. . . перекладина... наверно, это велосипед?! — Он рассматривает изображение петуха с красивыми разноцветными перьями и, не воспринимая сразу целого образа, говорит: ’’Наверное, это пожар — вот языки пламени” [77, с. 137]. Реальность, ’’перерабатываемая” патологически деформированным мозговым механизмом, функционирующим по методу сканирования, приобретает несуразный характер. Это означает, что мир, данный нормальной личности в ее познании, не носит ’’атомизированного”, ’’дискретизированного” характера, чем он разительно отличается от хранимой в машинном
77
запоминающем устройстве ’’базы данных”, реализуемой соответствующими физическими состояниями ЭВМ.
Можно было бы предположить, что выход из этого положения состоит в переходе к массированному использованию в работах по ИИ ’’непрерывност-ных” методов — аналогового представления информации, ’’вычислительных” процессов, основанных на химических реакциях, и т. п. Однако вряд ли это может послужить моделированию ’’целостных” феноменов. Ведь в рамках научного аппарата противопоставление ’’дискретное — непрерывное” относительно. Непрерывные психохимические реакции, включенные в процессы переработки информации у человека, можно, в принципе, формализовать и представить в дискретной форме; в свою очередь, ’’цифровые” процедуры, играющие определенную роль в общей структуре нейродинамики, могут, также в принципе, получить аналоговое выражение. Ясно, что эта ситуация не позволяет извлечь никаких выводов ни относительно доминирования у человека дискретных или непрерывно-”глобальных” феноменов, ни относительно перспектив обогащения работ по кибернетическому моделированию познавательных процессов на ’’аналоговом” пути.
Это вполне понятная методологическая ситуация. Дискретное или непрерывное представление процесса во многом зависит от применяемых абстракций и идеализаций, принятие же одних из них и отказ от других определяется исследовательскими задачами либо технологической целесообразностью — тем, какая система идеализирующих допущений в данных условиях эффективнее. Используемые на различных уровнях и этапах познания, в рамках тех или иных способов описания объекта изучения понятия дискретного и непрерывного (’'аналогового”) оказываются результатом разных математических и логических абстракций. Нервная клетка на одном уровне рассмотрения есть пороговый элемент, для описания которого используется логика с конечным множеством значений истинности. Та же клетка на другом, в нейрофизиологическом аспекте более глубоком уровне анализа выступает как аналоговое либо гибридное устройство. Аналогичное можно сказать и о нервных сетях, мышечной активности, явлениях гуморального характера — также как и о процессах, происходящих в триггерах или интегральных схемах ЭВМ. На что же тогда ориентироваться в кибернетическом моделировании процессов познания? Очевидно — на результаты ’’традиционных” нейропсихологических исследований, стремящихся учесть всю сложность картины нейродинамики, психики, поведения человека. Неудивительно поэтому, что именно в контексте исследований по искусственному интеллекту Дж. А. Миллер [72] подчеркнул важность задачи формирования эффективной психологической теории работы мозга, теории, с единых позиций объясняющей широкий круг психических феноменов и преодолевающей критиковавшийся С. К. Ридом (в той же дискуссии) подход к разуму как простому объеди
78
нению навыков и способностей. Ибо только учет целостности разума и его проявлений может, как представляется, дать необходимую теоретическую базу для успешного кибернетического моделирования познавательных процессов.
Противопоставление, контроверза ’’дискретное — непрерывное” — это не единственное диалектическое противоречие, связанное с развитием работ по кибернетическому моделированию познавательных процессов. Имеется и другой род противоречивости-антиномичности, с большой убедительностью выявленный Дрейфусом. Как известно, представление в памяти ЭВМ ’’внешнего мира” связано с решением задачи организации большой ’’базы данных”, хранимых в виде некоторых дискретных образований. Каждый факт (или языковое выражение), относящийся к сфере поведения, например, робота, должен получить такое дискретное представление. Он, разумеется, может — и должен — быть введен в определенный контекст фактов (выражений) контекст, который должен получить аналогичное представление на языке ’’базы данных”. Ибо без такого контекста невозможно осмысление факта или языкового выражения: установление его связи с другими фактами или выражениями, позволяющее определить его сравнительную значимость, несомое им ’’содержание”. Но тогда, выдвигая задачу моделирования интеллектуального поведения, мы сталкиваемся со следующей антиномией. Если для любого контекста, в котором фигурирует какой-то факт (выражение) или их набор, должен быть в наличии некоторый более широкий контекст (ситуация), позволяющий выделять существенные факты, то должен быть какой-то первичный, не сводимый ни к чему иному контекст или ситуация, так как иначе возникает бесконечная редукция контекстов. Антиномический характер этого противоречия не подлежит сомнению. Как отметил один из авторов настоящей книги [78], эта антимония имеет глубокие исторические корни, что ясно видно из формулируемой Дрейфусом ее ’’временной версии”: либо должен существовать самый первый контекст — контекст, который машина не в силах распознать из-за отсутствия предыдущего контекста, в терминах которого происходит выделение существенных характеристик самого первого контекста; либо возникает редукция контекстов во времени, уходящем в сколь угодно отдаленное прошлое, и тогда машина оказывается не в состоянии начать процесс распознавания. Перед нами, как это сразу видно, вариации на тему апорий древне-греческого философа Зенона Элейского, в частности апории ’’Дихотомия”.
Человеческое мышление справляется с этой — и подобными ей — антиномиями. Если использовать только те из современных представлений о мышлении, которые развиваются в ’’точных” науках (математической логике, кибернетике, семиотике и др.), то можно сказать, что мышление развивается путем разрешения противоречий. Конечно, фиксированных формально-логи-
79
ческих противоречий в правильном мышлении быть не может; если йаучное построение допускает верность как высказывания А, так и не-Л, то оно утрачивает всякую ценность, ибо в нем может быть доказано все, что только выразимо в рамках этого построения. Реальные противоречия развивающегося человеческого мышления и логические противоречия типа Л = не-Л — это разные вещи. От реального мышления требуется не умение ’’выносить” состояние Л = не-Л, а умение это состояние преодолевать. Необходимость такого преодоления — один из источников развития знания. Такой же источник, как и необходимость преодоления неполноты непротиворечивых описаний. Здесь мы снова возвращаемся к знаменитой теореме К. Гёделя о неполноте ’’достаточно богатых” формализованных систем. Из этой теоремы не следует, разумеется, существование каких-либо сфер содержательного мышления, принципиально недоступных формально непротиворечивому описанию, а лишь принципиальная невозможность построить последнее, окончательное формальное описание, которое исчерпало бы данную содержательную область (’’начиная с арифметики”). Между имеющимися налицо формальными системами и описываемой ими содержательной областью всегда существует противоречие (вторая всегда богаче первых); наличие этого противоречия вызывает у ученого не желание ’’выносить напряжение противоречия” (ср. [75, с. 273]), а стремление разрешить его на пути создания более сильных формальных построений.
Иногда в литературе по ИИ обсуждают вопрос, является ли мозг ’’формальной системой”. Так поступили, например, Чандрасикаран и Рикер на симпозиуме в Анахейме. Приведенный выше материал заставляет допустить третью возможность — возможность того, что понятие формальной системы, обнимающее собой завершенные математико-логические системы порождающих правил и схемы алгоритмической переработки информации, вообще не применимо к мозгу и психике человека, так как ’’сложностные” ограничения, о которых столько говорилось в этой книге, носят принципиальный характер, не допуская сколько-нибудь полного представления ’’больших” систем типа мозговых структур, психических процессов, поведенческих комплексов и языковых феноменов человека в какой-то завершенной модели или системе моделей. Мы вправе, по-видимому, считать вместе с А. Н. Колмогоровым, что при анализе явлений жизни и тем более психики важна не диалектика бесконечного, имеющая смысл только в случае систем абстрактных объектов, — ’’существенна. . . диалектика большого числа” [30, с. 25]; ’’чисто арифметическая комбинация большого числа элементов создает и непрерывность, и новые качества” [48, с. 53]. Здесь мы вновь возвращаемся к ранее высказанной идее, что, быть может, именно в Неймановом ’’парадоксе сложного”, предполагающем существование некоего ’’порога сложности”, начиная с которого описание (модель) системы не 80
может быть проще ее самой, непосредственно и заключены ограничения ’’искусственного интеллекта” (ср. предположение С.К. Рида [72], говорившего о том, что при моделировании сложных процессов ’’может оказаться проще реализовать процесс аппаратурно, чем подробно описать его другому исследователю”) .
Все эти рассуждения не следует понимать как умаление значения моделирования как познавательного метода. Они означают лишь, что моделирование не является каким-то универсальным приемом расширения знания. Модельное познание, объяснение на моделях подчиняется общему ходу объяснительного процесса —диалектике ’’транзитивности — нетранзитивности”. Состоит она в том, что цепочка, ведущая от ’’простого” к ’’сложному”, продлевается — в той мере, в какой это вообще оказывается возможным, — за счет подъема по ступеням более обобщенных или ’’крупноблочных”, как иногда выражаются, описаний. Это четко проявляется при решении задач кибернетического моделирования такой сверхсложной структуры, как человеческое мышление, психика, нейродинамика. Здесь приходится вступать на путь поиска (изучения, моделирования) ’’познавательных блоков”, которые являются более простыми, чем мышление в целом, но намного более сложными, чем отдельные ’’команды” в смысле вычислительной математики. Возникающие на этом пути модели являются гомоморфными (и даже более слабыми, чем гомоморфные) моделями соответствующих процессов — оригиналов. Приходится, например, вступать на путь использования расплывчатой логики: практика ’’роботехники” и других разделов модельно-кибернетических исследований свидетельствует, что уже сейчас дает себя знать недостаточность ’’черно-белых” логических схем, т. е. схем, опирающихся только на два истинностных значения: ’’истина” и ’’ложь”, — логических схем, которые зачастую оказываются неадекватными для моделирования ’’разумного” поведения в реальных окружающих средах; немалые надежды здесь возлагаются на логическую теорию нечетких объектов в ее соединении с теориями семантической информации и тезаурусным подходом к информационно-логическому поиску.
Согласно все более укрепляющимся ныне представлениям не только психологов, но и кибернетиков — в нашей стране они в значительной мере восходят к идеям М. М. Бонгарда [79] и активно развиваются его учениками — одним из блоков, очень важных для синтеза мышления, является восприятие (это согласуется с тем, что выше говорилось об этом психическом процессе и его свойстве целостности). Можно предположить, что в мышлении есть части, в разной мере сводимые к ’’мелкоблочным” образованиям. Восприятие (узнавание, распознавание), по-видимому, гораздо менее ’’сводимая” часть, чем формально-логический блок. Последний в большей мере представим ’’механическими” процедурами, состоящими из элементарных операций.
81
Но может быть именно поэтому он не играет, как мы уже отмечали, центральной роли в познании, особенно в познании, приводящем к раскрытию нового. Во всяком случае логика умеет сводить дедуктивные процессы к последовательному применению правил вывода, в то время как феномены восприятия и процедуры существенно эвристического характера пока еще не доступны для сведения к ’’элементарному”. Можно надеяться, что упомянутый в предыдущем абзаце ’’расплывчатый” подход будет содействовать в какой-то мере снятию контроверзы ’’атомизированно-дискретное — глобально-непрерывное”, о которой мы столько говорили в этом разделе.
Конечно, неотъемлемо присущее направлению ’’искусственного интеллекта” применение метода формализации не может не сказываться на глубине получающихся в его рамках результатов. Это, однако, не снимает задачи учета на данном пути диалектических ’’перерывов постепенности”, обусловленных общей нетранзитивностью модельно-объяснительного процесса, взятого в его цейостности, перерывов, которые не очень хорошо укладываются в представление о ’’континуальности” мышления в смысле Армера. Только этот учет требует привлечения широкого круга наук, изучающих человека. Гибкость человеческих идей, понятий, научных представлений, подвижность смыслов выражений естественных, понимаемых людьми языков, ’’диффузность” систем мозговой динамики, в которой затруднительно проведение жестких границ, разделяющих разные процессы, ’’большесистемный” характер общественных структур и социальных институтов, ультрасложность сетей социальных отношений, связывающих наделенными сознанием и волей субъектов, — все это, по нашему убеждению, делает невозможным полноту и однозначность описаний соответствующих систем и процессов на одном лишь модельно-кибернетическом пути.
СОЦИАЛЬНЫЕ ФАКТОРЫ
Подход ’’искусственного интеллекта” можно рассматривать как продолжение давней традиции человеческой мысли, традиции изучения сложнейшего мира человеческого познания путем разработки упрощающих это познание схем. Именно эта — логико-рационалистическая — традиция с ее идеалом формально-логической гармонии знания, первым ярким воплощением которой явилась логическая теория Аристотеля, идеалом, дополненным, начиная с конца прошлого века, комплексом экспериментально-психологических исследований, связывает ИИ с теоретическим наследием классической науки и прежде всего наследием естествознания. Но человек есть не только часть природы — живой природы, — он есть вместе с тем и социальное существо.
В предыдущем разделе мы рассмотрели вопрос о возможностях и ограничениях ’’искусственного разума”, исходя как раз из естественно-научной (вклю-82
чая логику и математику) постановки проблемы. Правда, мы были вынуждены обильно ссылаться на данные, касающиеся человеческой психики. Последняя, в своем реальном функционировании в человеческих личностях, социально обусловлена. Мы, однако, этого вопроса не затрагивали. Теперь настало время рассмотреть роль в проблеме ИИ ’’социального фактора”.
Весь комплекс наук о человеке свидетельствует: в основе человеческого поведения, регулируемого психикой человека, важнейшим проявлением которой является мышление, лежат потребности. Последние всегда либо социально окрашены (таковы биологические потребности), либо имеют социальную природу — порождены бытием человека в обществе. Потребности прямо или косвенно формируют направленность интересов личности, текущие цели, задачи человеческого ’’инструментального” или познавательного поведения. Возникающая так мотивационная структура, в которой находит свое выражение устремленность реальных интересов личности (и групп личностей, человеческих коллективов), опирается на накопленные знания и навыки и, в свою очередь, определяет динамику практико-познавательного процесса. Именно эта структура — в разной мере доходящая до уровня сознания, причем никогда не доходящая полностью, — ’’решает”, что личность признает безусловно существенным фактом (явлением, событием), что потенциально существенным, а что — несущественным в данных реальных условиях общества. Именно она формирует ценностные оценки людей и социальных групп. ’’Дрейф” общественных условий и развитие мотивационной структуры вызывают динамику ’’поля познания и деятельности” субъекта, коллективов людей. В этой динамике — т. е. в обусловленном социальными условиями развитии личности (личностей) — и находит свое решение та ’’антиномия фактов и контекстов”, которую сформулировал Дрейфус. Американский философ прав, подчеркивая, что ’’человеческий мир” структурирован в терминах личностных намерений и интересов, что ситуации, в которых оказываются люди, всегда организованы в соответствии с человеческими потребностями и целями, благодаря чему факты, с которыми сталкивается человек, приобретают для него соответствующее значение, соответствующее ценностное содержание.
Понятие цели — цели в применении к миру человеческой психики, а не в кибернетическом смысле, где ’’цели” суть упрощенные аналоги человеческих целей, — заслуживает того, чтобы на нем задержаться. Цели человека, с одной стороны, объективно обусловлены, а с другой стороны, носят субъективный (принадлежащий субъекту) характер. Они складываются в человеческой психике и сознании, которое, говоря словами К. Маркса ”с самого начала есть общественный продукт и останется им, пока вообще существуют люди.” Характер целей, степень их гибкости или жесткости, их динамика складываются в практике — этой основе формирования самого человека,
83
главного импульса познавательного процесса и критерия истинности результатов отражения в нем действительности. Сама природа практической деятельности приводит к тому, что цели человека, его ценностные ориентиры, сложны и многоплановы, зачастую противоречивы. В этом — одно из качественных различий между йоведением человека и работой машины: последняя,как справедливо заметил Ю. А. Шрейдер, в определенном отношении даже более ’’целеустремленна”, чем человек: ее работа направлена на получение результата, который при всех ухищрениях машинных адаптаций и обучения носит несравненно более жесткий характер, чем активность наделенного сознанием человека, порождающая все новые цели.
Из сказанного нами следует, что моделирование мышления в отвлечении от общего социо-психологического контекста — модельное представление способности рассуждения, исходящее, так сказать, из нее самой [47], — всегда приводит к ограниченным достижениям (сказал же А. Н. Колмогоров, что, быть может, для того чтобы создать машину, способную писать стихи на уровне больших поэтов, надо промоделировать жизнь того общества, в котором поэты реально развиваются [48]!) ; что объяснение человеческого поведения не может быть дано в естественно-научных терминах; что подобный подход означает взгляд на человека как на устройство или объект, пассивно отвечающий на воздействия со стороны других объектов согласно определенным правилам, пассивно воспринимающий сведения, поступающие из окружающего мира и затем упорядочивающий их (см. [47]). Но подобный взгляд на человека как на некоего ’’созерцателя” философски несостоятелен. Уже Гегель отверг понимание человека как некоего ’’объекта”. Маркс, формируя диалектико-математическую систему взглядов на природу, общество и мышление, со всей решительностью подчеркивал активность субъекта, выводя ее из социальной практики как основы человеческого бытия.
Все это так, может сказать читатель, но почему нельзя ставить проблему моделирования самих социальных процессов? Что нам запрещает мыслить гипотетические сверхсложные кибернетические автоматы будущего, включенные в сеть социальных связей наравне с людьми? Почему не допустить организацию передачи таким машинам социального опыта (воспитания и обучение)? Ведь чапековские роботы как раз и были такими ’’машинами”, благодаря чему они и смогли поднять восстание против человечества и стереть его с лица земли. Все эти постановки вопросов вполне правомерны и неоднократно рассматривались различными авторами.
Конечно, современная машина — ”раб человека”, она не обладает социальным опытом, вне которого нет ни мышления, ни эмоций, ни творчества, но почему же машинам будущего отказывать в возможности быть включенными в творческий процесс? Почему в некоторых пределах не попытаться ’’преподать” машине в виде настоящей программы цикл социальных дисциплин? 84
Ведь еще А. М. Тьюринг писал о принципиальной возможности воспитания ’’машины-ребенка”, а Дж. фон Нейман доказывал теоремы о конечных автоматах, порождающих другие автоматы. Впоследствии развернулись работы по созданию адаптированных программ, обучающихся автоматов. Возникло эволюционное программирование, ставящее целью разработку машинного аналога органической эволюции в целях построения эффективных систем ИИ. В принципе — на уровне абстрактной возможности — ничто не запрещает реализацию ’’машинной социальности”, в любой из тех форм, которые подразумевались в вопросах, приведенных выше.
Кибернетика, бионика, генная инженерия подкрепляют старую гипотезу: то, что интуитивно понимается под словом ’’мышление”, может быть прерогативой не только человека. Эту гипотезу уже пытаются как-то проверить. Еще больше будет экспериментов, поисков, увлечений — быть может, не всегда успешных — в будущем. Однако переход на уровень реальной возможности сталкивает нас с проблемой субстракта гипотетических ’’социокибер-нетических” существ и их мышления. А ’’парадокс сложности”, по нашему мнению, заставляет предположить, что создание ’’кибернетического социума” потребует иных технологических средств: химии, биохимии, белковых структур, ... , живой материи. Значит, искусственное создание мыслящих существ?! Что же (или кто же) это будет? Машины?
Ясно, что мы постепенно покидаем здесь почву и кибернетики, и биологии, и психологии, и философии — и попадаем на ступень ’’четвертого эшелона” прогнозов С. Лема, т. е. на уровень, являющийся на сегодня достоянием фантастики. Гипотеза Лема: ’’сознание — это такое состояние системы, к которому можно прийти различными конструктивными путями, а также при использовании различных материалов” [19, с. 441] или высказывания участников советско-американской конференции в Бюракане: ’’природа единообразна (в том смысле, что законы ее едины для всего и всех. — Лет.), а разум разнообразен” [1, с. 127];’’нет оснований связывать жизнь и разум только с привычными нам естественными биологическими формами материи. Искусственные самовоспроизводящиеся и самосовершенствующиеся кибернетические устройства, способные к самообучению, также могут жить и мыслить, даже полнее и глубже, далеко за пределами биологических возможностей естественных организмов” [1, с. 156], конечно, увлекают воображение. Однако научная основа под ними невелика. По-видимому, они не очень далеко ушли от надежд ’’лаборанта” гетевского Фауста — Вагнера, встретившего рождение гомункулуса словами:
Нам говорят ’’безумец” и ’’фантаст”, Но, выйдя из зависимости грустной, С годами мозг мыслителя искусный Мыслителя искусственно создаст.
(Перевод Б. Пастернака)
85
Из тумана грядущих столетий и необозримых пространств Космоса вернемся на Землю. Что можно здесь и сейчас сказать, осмысляя проблематику ’’искусственного интеллекта”? Создание искусственного мозга, функционально полностью ’’эквивалентного” человеческому, явно нецелесообразное дело. Логическая мощь ’’интеллекта” кибернетических машин, построенных из каких-то нейроподобных элементов, должна по определенным параметрам превосходить аналогичные возможности человека в той же степени, в какой физические машины превысили мощь человеческих мышц. ”Мы будем создавать искусственный мозг не в большей степени, чем мы создаем искусственные мускулы” [80, с. 434].
Конструирование такого рода ’’интеллектуальных помощников” человека со временем станет все более актуальным: для решения конкретных задач последние будут обладать ’’знаниями”, более ’’энциклопедическими” и быстрее накапливаемыми, чем знания отдельного человека. Разработка обучающихся искусственных ’’интеллектуальных” систем даст человечеству возможность пожать плоды высшей, кибернетической автоматизации. Однако системы этого рода не сделают ’’ненужным” человеческое мышление; наоборот, их появление породит новые грандиозные стимулы, возможности и перспективы для его дальнейшего развития.
Итак, надлежит отдавать трезвый отчет в перспективах ИИ как исследовательского и инженерного направления. Но нужно помнить и о присущих ему ограничениях. Последние проистекают, по всей вероятности, из существенно ’’сложностного” характера ’’человеческого фактора”, идеальной природы сознания, социальной основы познавательно-коммуникативных процессов и активного отношения человека к тому миру реалий, в котором он живет и действует. В гносеологическом плане они связаны с невозможностью доступа на путях одних лишь математической логики, кибернетического моделирования и ’’искусственного интеллекта” к присущим человеческим существам феноменам понимания, сознания и самосознания — феноменам, органически связанным со всей системой потребностей, интересов и целей, формирующейся у общественного человека.
ТВОРЧЕСТВО
Кибернетика постепенно вторгается во все области человеческой деятельности, где протекают процессы переработки информации. А так как таких областей очень много, то создается впечатление, что кибернетика ведет себя слишком ’’агрессивно”. Тем более, что творческая мысль — свойство, кардинально отличающее интеллект человека от психики человекоподобной обезьяны,-тоже не может не носить информационного характера и потому в опре-86
деленном плане изучается кибернетикой с ’’грубоутилитарной” целью ’’воспроизведения” некоторых ее процессов и результатов на кибернетических автоматах.
О творчестве написаны целые библиотеки, хотя, вероятно, ни в одной из работ нет исчерпывающего определения того, что же это такое. Это и естественно: ’’творчество” — такое емкое понятие, что его ’’размытость”, нечеткость, если можно так выразиться, вне конкуренции. Поэтому надо либо ограничиться интуитивным представлением о творчестве, предполагая, что ’’всякий знает, что это такое”, либо пытаться строить определения, которые резко сужают область значения данного термина, что обычно оказывается уязвимым для критики. В наших целях естественно ограничиться ’’рабочими” дефинициями, пригодными для использования при постановке задач кибернетического моделирования интеллектуальных процессов. Одна из таких дефиниций — определение творчества как решения новой задачи, поставленной внешней обстановкой, путем поиска и при использовании определенного метода ограничения проб, его направляющего.
Это определение, несмотря на несомненно содержащиеся в нем упрощение дела, не столь уж ’’тупо”. Г. Саймон, специалист по эвристическому программированию, считает, что ’’решение человеком задач, от самых примитивных до весьма глубокомысленных и изящных, представляет собой не более чем различные комбинации поиска методом проб и ошибок, с одной стороны, и отбора удачных вариантов — с другой. Отбор достигается путем использования различных эмпирических правил, указывающих на то, какой путь нужно опробовать в первую очередь и какие пути кажутся наиболее обещающими” [43, с. 116]. В следующем разделе мы рассмотрим некоторые другие определения. Пока заметим лишь, что, как показал М. Ботвинник, если число всех возможных расстановок фигур на шахматной доске достигает фантастической величины 1О120 (это число указано К. Шенноном в статье [81, с. 197]), то применение математических методов позволило шахматной программе ’’Чесс 4.6” (США) в партиях чемпионата по шахматам между машинами при каждом ходе рассматривать ’’всего лишь” 400 000 позиций, а советской программе ’’Пионер” при решении шахматных задач не рассматривать ходы, заведомо лишенные смысла, чем в значительной мере она уподобляется шахматному мастеру [82] (подробнее об этом будет сказано ниже).
При всей ’’размытости” использованной выше терминологии, как нам представляется, проблема возможности моделирования творчества на первом уровне — уровне принципиальной (абстрактной) возможности — вряд ли может вызвать возражения. Последний — четвертый — уровень, уровень практической целесообразности, требует постановки соответствующих задач. О трудностях, вырисовывающихся на втором уровне, — уровне реальной
87
возможности, мы подробно говорили в двух предшествующих разделах. Поэтому ниже мы будем вести рассмотрение на третьем уровне — уровне технической реализуемости. Мы рассмотрим вопросы моделирования элементов творчества в науке, технике и искусстве именно применительно к этому уровню. А пока — несколько общих соображений.
Между творческими и нетворческими продуктами деятельности лежит целый спектр результатов, относительно которых группа произвольно выбранных экспертов может дать самые разные заключения. Иногда это объясняется тем, что не все эксперты различают новизну продукта творчества и новизну процесса его создания, не учитывают (или учитывают недостаточно), что отсутствие общественной ценности продукта в данных конкретных условиях еще не говорит об отсутствии творческого процесса, что по новизне результата не всегда можно с уверенностью судить об уровне творческого потенциала его создателя, что к творчеству необходимо относить не только добывание новых знаний, но и самостоятельный перенос ранее известных знаний на новую ситуацию и т. д.
Имеется много фактов переоткрытия отдельными людьми, как правило, дилетантами в соответствующей области, того, что уже известно науке. Сам процесс получения подобных результатов невозможно не признать творческим, хотя сами по себе они уже не имеют научной и социальной ценности.
Говорят (на наш взгляд, вполне резонно), что эмоциональные реакции не должны участвовать в анализе, претендующем на точность. Между тем в суждениях о возможностях моделирования творческих процессов подчас превалируют именно эмоции.
Почти в любой дискуссии о творчестве можно услышать термин ’’подлинное творчество”. Однако четко отличить ’’подлинное” от ’’неподлинного” довольно трудно. Когда речь идет о продуктах творческого процесса человека, тут допускаются щедрые скидки, но как только речь заходит об информационной продукции машины, мы склонны проявлять большую строгость оценки. В печати приводились примеры такого ’’максимализма”. Однажды композиторы, присутствовавшие на демонстрации музыки, ’’выданной” машиной, которая работала по программе, составленной человеком, заявили, что они признают ’’творческие возможности” машин только тогда, когда ЭВМ начнут ’’писать музыку” на уровне Моцарта или Чайковского. В другой раз о ’’творческих способностях” машин в доказательстве математических теорем было сказано, что в них можно поверить только после того, как ЭВМ докажет ’’великую теорему Ферма” (т. е. утверждение о том, что уравнение хп + уп - zn> где п _ целое ЧИсло, болше двух, не имеет решений в целых положительных числах) — теорему, по сей день остающуюся не доказанной, хотя сформулирована она была в XVII веке.
88
Очевидно, что требования к ’’машинному творчеству” и творчеству человеческому должны быть согласованы, ибо любое ограничение, обнаруженное в соответствующих возможностях машины, может оказаться полезным для уяснения черт творчества человека. И наоборот: любое отдельно взятое творческое проявление человеческого интеллекта может, в потенции, стать предметом машинной имитации.
На первый взгляд представляется почти очевидным, что чем более творческим является труд человека, тем труднее он должен поддаваться моделированию средствами кибернетики. В действительности же отношение здесь не такое простое. Скажем, бесспорно, что труд инженера-проектировщика электрических двигателей требует более высокого творческого потенциала, нежели работа заведующего отдела кадров. Однако моделирование процесса проектирования электродвигателей идет весьма успешно, а с автоматизацией труда заводских ’’кадровиков” дело обстоит куда сложнее.
Разумеется, ’’творчество” можно определить так, что машинные результаты per definitionem - по определению — окажутся имеющими нетворческий характер. Ранее, в разделе ’’Сложность”, рассматривалось определение творчества как процесса, связанного с умением ставить и решать сложные задачи; если определить творчество как решение задач, сложность которых превышает машинные возможности, то понятия ’’машина” и ’’творчество” становятся несовместимыми. Однако такое определение вряд ли целесообразно.
В Энциклопедическом словаре БСЭ 1955 года издания (т. 3, с. 377) мы находим следующее определение творчества: ’’деятельность человека, заключающаяся в создании тех или иных материальных или культурных ценностей в какой-либо отрасли производства, науки, литературы, искусства и т. д.” Это определение тоже исключает какие бы то ни было машинные подходы, ибо в нем фигурирует ’’деятельность человека”; однако стоит нам удалить упоминание о человеке — так, как это сделано в ’’Советском энциклопедическом словаре” (изд. 1979 г.),* — как дефиниция становится функциональной, вполне пригодной для кибернетического подхода. Действительно, если нам представлен некий объект, относительно которого авторитетная экспертная комиссия делает вывод о наличии ’’материальной или культурной ценности”, то давайте считать, что процесс, приведший к появлению этого объекта, есть творческий процесс, независимо от того, где и как он протекал: в мозгу человека на основе соответствующей нейро динамики или в ’’хитросплетениях” машины, осуществляющей дискретную переработку информации.
* Но где, правда, во фразе, следующей за дефиницией, говорится, что ’’творчество специфично для человека”.
89
Мы полагаем, что любые, даже самые остроумные попытки дать определение термина ’’творчество”, безоговорочно исключающее ’’машинный фактор”, затруднительно. Ибо не анализируя результата процесса — наряду, разумеется, с самим процессом, невозможно прийти к выводу о степени его ’’творческого” характера. В контексте кибернетики объективность оценки результата приобретает особое значение.
II. МАШИННОЕ ПОЗНАНИЕ И КОНСТРУИРОВАНИЕ
Одной из острых проблем, поставленных развитием современной цивилизации, является проблема рационализации процессов научно-исследовательской работы: поиска информации в массивах литературы; математической, статистической, логической и иной обработки научного материала; реферирования результатов, полученных в тех или иных областях знания и технической практики, и т. д. Развитие кибернетики и вычислительной техники открыло путь решения этой проблемы в форме автоматизации соответствующих процессов (или их отдельных сторон) с помощью ЭВМ. Использование последних возможно не только в качестве автоматических вычислителей — устройств, предназначенных для решения специфически-вычислительных задач, — но вообще в качестве универсальных преобразователей любой (доступной для ’’понимания” машины) информации (сведений, знаний). Во многих случаях для этого' требуется, чтобы машина моделировала процессы логической дедукции следствий и доказательства теорем.
АВТОМАТИЗАЦИЯ ФОРМАЛЬНОЙ ЛОГИКИ
Хотя опыты по созданию машин, на которых можно было бы решать простейшие логические задачи, имели место начиная с конца XVIII века (напомним хотя бы известную машину С. Джевонса), широкое научное и, в достаточно близкой перспективе, практическое значение работы в этом направлении приобрели лишь в 50-х годах нашего столетия, — тогда, когда в распоряжении ученых оказался не только мощный аппарат современной логики, но и быстродействующие ЭВМ. С конца 50-х годов в разных странах мира начались работы по созданию алгоритмов (и соответствующих этим алгоритмам машинных программ), позволяющих автоматически находить логические выводы, ведущие к обоснованию некоторого предложения (данной теории) , — обнаруживать доказательства теорем логики и математики.
Известно, что открытие новых истин в процессе логического доказательства сводится к нахождению вывода гипотезы из ранее известных истин, т. е.
90
к открытию отношения логического следования доказываемого предложения из положений, истинность которых принята либо доказана ранее. Первые значительные результаты по проблеме поиска логического вывода в нашей стране были получены в 60-х годах группой ленинградских ученых, возглавлявшейся Н. А. Шаниным.
Корректная постановка и решение проблемы поиска (дедуктивного) вывода возможна лишь для формализованных теорий. При построении такого рода теории используется: формализованный язык, аксиомы теории и аппарат правил логического вывода. Поэтому при решении проблемы поиска вывода надо прежде всего располагать точным языком выражения соответствующих задач. В качестве такого языка был выбран язык классического исчисления предикатов (узкого: без кванторов по предикатам), включающий в себя, как известно, язык классического исчисления высказываний. Задача поиска вывода ставилась применительно к теориям математики. Известно, что не все математические теории могут быть выражены на указанном языке; однако на нем может быть выражена всякая конечно-аксиоматизируе-мая теория (т. е. теория, которая может быть задана конечным списком аксиом) , — а большинство существующих математических теорий именно таковы. Поэтому, если список аксиом (схем аксиом) теории конечен, поиск вывода в ней может быть сведен к поиску вывода в узком исчислении предикатов.
В качестве аппарата логического вывода использовался аппарат формального вывода, разработанный в математической логике. Алгоритм поиска логического вывода - это регулярная процедура, которая осуществляет следующее: если формула выводима из данных посылок (или доказуема, т. е. выводима из пустого множества посылок), то алгоритм применим к ней и не просто выдает ответ ”да”, но и строит соответствующий вывод (алгоритм, который может выдавать только ответ ”да” или ’’нет”, но не строить вывод, был назван алгоритмом ’’оракула”); если же формула не выводима (не доказуема) в исчислении, то алгоритм либо выдает отрицательный ответ, либо работает неограниченно долго.
Алгоритм, выдающий вывод, похожий на обычный содержательный, Н. А. Шанин назвал алгоритмом ’’интеллектуального партнера”. Он должен был дополнить ’’оракул” построением естественных выводов. Это делается для того, чтобы человек мог общаться с машиной на понятном для него языке. Допустим, человек не может решить какой-либо задачи; если в его распоряжении есть ’’оракул”, он сможет ’’запросить” его и узнать, скажем, что проблема решается положительно; однако в чем состоит само решение, останется для него неизвестным. ’’Интеллектуальный партнер” же не только выдает решение, но предъявляет его в форме, соответствующей ходу содержательного мышления человека. Машина, запрограммированная в соответствии
91
с алгоритмом поиска естественного вывода, может помочь человеку разобраться, в чем состоит трудность, — обнаружить, что не додумал человек, когда решал задачу. Этим и объясняется название: ’’интеллектуальный партнер”. Существенно, что, решая задачу, этот ’’партнер” не только выводит проверяемую формулу, но и строит ведущий к ней фрагмент формализованной теории - и среди этого фрагмента могут оказаться, в принципе, интересные новые теоремы.
Разумеется, при построении ’’интеллектуального партнера” мы связаны жестче, чем в случае просто поиска (какого-то) логического вывода. Но на уровне исчисления высказываний задача от этого не делается намного сложнее. Построение ’’интеллектуального партнера” группой Н. А. Шанина осуществлялось для классического исчисления высказываний. Это — необходимый шаг для подхода к построению алгоритма поиска естественного вывода для исчисления предикатов. Уже для классического узкого исчисления предикатов задача становится существенно более трудной; однако, смотря на проблему с современных позиций, мы сможем сказать, что эти трудности преодолимы, и алгоритм поиска естественного вывода в исчислении предикатов может быть сделан достаточно компактным и обозримым.
Машинная реализация алгоритма — это были 60-е годы — осуществлялось на ЭВМ типа ”Урал-4”. Вывод, который писала машина на бумажной ленте, представлял собой текст, составленный из некоторых фраз русского языка (’’Задача: вывести из исходных формул ... формулу ...”, ’’Допустим, что ...” и т. п.) и выражений символического языка исчисления высказываний. В работе [83] Н. А. Шаниным и его соавторами описывается решение на ЭВМ следующей проблемы: если задан какой-либо список формул исчисления высказываний <2Х, Q2, . . . , Qn и еще какая-либо формула исчисления высказываний R, то необходимо составить алгоритм, выясняющий, выводима ли формула R из Qi, Q2, ..., Qn логическими средствами классического исчисления высказываний (т. е. выводима ли формула R в исчислении, получаемом в результате присоединения к классическому исчислению высказываний формул <21, Qi, • • . , Qn в качестве дополнительных исходных формул) , и при утвердительном ответе на этот вопрос искомый алгоритм должен строить (и это в проблеме главное) естественный вывод/? iaQbQb... ..., о„.
При построении алгоритмов логической дедукции можно пользоваться исчислениями различного типа: аксиоматическими (так называемыми исчислениями гильбертовского типа), натуральными (восходящими к работам Г. Генцена), секвенциальными (впервые построенными тем же Генценом). Алгоритмы, разрабатывавшиеся в группе Н. А. Шанина и доложенные в 1964 г. на I Всесоюзном симпозиуме по проблеме машинного поиска логического вывода в г. Тракай Литовской ССР, основывались на секвенциальных исчис-92
лениях. Но на том же симпозиуме С. А. Яновская показала, что для целей поиска вывода можно использовать иной логический аппарат, а именно аппарат так называемых таблиц Бета. Этому вопросу она посвятила два доклада. Первый назывался ’’Некоторое уточнение алгоритма перевода семантических таблиц Бета в дедуктивные и дедуктивных в натуральный вывод”. Семантические таблицы, предложенные голландским математиком и логиком Э. Бетом, представляют собой, по существу, определение понятия логического следования или секвенции, согласно которому заключение является логическим следствием из данных посылок, если нельзя сделать посылки истинными, а заключение ложным. В семантических таблицах Бета фактически заключен алгоритм ’’оракул”, - как для исчисления высказываний, так и для узкого исчисления предикатов. В дополнении Бета в его книге ’’Формальные методы” содержится указание, что с помощью семантических таблиц можно получить вывод данной формулы в натуральном исчислении, но не дано необходимых указаний о том, как это можно сделать. Ответ на этот вопрос и дала С. А. Яновская. Она показала, как по семантическим таблицам, представляющим вывод некоторой формулы из данных посылок, можно, используя определенные правила, получить вывод в так называемых дедуктивных таблицах Бета, а на основании последних построить линейный вывод в натуральном исчислении. Так получается алгоритм ’’интеллектуальный партнер”. В своем втором докладе С. А. Яновская рассказала о решении проблемы разрешения — о построении алгоритма, распознающего как выводимость, так и невыводимость формулы для конструктивного (без закона исключенного третьего) исчисления высказываний с помощью семантических таблиц Бета.
Аппарат таблиц Бета логически очень прозрачен и дает возможность проиллюстрировать механизм поиска логического вывода, не прибегая к выписыванию формул громоздкого формализма. Суть метода состоит в том, чтобы показать, что заключение Я не может быть ложным при истинности посылок 61,..., Qn Пусть знаки &, V, D и ~1 означают, соответственно, логические союзы ”и” (конъюнкция), ’’или” (неразделительная дизъюнкция), ’’если . . . , то” (импликация) и ”не” (’’неверно, что”; отрицание). Приняв обычные для классической логики определения операций, представляемых этими знаками, а именно, считая: что формула (высказывание) Ф1 & Фг истинна тогда и только тогда, когда истинно как высказывание Ф1 , так и высказывание Фз; что формула Ф1 V Фз ложна тогда и только тогда, когда и Ф1, и Фз ложны; что формула Ф1 D Фз ложна тогда и только тогда, когда Ф1 истинна, а Ф3 ложна (что равносильно тому, что формула Ф1 D Фз истинна, когда Ф1 ложна или Ф3 истинна); и что формула ~1Ф истинна, когда Ф ложна, и ”1Ф ложна, когда Ф истинна, мы получаем следующий метод опровержения формул упомянутого вида (под опровержением формулы понимается обоснование ее ложности): для опровержения конъюнктивной формулы достаточно опровергнуть ее первый или ее второй член; для опровержения дизъюнктивной формулы требуется опровергнуть оба ее члена; для опровержения импликативной формулы надо, приняв
93
Фх (антецедент), опровергнуть Фа (консеквент); для опровержения формулы П Фх достаточно обосновать формулу Фх.
Рассмотрим пример. Пусть требуется показать, что из посылок (1) ~1(Л &Z?) Э Си (2) V П2? следует заключение (3) С. Допустим, что (1) и (2) истинны, а (3) - ложно, и покажем, что в этом случае мы придем к противоречию. Составим таблицу (табл. 1), состоящую из двух колонок — колонки + 1, где должны помещаться истинные формулы, и колонки -1, предназначенной для ложных формул. Запишем (1), (2) в колонке +1, а (3) - в колонке -1. Раз формула (1) попала в ’’истинностную” колонку табл. 1, то значит либо формула И (А &В) ложна, либо формула С истинна. Это значит, что табл. 1 надо разделить на две подтаблицы: 1.1 и 1.2 с соответствующими ’’истинностными” (+1.1 и +1.2) и ’’ложностными” (-1.1 и -1.2) колонками. Формулу П (А & В) мы запишем в колонке -1.1, а формулу С - в колонке +1.2. Рассмотрим теперь подтаблицу 1.2. Так как она получилась путем ’’расщепления” табл. 1, то в нее перешли все формулы, выписанные в табл. 1. Но тогда нетрудно усмотреть, что эта подтаблица представляет противоречивый случай: формула С оказывается и в колонке +1.2, т. е. признается истинной, и в колонке -1.2, т. е. считается ложной; а этого быть не может. Подтаблица 1.2, как говорят, замкнулась (что графически выражают двумя горизонтальными чертами в колонках +1.2 и -1.2). Обратимся теперь к подтаблице 1.1.
В ’’ложностной” ее части стоит формула ~I (А & В); значит, в ’’истинностной” части должна появиться формула А & В. Поскольку конъюнктивная формула верна лишь при условии верности обоих ее членов, мы в той же части должны записать формулы А и В. Теперь займемся формулой (2). Она стоит в колонке +1.1, т.е. признается истинной (это посылка). Но дизъюнктивная формула истинна, когда истинен по крайней мере 94
один из ее членов. Значит, надо рассмотреть случай истинности как формулы ~1Л, так и формулы Это приводит к расщеплению табл. 1.1 на подтаблицы 1.1.1 и 1.1.2. Формула ~1А записывается в колонке +1.1.1, а формула ~~IB - в колонке +1.1.2. Рассмотрим подтаблицу 1.1.1. В обеих ее частях - ’’истинностной” и ’’ложностной” - стоит формула А. Значит, эта подтаблица замыкается. Замыкается и таблица 1.1.2 (так как формула В оказывается и в колонке +1.1.2, и в колонке -1.1.2, что означает противоречие). Итак, во всех таблично представленных случаях мы приходим к абсурду. Значит, формулу С нельзя сделать истинной при истинности данных посылок, т. е. она из них логически следует.
Ясно, что описанный процесс рассуждения (построения таблицы Бета) носит совершенно регулярный (алгоритмический) характер. Как показала С. А. Яновская, на основе такой - семантической - таблицы регулярным же способом можно построить натуральный (естественный) логический вывод, ведущий от посылок к искомому заключению (более подробно связанные с этим вопросы рассмотрены в книге О. Серебрянникова [84]).
Уже сейчас некоторые аспекты задач поиска вывода имеют близкое отношение к практике. С автоматическим реферированием связана, например, разработка следующей проблемы: уметь узнать, содержит ли реферируемая статья нечто новое или она повторяет уже имевшиеся публикации. Для ко-нечно-аксиоматизируемой теории имеет смысл требование определения того, можно ли построить в ней вывод, длина которого не больше установленного заранее числа шагов. Эта задача связана не только с моделированием элементов творчества (построение цепочки вывода), но и с модельным представлением более ’’рутинной” деятельности — восприятия и осмысления работы, выполненной другими: с автоматизацией составления реферативных ’’выжимок” научных текстов, причем в применении не только к математическим, но и иным областям знания. Примером другой проблемы может служить задача вылавливания ’’дырок” в доказательствах; под дыркой при этом понимается ситуация, когда фигурирующее в доказательстве предложение не следует из других ранее полученных предложений того же доказательства менее чем за фиксированное число шагов.
Важной является проблема построения алгоритмов поиска вывода новых нетривиальных теорем, начиная с уровня логики высказываний и предикатов. Еще в 1960 г., до работ группы Н. А. Шанина, Хао Ван опубликовал статью [85], в которой описывался алгоритм порождения теорем исчисления высказываний, не известных ранее. Но предложенный им путь представляется мало интересным, так как в его алгоритме большую роль играл случай. Н. А. Шанин и его сотрудники в 60-х годах выдвинули идею другого пути; суть его, грубо говоря, можно описать так. Представим себе, что некоторая формула не выводима из данных посылок. Тогда ставится задача так ’’подправить” эту формулу, чтобы она из этих посылок стала выводимой; другая задача: в целях достижения выводимости данной формулы из данных посы-
95
лок произвести соответствующее ’’подправление” посылок. Естественно возникает и такая задача. Пусть известно, что некоторое заключение следует из некоторых посылок; спрашивается, нельзя ли ослабить посылки, но сохранить указанную выводимость; и нельзя ли из данных посылок вывести формулу, более сильную, чем первоначальная.
В последние годы в Институте кибернетики АН УССР под руководством В. М. Глушкова шла разработка оригинальной методологии автоматизации дедукции [58]. Прежде всего решается задача построения практически-ориентированного языка математической логики, при помощи которого можно оперировать крупными ’’блоками” доказательств. Кроме того, в этом языке предусматривается введение средств определения новых понятий и порождения (конструирования) тех или иных общих соотношений.
Далее, от машины требуется, чтобы она не угадывала конструкции, а на основе применения логического аппарата, использующего крупные блоки дедуктивных выводов, которые заложены в ранее доказанные теоремы, по готовой конструкции проверяла, удовлетворяет ли она тем или иным свойствам (так называемый ’’алгоритм очевидности”). В перспективе реализация алгоритма очевидности на конкретной информационной базе, считают украинские кибернетики, откроет путь такой перестройки ’’здания” математики, что все оно со временем будет покоиться ”на вполне понятном, объективированном, едином, универсальном понятии очевидности” [58, с. 307]. Это повлечет много практических применений. Среди них — объективный контроль за пониманием изучаемого материала учащимися-математиками, организация автоматической проверки правильности новых научных (в данной области математики) результатов; новая система организации справочноинформационной службы (например, возможен существенно содержательный ответ, состоящий в том, что, хотя запрашиваемый факт машине не известен, он является ’’очевидным” следствием из таких-то фактов).
Одним из наиболее интересных свойств подобной развитой системы должен явиться эффект целостности. В развитии системы могут участвовать десятки или сотни крупнейших специалистов в своей области; система накопит и разложит ”по полкам” (используя алгоритм очевидности) все новое и рациональное, что внес каждый из них; в результате, накопится множество проблем, которые никто из людей в отдельности решить не может, а машина может. В этом и заключается ’’эффект целостности” информационнр-вычис-лительной системы, созданной на базе ЭВМ: каждый из тысячи специалистов, ’’начинявших” систему информацией, нечто не знает, а она ’’знает”. В этом смысле подобный информационно-вычислительный комплекс явится неким ’’концентратом” коллективной мудрости.
Из зарубежных работ, относящихся к машинному логическому выводу, в свое время известность получили исследования А. Ньюэлла, Дж. Шоу и 96
Г. А. Саймона [86] и упоминавшаяся выше работа Хао Вана. Ньюэлл с коллегами еще в 1957 г. при помощи разработанной им программы ’’Логик-теоретик” (сокращенно ЛТ) на ЭВМ ИВМ-704 получил доказательства 38 из первых 52 теорем известного труда А. Н. Уайтхеда и Б. Рассела Principia mathematica; блок-схемы и принципы построения ЛТ неоднократно рассматривались в специальной и популярной литературе (см., например, [40, 41, 87]). Хао Ван составил три программы для доказательства теорем математической логики (реализовавшиеся на ЭВМ того же типа). Первая из них позволила машине за 37 минут доказать более двухсот теорем из первых пяти глав упомянутого труда Уайтхеда и Рассела, причем непосредственно на счет ушло только три минуты машинного времени (остальное время было затрачено на ввод-вывод данных). По второй программе машина образовывала из исходных символов предложения исчисления высказываний и выбирала из них новые - ’’нетривиальные”. По этой программе машиной было построено и проверено в течение часа около 14000 предложений, причем было выдано на печать около тысячи теорем. Наконец, по третьей программе было доказано более ста пятидесяти теорем следующих пяти глав Principia mathematica, относящихся к исчислению предикатов с равенством. В течение часа машина нашла доказательства для 85% этих теорем [85]. По крайней мере в одном случае машина выдала доказательство теоремы из второй главы, которое оказалось стройнее и короче, чем приведенное Уайтхедом и Расселом*.
В свое время авторы программы ЛТ высказали мнение, что машина, работающая по этой программе, может не только доказывать теоремы, но и выдвигать ’’новые задачи”, что она может формулировать новые предложения соответствующего формального языка и ’’стремиться” к их доказательству [41]; аналогично этому, и Хао Ван показал, что ЭВМ в состоянии не только строить доказательства вводимых в нее теорем, но и формулировать сами теоремы, отбирая при этом их на ’’нетривиальность”. Соответствующий путь в принципе прост: задать критерий нетривиальное™, и тогда машина сможет выбирать и выдавать на печать теоремы, ему удовлетворяющие; на некотором этапе многократного построения этой процедуры можно будет, как считал Хао Ван, получить доказательства большого числа новых нетривиальных теорем [85, с. 127]. Исследования последующих десятилетий однако показали, сколь непросто сформулировать достаточно эффективный критерий нетривиальное™. Подводя итог опыту работы в данном направлении, В. М. Глушков указал на принципы самоорганизации как на тот путь, который ведет к разработке машинных процедур отбора новых, подлинно нетривиальных теорем и их доказательств (см. [88, с. 57]).
* Встречающиеся в популярной печати сообщения об имевшем якобы месте машинном доказательстве множества новых интересных теорем следует полагать вымышленными.
97
4 Зак. 1025
Эксперименты по машинному выводу теорем не ограничиваются рамками математической логики. За рубежом одной из первых ’’нелогических” программ такого рода была программа доказательства теорем простейшего раздела геометрии [41]. В нашей стране, помимо достижений в разработке машинных программ дедуктивной логики, получены интересные результаты в автоматизации логико-вычислительных процессов алгебре (в частности, в теории групп), прикладной математике и др. Соответствующий обзор можно найти в брошюре [88]. В ней, в частности, отмечается значение работ по созданию теоретического аппарата, представляющего собой специальные логико-математические исчисления и процедуры поиска вывода в них. Наиболее крупными результатами здесь были: разработка С. Ю. Масловым так называемого ’’обратного метода” [89, 90] и создание Дж. Робинсоном ’’метода резолюций” (об этом методе см., например, [45]). ’’Большинство существующих сейчас программ поиска доказательств основывается на одном из этих методов. . . метод резолюций предназначен для установления выводимости теорем в исчислении предикатов. Обратный метод имеет более широкую область применения. Работы С. Ю. Маслова послужили теоретической основой для специальной программы, которая не только строит вывод формулы, если он может быть построен, но и в некоторых случаях дает ответ, что формула невыводима” [88, с. 58].
Все, сказанное нами, подтверждает вывод: ’’Формализация, по-видимому, обещает, что машины будут делать значительную часть работы, занимающей сейчас время математиков-исследователей” [41]. Не будем, тем не менее, забывать о том, что решаемые современными машинами дедуктивно-математические задачи еще достаточно просты; что осуществление машинного вывода нередко ’^наталкивается на совершенно непреодолимые размеры вывода (количества порождаемых резольвент в случае программ, например, основанных на методе резолюций). Это, в частности, связано с тем, что несмотря на все-таки очень большое быстродействие ЭВМ и достаточно большие объемы памяти, время решения задачи исчисляется десятками суток непрерывной работы машины; памяти также не хватает” [88, с. 55].
Но не будем забывать слова двух других крупных математиков: ’’Между работой ученика, решающего задачу по алгебре или геометрии, и изобретательской работой разница лишь в уровне” (Ж. Адамар, [91, с. 98]); ’’Крупное научное открытие дает решение крупной проблемы, но и в решении любой задачи присутствует крупица открытия” (Д. Пойа, [92; с. 5]). В другой работе [93] Пойа, пытаясь определить, что значит решить задачу, поясняет, почему он в решении каждой из них видит элемент открытия: ’’Задача предполагает необходимость сознательного поиска соответствующего средства для достижения ясно видной, но непосредственно не доступной цели. Решение задачи означает нахождение этого средства” (с. 143).
98
Автоматизация логического вывода не случайно явилась одним из первых направлений кибернетических исследований. Закономерность этого явления вытекает, по-видимому, из тезиса, сформулированного Б. Расселом в следующей форме: ’’всякое математическое мышление, в принципе, может быть механически истолковано как манипуляция символами согласно предписанным правилам, некое подобие шахматной игры” (цит. по [94, с. 14]) — с добавлением указания на необходимость плодотворных эвристик, позволяющих находить такое истолкование. Именно соединение дедукции с эвристически направляемым поиском (о котором речь пойдет ниже) делает убедительным рассуждение В. М. Глушкова, который в одном из своих докладов сказал, что ныне математик, кончая творческую жизнь, оставляет потомкам некоторое число доказанных им теорем; однако настает время, когда можно будет оставлять не отдельные теоремы, а программы, каждая из которых при помощи ЭВМ будет порождать классы новых теорем.
ИГРОВЫЕ ЗАДАЧИ
Как мы уже видели, доказательства теорем математики существенно зависят от дедуктивной логики. Необходимо уметь отличать правильный дедуктивный шаг от неправильного, ибо в длинных цепочках логических переходов уже одна ошибка может оказаться роковой. То же справедливо и для ’’просчета” вариантов по правилам, который имеет место в игровых задачах. В шахматной игре, как мы знаем, число всех возможных расстановок фигур на доске достигает гигантского числа 1О120. Никакая самая производительная ЭВМ не сможет перебрать все возможные варианты. Поэтому пытаются найти приближенное решение игры с помощью укороченного дерева перебора (т. е. путем фиксации глубины перебора, определяемой числом полуходов) либо (второй путь) путем исключения из этого дерева заведомо лишенных смысла ветвей.
По первому пути (названному ”брут форс” — грубая сила) играют современные шахматные программы и в каком-то смысле ему же следуют очень слабые шахматисты, по второму — мастера. Цель программирования игры в шахматы на ЭВМ — ’’научить” машину второму ’’стилю” игры, что, как считают, откроет путь решению ряда практических проблем ’’искусственного интеллекта”, среди которых особое место занимает разработка методов решения задач перспективного планирования.
Интересно хотя бы совсем кратко рассмотреть прогресс в развитии машинного программирования игры в шахматы. В 1964 г. Г. М. Адельсоном-Вельским, В. Л. Арлазаровым и А. В. Усковым была разработана программа, которая позволяла машине играть в силу четвертого разряда. Программа
4*
99
предусматривала варьирование ’’стиля” игры машины, в частности, за счет разной глубины просмотра позиции; в случае варианта программы с просмотром позиции на глубину 5 полуходов (ходов одного из партнеров) машина ’’думала” над ходами по 10-20 м. и более. В экспериментах разыгрывались партии между машиной и человеком и между машиной и машиной.
Начиная с 1974 г. между шахматными программами производятся международные чемпионаты. Они приурочиваются к конгрессам Международной Федерации по обработке информации (ИФИП). Сильнейшими из программ оказались советская ’’Каисса’ (авторы Г. М. Адельсон-Вельский, В. Л. Арлазаров и М. В. Донской) и американская ’’Чесс 4.6” (авторы Д. Слейт и Л. Аткин).
В 1974 г. в Стокгольме победу одержала ’’Каисса”. В 1977 г. в Торонто победила ’’Чесс 4.6”, ибо быстродействие, с каким она работает (12 млн. операций/с) позволило ей вести расчет вариантов до двенадцати полуходов. Быстродействие же ’’Каиссы” (3 млн операций/с) — до девяти полуходов. А поскольку обе программы работали по принципу ”брут форс”, это обстоятельство и предопределило поражение ’’Каиссы”. Однако уже здесь, по мнению М. М. Ботвинника, сила игры этих программ была на уровне второго разряда [82].
В течение многих лет группа ученых ВНИИ электроэнергетики во главе с М. М. Ботвинником разрабатывает шахматную программу’’Пионер”, которая, по-видимому, будет единственной, использующей методы, аналогичные тем, которыми пользуется шахматный мастер. Ибо, как и он, ’’Пионер” не рассматривает заведомо лишенные смысла ходы. При решении сложного этюда грузинского шахматного композитора Г, Надареишвили ’’Пионер” рассчитывал варианты до 25 полуходов. М. М. Ботвинник полагает, что решение данного этюда на ЭВМ с быстродействием в 10 млн. операций/с потребовало бы приблизительно 10 м машинного времени; вместе с тем не каждый шахматист высокой квалификации уложился бы в это время. Американская машина ”Сайбр-176” после миллиона ходов по программе ’’Чесс 4.6” этюд не решила.
Третий чемпионат среди семнадцати машинных программ проводился с 25 по 30 сентября 1980 г. в г. Линце (Австрия). По мнению участника этого чемпионата (и одного из авторов программы ’’Каисса”) М. В. Донского, на этом турнире программ наиболее ярко выразилась специфика такого рода соревнований: органическое сочетание спортивного начала с чисто научными, далеко идущими исследовательскими интересами. Турнир отличался обилием ничьих. Программа-победительница (США) играла на уровне мастера, но, по мнению Донского, если бы удалось сосредоточить в одной из программ достоинства всех ее конкурентов, участвовавших
100
в турнире, то не исключено, что она уже теперь играла бы на уровне гроссмейстера. Разумеется, это вовсе не является для программистов самоцелью: например, уже сейчас принципы программирования игры в шахматы группой под руководством М. Ботвинника используются для решения задач, связанных с планированием ремонта оборудования электростанций.
Пока что Международная федерация по шахматам (ФИДЕ) допустила ко всякого рода чемпионатам наряду с шахматистами и шахматные программы, оговорив, однако, условие, согласно которому денежное вознаграждение за призовое место программе не выплачивается...
Значительная часть рассмотренных нами примеров моделирования элементов творчества (программы ЛТ, ’’Пионер” и некоторые другие) носит так называемый эвристический характер. Слово ’’эвристика” означает, с одной стороны, общую теорию творчества [93], а с другой - приемы решения задач, не связанные с жесткими правилами, приемы, резко сокращающие перебор вариантов и потому допускающие риск ошибок, неточных решений. Очень часто под эвристическими методами понимают совокупность эмпирических алгоритмов, которые примерно дают те же результаты, что и эвристическая деятельность человеческого мозга. Эти алгоритмы могут не отражать содержательную сторону процесса, но то, что они выдают, близко к тому, что получил бы человек, если бы он решал ту же задачу.
ДЕДУКТИВНАЯ И НЕДЕДУКТИВНАЯ ЭВРИСТИКА
В связи с проведенными выше рассмотрениями возникает вопрос о различении ступеней ’’эвристического”, ’’творческого”, ’’сложного” и т. п. в применении к задачам кибернетического моделирования и ИИ. Один из возможных подходов уже излагался авторами этих строк [58]. Заключается он в следующем. Выделяются дедуктивная и недедуктивная эвристики (причем последняя рассматривается в качестве эвристики в собственном смысле). Отличительный признак первой — в том, что будучи эвристикой в том плане, что соответствующая программа приводит (или, лучше сказать, может приводить) к результатам, которые можно признать в определенном смысле ’’творческими”, реализуется она с помощью ’’обычных” вычислительных алгоритмов или алгоритмов, им аналогичных. Примером осуществления такой эвристики могут служить упоминавшиеся выше программы Хао Вана, дающие ответ относительно доказуемости некоторой формулы. Формальные выражения, проверяемые этими программами на доказуемость (выводимость) могут быть очень сложными, никогда не выписывавшимися и не выводившимися человеком и, значит, новыми. Но сам процесс проверки (вывода) принципиально не отличается от решения обычной вычислительной задачи.
101
Дедуктивная эвристика может имитировать определенный круг рассуждений человека. Такой характер носили, например, программы, создававшиеся коллективом математиков, возглавлявшимся Н. А. Шаниным [83]; таковы же многие новейшие программы автоматизации дедуктивных методов, которые упоминались в предшествующем разделе. Эти программы не просто отвечают на вопрос о доказуемости поставленной на проверку формулы (или о ее выводимости из некоторых посылок), но и печатают — в случае положительного ответа на вопрос о доказуемости — ее вывод, причем последний может носить естественный, ’’человеческий” характер. В литературе можно найти много интересных соображений о характере тех принципов, которые должны быть заложены в алгоритм для придания выводу естественного характера. Некоторые из них выявлены в работах О. Ф. Серебрянникова [84] и С. Ю. Маслова (см. [90,95]). Для нас существенно, что такое выявление значимо для перехода уже к эвристике иного типа — к эвристике не дедуктивной.
Недедуктивная эвристика отличается от дедуктивной тем, что эвристический алгоритм, в который стремятся заложить человеческие приемы открытия нового (типа тех приемов рассуждения, которые описаны в известных книгах Д. Пойа [92,93, 96]), может не отражать всех свойств соответствующей массовой проблемы и потому выдавать решение не всех задач соответствующего класса (или выдавать плохое решение, или же давать ответ, который нельзя признать решением соответствующей задачи); иначе говоря, машины, реализующие такой алгоритм, могут ’’пасовать” перед задачей (даже если разрешить машине работать сколь угодно долго) или же ’’ошибаться”. Таким образом, машинное ’’поведение” и в данном отношении напоминает человеческое, почему программу и можно назвать ’’собственно эвристической”. Именно такой характер носили программы Ньюэлла, Шоу и Саймона — ’’Логик-теоретик”, а потом ’’Решатель общих проблем”. Например, ЛТ работала явно хуже, чем составленная после нее программа Хао Вана. Но, в отличие от хаовановской программы, ЛТ имитировала человеческий поиск решения.
Чего же стремятся достичь, вступая на путь создания программ ’’собственного эвристического” стиля? - Создания методов решения сложных задач — задач, исчерпывающее описание которых (т. е. точная постановка) затруднительно; иначе говоря, задач, для которых не все свойства охватывающей их массовой проблемы известны. Весь смысл эвристического программирования состоит в расчете: пусть простые задачи данным методом решаются хуже, чем это позволяет сделать путь дедуктивной эвристики, зато на сложных задачах, где ’’обычные” алгоритмы (программы) ’’захлебнутся” в переборе вариантов (даже при достаточно хорошо организованном движении по дереву альтернатив), программы эвристического типа, основанные на
102
’’подсмотренных” у человека приемах рассуждения, смогут (конечно, не всегда) дать приемлемое решение. Таким образом, можно сказать, что (собственно) эвристические программы полнее моделируют творческую компоненту мышления, чем методы ’’дедуктивной эвристики”.
Таков один из способов различения разных уровней эвристичности и ’’творческости” применительно к системам моделирования мышления. Но возможен и другой подход, более глубоко проникающий в суть проблемы. Мы имеем в виду идеи группы специалистов и прежде всего Д. А. Поспелова, подвергших анализу соотношение эвристического программирования и эвристики как науки и предложивших классификацию задач (массовых проблем) по степени их трудности для представления в системах ’’искусственного интеллекта”. Эта классификация основана на следующем.
Произведем, опираясь на идеи, изложенные в [61], детализацию структуры массовой проблемы (ср., например, как это понятие обычно раскрывается в монографиях по математической логике, например, в [97]) несколько иным способом. Выделим пространства исходных данных (ситуаций) U, промежуточных состояний - т. е. состояний, возникающих в ходе решения задач (его обозначим через П, — и состояний заключительных (результатов, Р). Не будем накладывать каких-либо ограничений на отношения между пространствами U, П и Р (это существенное обстоятельство!). Пусть задан некоторый набор Q элементарных операций, перерабатывающих одни состояния (из U и П) в другие. Тогда очевидно, что применение какой-то операции q Е Q к произвольному элементу и Е U породит некоторый элемент л Е П. Смысл массовой проблемы состоит в том, чтобы по произвольному элементу и Е Uполучить некоторый элемент р Е Р - результат. Такое получение может происходить с помощью лишь какого-то метода, который, коль скоро речь идет о системах, реализуемых на ЭВМ, должен носить алгоритмический характер, т. е. задаваться с помощью некоторого алгоритма Ot . По любой исходной ситуации и Е U алгоритм 0[ строит последовательность операций, применение которых к соответствующим элементам из П порождает (в предположении абстракции потенциальной осуществимости) требуемый результат р Е Р (если алгоритм к данной исходной ситуации применим).
В случае обычных для математики и логики проблем пространство результатов в каком-либо естественном смысле ’’однородно” с пространством исходных и промежуточных данных; например, пространством U могут быть пары натуральных чисел, а пространством результатов Р - натуральные числа (так обстоит дело в хорошо известном алгоритме нахождения наибольшего общего делителя двух чисел). Но в случае сложных проблем этой ’’однородности” может и не быть. Чтобы отразить описанную ситуацию, авторы статьи [61] ввели понятие языковой согласованности (несогласованности), которое поставили в связь с понятием алгоритмической согласованности (не согласованности). А именно, они предложили считать, что множества UnP алгоритмически согласованы, если для любых и Е U алгоритм О выдает некоторый результат р Е Р или позволяет извлечь доказательство того, что такого результата быть не может; в противном случае Un Р объявляются алгоритмически несогласованными.
Как может возникать алгоритмическая несогласованность? Она может получаться, грубо говоря, в случае, когда мы сталкиваемся с алгоритмической неразрешимостью. Как известно, массовая проблема, представляющая собой вопросительное предложение с параметром (параметрами), требующее ответа на вопрос типа ’’Какой? либо типа
103
”Да или нет?”, неразрешима, если не может существовать алгоритма, выдающего, в зависимости от конкретных значений параметра (параметров), упомянутые ответы. Примером такой проблемы может служить вопрос: ’’Доказуема ли данная формула х узкого (без кванторов по предикатам) исчисления предикатов?” Известно (об этом уже говорилось), что проблема эта неразрешима. Однако это не значит, что нельзя построить алгоритм, ищущий доказательство тех формул исчисления, которые в нем доказуемы. Такие алгоритмы не только теоретически возможны — они построены и машинно реализованы. Но только массовая проблема, которую они решают, не совпадает с приведенным выше вопросом, поскольку ее смысл можно передать словами: ’’Каково доказательство формулы х узкого исчисления предикатов, если таковое существует?”.
Теперь заметим, что пространства Un Р должны быть заданы на определенном языке - формализованном, полуформализованном, естественном. В случае, например, алгоритма Эвклида - это язык записи натуральных чисел и отношений между нами; в случае исчисления предикатов - язык формул и доказательств этого исчисления. Однако нередко — для человеческого мышления это, пожалуй, наиболее интересный случай, а для ’’искусственного интеллекта” случай наиболее трудный - множества UnP задаются на различных языках. Так, в шахматах исходные ситуации формулируются на языке позиций (или, в случае ее обычной формализации ”по Шеннону”, на языке функции, оценивающей позицию), заключительные же состояния скорее формулируются на естественном языке ( в виде выражений вида ’’добиться выигрыша”, ’’добиться позиционного перевеса”, ’’свести игру к ничьей” и т. п.). Это различие языков может также служить источником алгоритмической несогласованности множеств UnP\ алгоритм игры в шахматы может не приводить к искомому результату (выигрышу, ничьей, достижению перевеса в игре или успеху некоторой комбинации) именно потому, что цель игры - в целом или на отдельных ее отрезках - сформулирована на ином языке, чем та позиция, с которой применение алгоритма началось. Поэтому данный, наиболее интересный случай естественно назвать языковой алгоритмической несогласованностью, а случаи, когда языковая алгоритмическая несогласованность отсутствует, назвать языковой согласованностью; из этих определений следует, что случай несогласованности, не являющейся языковой несогласованностью, причисляется к языковой согласованности и что алгоритмическая согласованность всегда считается и языковой согласованностью (рис. 71.
Рис. 7.
Из описанной схемы нетрудно усмотреть основания для типологии задач, решаемых человеческим мышлением и моделируемых в ’’искусственном интеллекте”, особенно если допустить операции и алгоритмы недетерминистского (вероятностного или расплывчатого в смысле Заде)вида ввести оценки близости состояний и достижимости заключительного состояния. Могут быть задачи, связанные с поиском необходимых операций Q, а также алгоритма Л , с уст-
104
ранением языковой несогласованности и др. Мы не будем на этом останавливаться, а отошлем читателя к статье [61]. Задержимся только на одном пункте, со всей силой подчеркнутом Д. А. Поспеловым: на задаче перевода проблемы, для которой языковое согласование отсутствует, в проблему с требуемым языковым согласованием. Как справедливо отмечает упомянутый автор, проблемы, для которых имеется языковое согласование, могут рассматриваться как задачи поиска пути в лабиринте (быть может, бесконечном, каковым, например, является поиск доказательства произвольной формулы в узком исчислении предикатов), ведущем от некоторой начальной площадки к площадке конечной (свойства площадок описаны на общем ’’лабиринтном” языке). Смысл эвристического подхода в этом случае состоит в том, чтобы заменить полный перебор (обычно реально не осуществимый даже для конечных лабиринтов) усеченным перебором и целенаправленным движением по дереву альтернатив. Психологические опыты показали, что человек и животное в ряде случаев именно ’’лабиринтно” подходят к задачам, причем если задача — новая (свойства лабиринта, т. е. дерева альтернатив, не известны), то наблюдается некоторый период ’’проб и ошибок”, случайный перебор и т. п. до тех пор, пока решающий не составит некоторые гипотезы о структуре дерева перебора и не выработает стратегию поиска.
Д. А. Поспелов высказал мысль, что задачи подобного рода носят нетворческий (или не очень творческий) характер и их не следует относить к ’’искусственному интеллекту”. На этом основании он не причисляет к этому направлению, например, большинство работ по автоматизации поиска логического вывода и доказательству теорем логики и математики. С этим вряд ли можно согласиться. Ведь если следовать этому критерию, то по крайней мере часть математики выпадет из сферы творчества! Конечно, наличие языкового согласования в определенном смысле упрощает соответствующую задачу. Но ведь это не единственная характеристика трудности задач и, соответственно, не единственное их свойство, требующее от человека открытия чего-то нового. Разве доказательство трудной теоремы, уже ранее сформулированной в математике, не есть творческий акт? Можно ли было ’’нетворчески” построить доказательство теоремы, требующее индукции по десяткам параметров, — достижение, обычное для творчески работающих математиков?!
Но, конечно, вне математики и логики главным источником трудности задач является именно языковое рассогласование между тем, что дано, и тем, что требуется получить. Согласно идее, выдвинутой В. Н. Пушкиным и Д. А. Поспеловым, суть решения в этом случае состоит в том, что ’’проблемная среда”, в которую погружены условия и цели, подвергается переосмыслению; если речь идет о человеке, то основным оказывается то, что он по-новому подходит к структуре среды, по-иному ее структурирует; ’’как только человек находит нужное структурирование, возникает ’’озарение” (инсайт) 5 Зак. 1025	105
и проблема становится разрешимой” [61, с. 223]. В семиотико-кибернетических терминах это означает, что — коль скоро ставится задача построения модели соответствующего творческого процесса — необходимо построить новый язык, на котором описывались бы и исходные, и целевые ситуации. Создание такого языка обеспечивает необходимое языковое согласование и открывает возможность использования известных методов решения ’’лабиринтных” задач. ’’Таким образом, основным творческим актом при решении проблем при отсутствии языкового согласования является построение такой модели проблемной ситуации, в которой было бы достигнуто необходимое согласование. Такая модельная концепция значительно богаче лабиринтной и включает последнюю в качестве частного случая” [61, с. 213].
Задача моделирования проблемной ситуации для случая реализации на ЭВМ принимает вид задачи представления знаний в машинной памяти в форме большой базы данных, в которой информационные образования связаны между собой не столько за счет хорошо известных методов адресации информационных массивов и их элементов, сколько за счет отображения в структуре базы смысловых (семантических) связей между содержащимися в ней сведениями. Соответствующие проблемы, как известно, решаются в теории информационно-поисковых систем, особенно систем, содержащих логические связи между элементами хранящейся в системах информации. Однако обеспечение языкового согласования применительно к сложным задачам, принимая форму семантического структурирования ’’внешней” (для машины) среды или создания внутримашинной модели ’’внешнего мира”, приводит к серии проблем, выходящих за рамки обычной тематики информационного поиска, поскольку означает разработку формализованных аналогов человеческих познавательных процессов абстрагирования, обобщения, образования понятий и их систем, использования различных уровней абстракции ит. п.
В настоящее время в области моделирования процессов образования понятий, построения обобщенных описаний и структурирования внешней среды проводятся интересные работы, как в СССР, так и за рубежом. Представление о них можно получить из материалов IV Международной объединенной конференции по искусственному интеллекту, I и II Международных совещаний по искусственному интеллекту в хРепино, V Международной конференции по искусственному интеллекту (США) и большому числу других публикаций, отечественных и зарубежных (из последних отметим, например, книгу Б. Рафаэля [98]). В работах исследователей США структурирование проблемной среды и построение обобщенных описаний производится на основе введенного М. Минским понятия ’’ситуационной рамки” — фрейма (краткое освещение смысла этого понятия см. в статье [78]). В нашей стране для той же цели используется, в частности, язык и методы ситуационного управле-106
ния [68, 69]. Это направление исследований близко связано с работами по автоматическому распознаванию образов, но отличается от него наличием более существенной логической составляющей. В частности, здесь активно используются формализованные языки, основывающиеся на исчислении предикатов первого порядка (без кванторов по предикатам). Работы по машинному моделированию внешней среды, основанные на логико-семантических представлениях и часто связанные с созданием соответствующих средств ’’роботики” (ср. упоминавшиеся выше работы Т. Винограда), представляют в настоящее время один из самых важных участков ’’искусственного интеллекта”.
Рассмотренные в настоящем разделе направления исследований открывают возможности для использования ЭВМ в качестве ’’технических средств” эвристики, т. е. таких средств, которые в ситуациях, когда человек перестает действовать точно, избавляют его от рассмотрения многочисленных, но не существенных деталей, что в конечном итоге может подсказать пути решения научной задачи. Вслед за формализацией логической дедукции — уже прочным завоеванием научной и технической мысли — наступает пора формализации эвристических процессов.
В заключение этого раздела поясним соотношение формализованного, эвристического и творческого при помощи двух схем, заимствованных из коллективной монографии [58] (см. схемы I, II).
♦
Схема I
Формализованные (алгоритмические) процедуры			Полу формализованное эвристическое поведение	Интуитивные действия эвристического характера
Полностью алгоритмизирован-ное поведение, не создающее нового	Дедуктивная эвристика	Эвристические процедуры, не гарантирующие требуемого результата		
			” эвристические д	;ействия
	Поле эв			
’’Вся” деят		’’Подлинно		
		ристических процессов в широком смысле		
	гельность			
5
107
Схема II
Формализованные (алгоритмические) процессы
Полуформализованные процессы
Неформализованные (неформализуемые?) процессы
Творческие процессы
Поле деятельности, в котором существен человек
’’Вся” деятельность
АВТОМАТИЧЕСКОЕ КОНСТРУИРОВАНИЕ
Вероятно, сколько существует машинная техника, столько же времени ведутся работы по ее ’’автоматизации”, т. е. освобождению человека от непосредственного управления машиной (хотя бы освобождения частичного). Вклад кибернетики в современную автоматизацию хорошо известен. Достаточно напомнить только, что, по мнению В. М. Глушкова, экономический эффект от внедрения в различные отрасли производства автоматизированных систем управления должен составить процентов 50—60 [2, с. 66]. Однако нас здесь интересует не проблема автоматизации вообще, а специфические вопросы использования ЭВМ для расширения возможностей творческой деятельности человека. Пожалуй, и здесь подход может быть только функциональным. Если газопровод, построенный в районе побережья штата Луизиана (США), обошелся в 720 млн. долл., при машинном же проектировании этого сооружения на него потребовалось бы затратить только 340 млн. (с. 115), то мы полагаем, что такой результат мог быть получен только за счет творческого труда, непосильного для невооруженного машиной человека.
В. М. Глушков вполне справедливо полагает, что сегодняшний инженер-конструктор захлебывается в половодье различных сведений, параметров, противоречивых требований, в ассортименте сырьевых материалов и т. п. В этом море информации тонут возможности выбора оптимального для основных требований в данной конструкции варианта. Это порождает необходимость разработки методов автоматизации проектирования, машинной обработки экспериментально полученной информации и экспресс-анализа данных испытаний в их неразрывном единстве и взаимосвязи.
108
Любопытно, что один из первых экспериментов по применению ЭВМ для проектирования касался проектирования самих ЭВМ — новых, более совершенных. Сейчас уже считается немыслимым ’’ручное” проектирование больших интегральных схем (так называемых БИС), содержащих многие сотни (и даже тысячи) элементов, так как число возможных соединении в них достигает астрономических чисел. Создать оптимальную схему с наименьшим числом элементов и соединений в приемлемые сроки может только ЭВМ.
Но ЭВМ занимаются отнюдь не только ’’самообслуживанием”. Их внедрение происходит нарастающими темпами в самые различные (и зачастую — самые неожиданные) отрасли народного хозяйства. Рассмотрим лишь несколько примеров. Использование ЭВМ на основе методов динамического программирования позволяет решать задачи рационального раскроя сырья, в результате чего экономия на предприятии может выражаться сотнями тысяч рублей. Не меньший экономический эффект дает разработка экономикоматематических моделей угольных шахт, отрабатывающих свиты пологих и наклонных пластов (при помощи ЭВМ вырабатывается оптимальное проектное решение для заданных горно-геологических условий, как основы для разработки проекта шахты); машинно-математическое моделирование систем зажигания для автомобильных двигателей и т. п.
С конца 60-х годов в СССР и США ведутся работы по автоматизации архитектурного проектирования. Любопытно, что одна из первых книг, излагающих зарубежные результаты в решении этой проблемы, посвящена авторам Н. Негропонте ’’первой машине, которая сможет оценить жест” (для сравнения отметим, что некоторые авторы согласны признать за машиной ’’интеллектуальность”, если она ’’поймет” шутку . . .). В настоящее время Центральным научно-исследовательским и проектно-экспериментальным институтом автоматизированных систем в строительстве (ЦНИПИАСС, Москва) разрабатывается ’’Автоматизированная система проектирования объектов строительства” — АСПОС. Ряд аналогичных систем автоматизации проектно-конструкторских работ и технологической подготовки производства (АИР) в промышленности и строительстве ведут другие исследовательские организации СССР. Из зарубежных систем автоматизации строительного проектирования следует отметить GENESIS (Англия) и ICES (США). Интересные идеи об использовании ЭВМ в системе автоматизации проектирования развивает группа чехословацких исследователей.
В системе автоматизации архитектурного проектирования чертежная доска заменяется операторским пультом и дисплеем (электронно-лучевой трубкой); кроме того в распоряжение архитектора имеется ’’световое перо”. ’’Перо” позволяет делать эскизы на дисплее, а пульт — вводить поправки в ’’архитектурные предложения” машины (программы). На выходе системы находится графопостроитель, изготовляющий чертежи с требуемой точностью.
109
Стандартное выходное устройство печатает относящийся к проекту словесноцифровой материал.
Перед началом работы в ЭВМ вводится программная операционная система, обеспечивающая общение архитектора с машиной на едином для них языке; в нее, в частности, входят такие команды, как ’’показать аксонометрию”, ’’повернуть вокруг оси OZ на 30°, ’’сделать разрез плоскостью O^NO^ и т. п. В память машины закладываются также программы вычисления требуемых функций (выражающих, например, стоимость 1 м2 площади при заданных конкретных параметрах здания, сведения о возможных подрядчиках работ, необходимом составе рабочей силы, перечне и объеме необходимых стройматериалов и т. п.).
Возможный вариант работы этой человеко-машинной системы выглядит примерно так. Архитектор при помощи светового пера делает на дисплее эскизный проект будущего здания (никакой линейки для рисунка не требуется — он может быть самым приблизительным) и вводит в машину необходимые исходные данные. ЭВМ производит расчеты, связанные с инженерной интерпретацией предложенного эскиза, и предлагает свои варианты. Эти варианты отбираются и корректируются архитектором с операторского пульта либо с помощью светового пера. При этом происходит вызов на дисплей подходящих вариантов в различных ракурсах, включая картину проектируемого сооружения в его целом в окружении других зданий квартала, причем с различных точек наблюдения. Все несообразности и недостатки по ходу работы сразу же устраняются. Тут же контролируется (с помощью печатающего устройства) сметная стоимость здания, необходимые затраты материалов и т. п. Когда проектировщик принимает решение о выборе некоторого варианта, дается команда на представление результата. Графопостроитель выдает нужные чертежи, а автоматическое печатающее устройство - сметную, расчетную и иную документацию.
Разумеется, эстетическая сторона дела остается за человеком-архитектором. Но разве расчетно-проектная работа инженера-конструктора, автоматизированная в такой системе, не считается творческой?! Граница между творческим и нетворческим, как мы уже подчеркивали, относительна и подвижна.
110
Ш. МАШИННОЕ ИСКУССТВО
НЕКОТОРЫЕ ОБЩИЕ ПРЕДПОСЫЛКИ
Математический и структурный подходы к искусству, к эстетике имеют достаточно богатую ’’докибернетическую” традицию. Так, можно указать на цикл работ русских и советских теоретиков, объединявшихся в 10-х — 20-х годах нашего века под эгидой ОПОЯЗа (’’Общества по изучению поэтического языка”), о ряде исследований зарубежных ученых и деятелей искусства, например, Д. Биркгофа, М. Гика, П. С. Сервьена, П. Валери и др. Уже тогда -задолго до книги Винера ’’Кибернетика” — вокруг проблемы ’’искусство — наука” кипели споры. В качестве примера приведем слова советского литературного критика Вяч. Полонского.
’’Наука работает понятиями, искусство - образами. Это значит: наука -абстрактна, искусство — конкретно. Наука имеет дело с миром логическим, искусство — с миром чувств. Наука разрабатывает законы, искусство строит из живой плоти. В науке — формулы, в искусстве - формы. В науке - логика, в искусстве — воображение. Наука размышляет, искусство переживает. В науке — расчет, в искусстве — эмоция. В науке - цифры, в искусстве -цветы. Наука бесстрастна. Искусство, наоборот, живет страстями. Наука -рациональна, искусство — интуитивно. Наука живет отвлечениями, искусство, напротив, - в запахах, красках, в ощущениях, чувствах” [99].
По мнению английского ученого и писателя Ч. Сноу, исторические особенности внутреннего развития интеллектуальной жизни людей привели к поляризации культуры: мир искусства образовался на одном из ее полюсов, мир науки - на другом; принято полагать, что их разделяет пропасть непонимания, и это, по мнению Сноу, ’’по-настоящему трагично”. Однако, предполагает он, ’’столкновение двух дисциплин, двух систем, двух культур, двух галактик - если не бояться зайти так далеко! - не может не высечь творческой искры” [100, с. 89]. В самом деле, речь должна идти не столько о взаимоотталкивании, сколько об установлении новых, доселе непривычных, но плодотворных связей между ними.
Ныне, под напором новых идей и (что еще важнее) новых орудий, привнесенных в познание окружающего нас мира техническим прогрессом, наметились две тенденции. С одной стороны, появилось множество попыток увидеть в математике такое же подлинное искусство, как поэзия, музыка, пластика. С другой стороны, как догадывался Полонский, вглядываясь в бытие и стараясь проникнуть в его невообразимую сложность, художник хочет уловить законы, которым подчиняется — или должно подчиняться — его творчество. Хотя сам он, как правило, не в силах найти им объяснение, наука
111
может (и должна) познавать их. Ибо она смотрит на искусство как на своеобразную модель действительности, для анализа которой естественно использовать все подходящие методы современного исследования, в частности средства математики и вычислительной техники. При этом, однако, надо помнить, что крайности вредны и приводят в абсурдам: одинаково нелепо возводить математику в ’’полноценный статус” искусства и низводить искусство до уровня (одной лишь) алгебры.
Реальное существо дела просто и беспретенциозно. Речь идет о том, что в искусстве есть не только бесспорная неповторимость, но и всеобщность, регулярность — вот это-то и должно быть подвергнуто научному анализу. Правда, ’’вторжение” в сферу исследования художественной культуры математико-кибернетических методов, а тем более учащающиеся попытки машинного синтеза некоторых ’’образцов” искусства вызывают у иных авторов возражения. Даже С. Лем, автор ’’футурологической” ’’Суммы технологии”, в главе об искусстве, имеющейся в оригинальном издании этой книги, смотрит на технический прогресс как на естественного антагониста художественной культуры, ибо он, этот прогресс, по мнению писателя, играет ’’деиндивидуализирующую” роль.
Попытаемся же осмыслить рациональные цели кибернетических экспериментов в искусстве: понять, для чего они нужны науке и что они могут дать искусству. Нам представляется, что при ответе на первую часть поставленного вопроса полезно привлечь некоторые соображения, высказанные А. Молем [101]*. Этот исследователь считает, что механизм художественного творчества до некоторой степени позволяет ’’воссоздать” определенные стороны механизма творчества научного\ начинать надо с более легкого, а вариации ’’эстетического характера” можно осуществить проще и быстрее, чем аналогичные эксперименты в науке. Таким образом, поскольку простейшим требованиям эстетического восприятия удовлетворить легче, чем требованиям науки, А. Моль полагает, что машина, может быть, выдаст результаты, которые непредвзято настроенный ’’потребитель” (т. е. слушатель, читатель, зритель) признает ’’произведениями искусства” раньше, чем ученый — творениями науки. Ибо в первом случае произведения смогут приобрести потребительскую ценность, не обладая той законченностью, отсутствие которой может обесценить плоды научного труда. Грубо говоря, неудачная замена или ’’потеря” одной ноты в мелодии не лишает ее, в общем случае, эстетической ценности — в отличие от ошибки в одном символе математической (или физической) формулы. Отсюда — мысль использовать кибернетический
* Это не значит, конечно, что мы солидаризуемся со всеми положениями этого труда. Напротив, книга Моля подверглась подробному критическому разбору в послесловии и примечаниях редакторов ее русского перевода, в числе которых был и один из авторов этих строк.
112
эксперимент в искусстве для познания некоторых простейших законов творчества с тем, чтобы применить их для ’’автоматизации” определенных аспектов интеллектуального труда в науке и технике. Что касается искусства, то в ходе этих поисков закладываются основы дисциплины, которая должна служить искусствознанию и уже получила название искусствометршц последняя должна привнести в изучение некоторых сторон искусства количественные методы. Это будет проявлением все более распространяющейся методологии использования точных методов для решения неточных задач.
И еще один важный для искусства выигрыш, получаемый от ’’альянса” с кибернетикой. О нем выразительно сказал американский литературовед К. Кребер: ”Я пришел в вычислительный центр Висконсинского университета и сказал:”Я хочу использовать ваши машины для анализа стиля художественной прозы”. Я получил немедленный ответ: ’’well (хорошо, ладно), мы думаем, что сможем Вам помочь, но, прежде всего, скажите, что вы понимаете под словом ’’стиль”. С момента нашего разговора прошло много месяцев, а я все пытался понять, что же я в действительности понимаю под стилем (курсив Кребера. - Авт.). В вычислительном центре я осознал, как мало я знаю о своем собственном предмете, и вынужден был критически отнестись к положениям, которые я опрометчиво использовал в течение многих лет” (цит. по кн. [102, с. 252]). В этих словах заключено еще одно немаловажное для искусства следствие общения с кибернетикой: новое, более строгое осмысление привычных понятий и методов.
О том, что такие возможности с течением времени появятся, догадывались многие художники в конце прошлого — начале нынешнего веков. Вот некоторые из высказанных ими мыслей. А. П. Чехов в письме к А. С. Суворину от 27.3.1894 г.: ’’Естественные науки делают теперь чудеса, и они могут двинуться как Мамай на публику и покорить ее своею массою,, грандиозностью”. Г. Флобер: ’’Будущая литература — соединение науки с искусством”. О. Мандельштам: ’’Критики, как произвольного истолкования поэзии, не должно существовать, она должна уступить место объективному научному исследованию, науке о поэзии”. Поль Валери: ’’Машина делает лишь первые шаги. Однажды, быть может, электрофонический калейдоскоп будет составлять музыкальные фуги сотнями — изобретет серийные ритмы, мелодии. У человека появятся машины для безошибочных рассуждений. — Ему останется лишь выбирать. Комбинационные фабрики” [103, с. 606].
По существу над подобными проблемами размышлял еще Пушкин. В последние годы все чаще прибегают к анализу его ”Моцарта и Сальери” (1830 г.) с некоторой новой точки зрения. Если Моцарту его гениальность досталась ’’даром” (как дар природы), то Сальери создал свой талант сам: он не самородок, а камень, превративший себя в золото; не дар — а труд, не чудо, а наука. Ибо ’’сальеризм” — это упорный целенаправленный труд по установлена
нию закономерностей творчества, а не только тайная мечта разгадать секрет гениальности и слепая зависть к самородку - Моцарту. Да, с этой точки зрения трагедия Моцарта и Сальери — это меньше всего трагедия зависти к гению, а больше всего конфликт между научным подходом к искусству и верой в озарение, посещающее прирожденных гениев.
’’Талант работает — гений творит, — говорил Шуман. - Конечно, вдохновение — праздник мастера, но ремесло. .. оно тоже необходимо художнику. Ремесло поставил я подножием искусствугтт” Ну что ж, как бы то ни было — ремесло необходимо художнику. Анна Ахматова и Борис Пастернак, каждый по-своему, не раз говорили, что если нет ремесла, то нет и художника. Кончается ремесло мастерством. Поэтому противопоставлять мастерство творчеству, ремесло — искусству вряд ли правомерно (если, разумеется, ремесло — ’’честное”, настоящее). Не случайно говорят: ’’гений — 99 % сидения и потения и 1 % таланта” (Т. А. Эдисон), ’’гений не что иное, как дар терпения” (Ж. Бюффон).
Итак, вполне естественны поиски ’’механизмов гениальности”, то бишь правил, по которым можно творить, поиски, которыми занимаются современные Сальери. Не случайно поэтому автор интересной статьи о сальеризме Д. Гранин [104] остроумно отметил, что современную лабораторию по разработке алгоритмов машинного сочинения музыки следовало бы назвать ’’лабораторией имени Антонио Сальери”. Ведь и в самом деле кибернетическое моделирование в искусстве - это современное проявление ’’сальеризма”. Заметим, что в этот термин мы не вкладываем никаких оценок. Во-первых, потому, что пушкинский Моцарт все же считал Сальери гением: ”Он же гений, как ты да я”; во-вторых, Сальери не убивал Моцарта — это поэтический вымысел Пушкина, — а учениками Сальери были такие великие композиторы, как Бетховен, Лист, Шуберт. Наконец, что самое главное и бесспорное, реальные события протекают так, что искусство в наши дни становится объектом старого научного, в том числе количественного, анализа. Не случайно поэтому в 1975 г. за круглым столом журнала ’’Вопросы философии”, посвященном вопросам взаимодействия науки и искусства в условиях научно-технической революции, об ожидаемых результатах строгого изучения искусства было сказано: ”В конечном счете это приведет к оживлению искусства, к усилению его общественной значимости и одновременно к гуманизации науки”.
Мы уже упоминали об отечественной школе в литературоведении, связанной с деятельностью ОПОЯЗа. В специальной печати шла (и идет) дискуссия о значении этой школы, о ее достижениях и ошибках. Мы не претендуем на участие в ней, а просто хотим отметить одну особенность ОПОЯЗа: то, что в центр внимания его представители поставили функциональное, формальное, структурное описание поэтического языка; они впервые взглянули на 114
искусство как на ’’вещь”, создаваемую по некоторым более или менее общим для всех произведений данного жанра правилам. Тем самым они вводили искусство в круг объектов, подлежащих математическому исследованию. Они стремились выяснить, ’’как сделаны” литературные произведения того или иного конкретного плана и как ’’делается” искусство из неискусства, в чем его ’’конструктивный” принцип, как функционально взаимосвязаны элементы художественного произведения, каковы составляющие его формальные приемы.
Совсем бегло вспомним о некоторых из основных работ теоретиков того времени. В. Б. Шкловский в статье ’’Новелла тайн” предложил рассматривать сюжет произведений данного жанра как единую типовую последовательность некоторых инвариантных функций, получающих в каждом отдельном произведении индивидуальные выражения.. Около ста рассказов Конан Дойля о Шерлоке Холмсе В. Шкловский рассмотрел как единый типовой сюжет, в котором выделено девять моментов, образующих общую структуру рассказа/’ожидание”, ’’появление клиента”, ’’выезд на место”, ’’улика”, ’’неверное толкование” и т. п. Каждый из этих моментов в разных рассказах может реализовываться по-разному, но общая структура остается ’’инвариантной”. Персонажи рассказов находятся в точках пересечения некоторых определенных функций; доктор Уотсон, например, подает реплики Холмсу, а официальный сыщик измышляет ложные разгадки и т. п.
В. Я. Пропп в известной работе ’’Морфология сказки” на основе изучения ста русских сказок (собранных А. Н. Афанасьевым) выделил 31 сюжетную линию — инварианты, являющиеся типовыми деталями сюжета всех волшебных сказок, и построил аппарат порождения произведений данного жанра. Инварианты здесь представляют собой набор неизменных синтаксических единиц. Пропп сформулировал правила их сочетания, т. е. построил настоящую порождающую грамматику сказок, грамматику, отвлеченную от ее ’’содержательной интерпретации” в поэтическом мире русского фольклора. Весьма знаменательно, что спустя более полувека, на П Международном совещании по искусственному интеллекту в октябре 1980 г. М. Г. Гаазе-Рапопорт, Д. А. Поспелов и Е. Т. Семенова прочитали доклад ’’Порождение структур волшебных сказок”, в котором основные идеи Проппа оказались воплощенными в программы, реализуемые на современных ЭВМ [105].
Структурный подход к анализу художественного творчества не означает — подчеркнем это со всей определенностью — отрыва формы от содержания. В работах С. Эйзенштейна, Ю. Тынянова, многих других теоретиков литературы 20-х годов можно увидеть, как использование методов формального анализа сочеталось с глубоким проникновением в суть исследуемого произведения. Эйзенштейн, например, вовлекал в сферу исследования семантику художественного произведения.
115
Из трудов Эйзенштейна ясно вырисовывается ’’порождающая грамматика” произведений кино, живописи, прозы, поэзии. Он предложил в принципе формализуемые операции,1 объединяющие формально-логическое описание искусства с изучением его содержания. Подчеркнем: речь идет о синтезе, соотнесении, сочетании, установлении взаимосвязи формальных приемов художника с выражаемым им содержанием. Эйзенштейном было предпринято структурное исследование сложных (синтетических) искусств (например, музыки и немого кино, звука и изображения в звуковом кино и др.) на разных уровнях их организации, включая семантический. С полным правом его следует признать основоположником структурной поэтики.
Можно было бы перечислить еще множество работ, выполненных в описываемом русле; например, в работе Ю. Тынянова ’’Проблема стихотворного языка” (1924 г.) основное внимание направлено на изучение смысловых особенностей стихотворной речи, представляющей собой сложное единство ритма и семантики; в статьях В. Шкловского, Ю. Тынянова. Б. Эйхенбаума, опубликованных в сборнике ’’Поэтика кино” (1927 г.), получило четкое выражение представление об искусстве как о знаковой системе. Но в нашу задачу не входит специальный методологический анализ структурных и семиотических методов в искусствоведении. Подчеркнем лишь, что эти методы не претендуют на отмену сложившейся содержательной теории искусства, а служат ей.
Рис. 8.
116
Обзор доступной нам литературы по применению кибернетических методов к исследованию искусства позволил сделать ориентировочную типологию работ, показанную на схеме (рис. 8). Мы не претендуем на всесторонний анализ всех ее ветвей. Попытаемся дать краткое описание только тех из них, которые представляются наиболее интересными и перспективными. Чаще всего речь будет идти не о том, ’’что будет”, и не о том, ’’что должно быть”, и даже редко о том, ’’что может быть”, а главным образом о том, что уже есть.
СТИХОСЛОЖЕНИЕ
Интерес к объективному изучению стиха и попытки моделирования его синтеза возникли в нашей стране еще в 10—20-годы. Прежде всего здесь следует назвать знаменитую работу А. А. Маркова (старшего) ’’Пример статистического исследования над текстом ’’Евгения Онегина”, иллюстрирующий связь испытаний в цепь”, доложенную на заседании физико-математического отделения Императорской Академии наук 23 января 1913 г. Б. В. Томашевский впервые предпринял описание русских стихотворных размеров с применением математических методов. Несколько раньше в том же ключе велись исследования Андреем Белым. В наши дни изучение комбинаторных закономерностей, наблюдаемых на протяжении большого числа стихотворных строк, методами современной теории вероятностей и теории информации ведут А. Н. Колмогоров, М. Л. Гаспаров и др.
Микельанджело написал римской поэтессе Виттории Колонне два сонета, смысл которых сводится к одной идее: наилучший из художников не может в скульптуре создать такого образа, которого единый кусок мрамора потенциально не заключал бы уже в себе. И лишь в освобождении образа из-под скрывающей его внешней оболочки заключается достижение руки художника, послушной его творческому гению:
Подобно тому, как в пере и в черниле Все стили таятся с неведомых пор. И в мраморной глыбе все темы застыли, И Образы рвуться из каменных пор. Так, может быть, в сердце моем затаились И гордость, и жалость, стремясь на простор, Но только их вызвать - не хватит усилий, Извлечь их оттуда мне трудно, синьор! Бывает, что скальпелю мрамор послушен, А гений пером извлекает со дна Чернильницы мелкой — высокую душу, Из хаоса — музыка извлечена;
И я все надеюсь, что выйдет наружу Все то, чем душа моя ныне полна*
* Перевод О. Ивинской.
117
Дело, как мы видим, за ’’пустяком”: отсечь лишнее. Кое-кто из известных поэтов пытался это делать еще в 20-е годы примитивным путем. Тем не менее эти попытки достойны внимания. Так, Н. Гумилев в статье ’’Анатомия стихотворения” приводит афоризм С. Т. Колриджа: ’’Поэзия есть лучшие слова в лучшем порядке” и изречение Т. де Банвиля: ’’Поэзия есть то, что сотворено и, следовательно, не нуждается в переделке”, считая, что эти изречения основаны на ’’особенно ясном ощущении законов, по которым слова влияют на наше сознание”. В поисках этих законов поэт вел семинар, на котором его участники писали стихи при помощи составленных им таблиц. Один из его учеников — Николаи Чуковский — вспоминает (’’Новый мир”, 1967, № 2), что по мнению руководителя семинара его таблицы давали возможность сочинять стихи ’’без риска написать плохо” и, кроме того, объективно их критиковать. Одно из заседаний семинара посетил А. Блок. То, что он увидел, так его возмутило, что он тут же написал об этом критическую статью ’’Без божества, без вдохновенья. . .”. Вот уж поистине еще одна встреча Моцарта и Сальери, на этот раз в двадцатом столетии!
Увы, возмущение умирающего великого поэта не остановило новых Сальери. Близкий С. Есенину М. Ройзман вспоминает [106, с. 135], что однажды, придя к Есенину на квартиру в Петровском переулке (ныне улица Москвина) , он застал такую картину: ’’Лежал Сергей на ковре, сбоку от него находилась небольшая старая коробочка от лото, а перед ним валялись нарезанные из карточек картонные квадратики: на одной стороне — цифры, на другой — написанные рукой Есенина слова. Он сказал, что пытается механизировать процесс сочинения стихов и образов. Взял из кучи несколько квадратиков, прочитал: Вечер, свечи, — и произнес Вслух:
Вдали розовый вечер Зажег желтые свечи...”
Все эти попытки (и многие другие, оставшиеся за рамками настоящей книги) относятся к докибернетическому периоду интереса, ’’стихийно” проявляемого поэтами и учеными к структурным методам анализа и синтеза стихосложения. С появлением кибернетики и ЭВМ старый ’’сальеризм” получил новый стимул. Но если в музыкальном искусстве новые методы начали быстро распространяться и число известных работ (как отечественных, так и зарубежных) интенсивно росло, то в области стихосложения - в частности, на русском языке - появилось лишь несколько работ, достоверность которых порой была сомнительной. Либо это была явная мистификация (какую, например, осуществил В. Пекелис с известным стихотворением ’’Ночь кажется чернее кошки черной”), либо машинные стихи переводились с иностранных языков, а это было ’’творчеством” не только машины, сколько переводчика. Примеры * таких стихотворений, ’’сочиненных” ЭВМ по про-118
граммам М. Бензе и Р. Гунценхойзера, в переводе на русский язык см. в работе [97, с. 47,48].
Интересно отметить, что оригиналы этих ’’стихотворений” были изданы на немецком языке под псевдонимом Ульриха Краузе. Это было сделано правомерно, ибо у многих ’’потребителей” искусства можно ожидать предвзятого мнения относительно ’’машинной поэзии”. И действительно, когда в Штутгарте (ФРГ) на прилавках книжных магазинов одновременно появились две книжки стихов, одна из которых называлась ’’Электронная поэзия”, а вторая — ’’Ульрих Краузе. Стихотворения”, то первая была незамедлительно раскритикована, а вторая получила обширную благожелательную критику. Об ’’Ульрихе Краузе” писали как о ’’крупном новом таланте”, стихи которого ’’поражают масштабностью тем, богатством словаря, тонкостью переживаний. Перед читателем поднимается образ лирического г ероя-романтика, альтруиста, первого любовника, сочетающего в себе черты Джека Лондона, Франциска Ассизского и Жерара Филиппа”.
Оставим на совести критиков этот восторженный панегирик талантам ’’Ульриха Краузе” и обратимся к стихам, составленным машиной на русском языке. К сожалению, долгое время достоверных данных о таких работах в нашем распоряжении не имелось. Но вот в февральском номере журнала ’’Автоматика и телемеханика” за 1978 год в разделе ’’Моделирование поведения и интеллекта” появилась первая достоверная публикация о машинной программе стихосложения на русском языке; цель работы - выяснить, каковы те минимальные средства, которые позволяют добиться ’’иллюзии осмысленного стихосложения”; оказалось, что программу машинного сочинения стихов можно построить, предположив, что стихотворение — это единство грамматики, метрики, рифмы и семантики, причем при наличии метрики и рифмы семантика стиха ’’воссоздается” воображением читателя на основе грамматики.
В связи с последним утверждением приведем следующий диалог, состоявшийся между художником-импрессионистом Э. Дега и поэтом С. Малларме. Художник, сочинявший иногда стихи, поделился с поэтом своими трудностями: ’’Идей у меня полно, а создать то, что мне хочется, я никак не могу. . .”, на что поэт Малларме ответил: ’’Стихи, дорогой Дега, создаются не из идей. Их создают из слов” (см. [103, с. 413]). Это перекликается с высказыванием П. Валери: ’’Стихотворение означает лишь то, что мы хотим в нем прочитать, и когда человек вкладывает в него свои надежды, он их там и находит”.
Мы надеемся, что читатель поймет нас правильно: мы вовсе не ратуем за то, чтобы стихи писались бездумно; мы только пытаемся понять, почему стихи ’’Краузе” принимаются непредвзято настроенным читателем за ’’настоящие”. Если в чем-то Валери прав, то тогда действительно семантику
119
в некоторых случаях можно рассматривать как грамматику, ’’оживленную” воображением читателя. Тогда понятно, что читатель или слушатель ’’машинного произведения” может вложить в него свои мысли, ассоциации, переживания, наконец — смысл.
Но вернемся к программе, сочиняющей стихи на русском языке.
В машину введен словарь, состоящий из нескольких сотен слов, взятых из сборника стихотворений О. Э. Мандельштама ’’Камень” (изд. ’Типерборей”, Пг., 1916; если взять словарный запас из другого источника, то изменится только ”настроение” машинных стихотворений, но не их ’’качество”). Предполагается, что строка стихотворения состоит из одного подлежащего, одного сказуемого, нескольких определений и обстоятельств. Словарь соответственно разбит на четыре раздела: I - существительные, местоимения; II - прилагательные и притяжательные местоимения; III - глаголы; IV - наречия и существительные с предлогами. Каждое слово словаря сопровождается сведениями о метре, рифме, грамматике; метрическая информация задается двумя числами - количеством слогов в слове до ударения (5ДО) и количеством слов после ударения (5после), т. е. всего в слове оказывается 5 =£до + £после + 1 слогов. Грамматическая информация состоит в указании, чем соответствующее слово словаря может служить в предложении (подлежащим, сказуемым, определением или обстоятельством); указывается, какое значение принимает каждый из трех параметров слова: род, число, время. Информация о рифме задается в словах с ударением на последний слог (мужская рифма) и с ударением на предпоследний слог (женская рифма); два слова с ударением на последний слог считаются рифмующимися, если их последние слоги можно отождествить, пользуясь двумя таблицами (одна составлена для гласных и содержит 5 значений от 01-а, я до 05-э, е; другая - для согласных и содержит 22 значения от 06-6, п до 27—ств). Каждому слову с ударением на предпоследнем слоге ставится в соответствие набор чисел (к, т, л), где к - номер ударной гласной из первой таблицы; т - номер согласной (из второй таблицы), следующей за ударной гласной, или номер сочетания согласных из еще одной таблицы (в ней приведено 34 сочетания согласных от 28 - нк до 61 - хн), а п - номер класса окончания данного слова (выделено два класса неударных окончаний слова).
В задании машине оператор указывает: желаемое количество строк в каждой строфе, количество слогов S в каждой строке и характер рифмовки. Если женские рифмы обозначить прописными буквами, а мужские строчными, то строфу из четырех строк можно задать со смежной (ААвв), перекрестной (АвАв) и охватной (АввА) рифмовками. Чтобы получить, например, ’’онегинскую” строфу, задается: аВаВ ccDDeFFeGG и отмечается, что в строках с женской рифмой девять слогов, а в строках с мужской рифмой - восемь слогов.
Получив задание, машина начинает работу. Сначала при помощи датчика случайных чисел из словаря наугад выхватывается слово с ударением на последнем или предпоследнем слоге в зависимости от задания. К нему подбирается рифмованное слово, после чего оба они ставятся на последние места в соответствующих строках будущего стихотворения. Когда окончания всех строк строфы заполнены, начинается (тоже случайным образом) подбор остальных слов, которые, после проверки на метрические и грамматические соображения, либо отвергаются, либо приписываются слева от первоначально выбранных рифмованных слов.
Метрический анализ сводится к следующей процедуре. Если последнее слово строки имеет 5^° и 5лосле слогов, то проверяется, годится ли очередное случайное слово с 120
параметрами (S§°, SjOCJie). Вначале проверяется, что произойдет после прибавления (fS^° + 5§осле + 1) слогов: не превысит ли оно в полученной фразе заданного общего количества S слогов в данной строке. Если это условие не выполняется, то слово отбрасывается и случайным образом выбирается другое. Если же условие выполнено, то проводится проверка на количество слогов между двумя соседними ударениями S^° + + $%осле. Если задан двусложный стих (ямб, хорей), то слово одобряется, когда эта величина нечетна; если же задан трехсложный размер (дактиль, амфибрахий, анапест), то эта величина должна быть равной (Зк — 1). Прошедшее все эти проверки слово направляется на грамматический анализ, который обеспечивает в каждой строке согласование по роду, числу, времени. При любом несовпадении значений этих параметров, как и в предыдущих проверках, слово бракуется, и машина снова случайным образом отыскивает другое. Только то слово, которое успешно выдержало метрический и грамматический ’’экзамены”, принимается в строку и приписывается слева от принятого ранее. Так происходит до тех пор, пока в строке не будут заполнены все S заданных слогов. В случае, когда осталось место только для одного слога, а машина дольше некоторого заданного времени бракует все случайные слова, на свободное место ставится какое-нибудь односложное междометие, союз или наречие. Обычно на неударное место может быть поставлено ”и”, а на ударное — ’’вновь”.
Для иллюстрации полученных результатов в уже упоминавшемся журнале опубликовано 21 стихотворение (124 строки). Приведем некоторые из них (знаки препинания расставлены человеком).
Вновь в кустах горят ресницы. Ветер хрупкий светлый злой, На столе желтели птицы, Взор играет за рекой. Лодка далека краснеет. На закате соловьи.
Вновь высокие белеют Стены вечером твои.
♦ ♦
♦
И перламутровый узор Точеный бледный Над озером ответил взор Печальный бедный.
♦ ♦
Здесь нежная птица, Здесь с нежностью взор, Он также струится Мой странный узор. Быстрей пламенеет, 3 руках тяжелеет...
Умирающий - в смятеньи, Вновь, как тень, огни дрожат, Вновь над бездною движенья -Где-то далека душа... Крик смертельный рядом, зыбкий, Тлели в хрустале глаза, Шелест мечется с улыбкой, Где-то в чаще небеса.
6 Зак. 1025
121
Поэт и теоретик искусства П. Валери писал: ”Я ищу слово. . . , которое: было бы женского рода,-двухсложным, содержало быР или F, кончил ось немой, употреблялось в значении ’’трещина”, ’’разрыв”; и не ученое, не редкое. Шесть условий — по крайней мере” [103, с.172]. Наступает время, когда на подобные требования машина сможет ответить почти мгновенной подсказкой; ибо уже ведется серьезная разработка математических методов построения словарей рифм, сравнения литературных текстов и пр. Помимо ’’облегчения” поэтического труда, эти методы обещают найти применение в текстологии и теории перевода. В одной из подобных методик — она разработана румынским ученым С. Маркусом и изложена в его книге ’’Математика поэтики” (Бухарест, 1970) — вводится пять параметров: порядок стихотворных элементов, просодическая и синтаксическая структура, лексика, семантика (синонимичность и несинонимичность); для сравнения двух текстов строится матрица, строки которой соответствуют номерам отдельных стихотворных строк, а столбцы — указанным пяти параметрам; каждая клетка заполняется нулем или единицей сообразно с тем, совпадают ли данные строки по данному критерию; далее с этими матрицами производится ряд формальных операций (например, устанавливается расстояние между ними). Методика позволяет получать определенные заключения о характере изучаемых поэтических текстов.
В работе С. Маркуса также формализуется противопоставление таких двух крайних типов языка, как ’’поэтический” и ’’математический”. Общее понятие ’’язык” задается как четверка терминов < V, L, S, р >, где V — словарь; L — множество отмеченных фраз; S — множество значений и р — функция, выражающая отношение между элементами х из L и s из S. Тогда: (а) язык < К, Z, S, р >называется научным, если выполнены два условия: для каждой фразы химеется ровно один элемент р(х) (т. е. отсутствует омонимия); для каждого значения S имеется бесконечное число фраз х таких,что р (х) = = S (т. е. множество синонимов каждой фразы ничем не ограничено); (б) язык < V, L, S, р> называется поэтическим, если для каждой фразы х множество ее значений несчетно, т. е. образует континуум f и для каждого Значения S имеется одна и только одна фраза х такая, что S = р (х).
МУЗЫКА
Эксперименты по применению кибернетики для анализа и синтеза музыкальных произведений ведутся давно, интенсивно и, на наш взгляд, весьма успешно. По этому вопросу имеется обширная специальная и популярная литература, например работы [107, 108, 101]. Писали об этом и авторы этих строк (см., например [87, 109]). Поэтому здесь мы ограничимся некоторыми общими и достаточно принципиальными вопросами.
По-видимому, неслучайно большое число работ в области ’’искусственного интеллекта” приходится на музыку. Во-первых, еще в конце прошлого века
122
иногда утверждалось, что ”в отношении формы есть прообраз всякого искусства”. Во-вторых, музыка является удобной областью для экспериментирования потому, что число используемых ею символов невелико; это позволяет сравнительно легко составлять программы для ЭВМ, по которым машина производит переработку музыкальной информации. В-третьих, в связи с отсутствием — по крайней мере в явном виде — семантики музыка (инструментальная) рассматривается как форма такого языка, в котором ’’эмоция” отделена от ’’информации” (иногда при этом добавляют: ’’тогда как телефонная книга дает информацию без эмоций”).
Наибольшую известность из отечественных работ в этой области получили исследования Р. X. Зарипова. В ходе моделирования некоторых функций композитора и музыковеда на ЭВМ им решались следующие задачи: программирование для сочинения машиной одноголосной мелодии; для сочинения песенного ритма (моделирование песенной мелодии); для гармонизации мелодий; для анализа решения задач по гармонии (здесь ЭВМ выступали в роли экзаменатора; и, наконец, для варьирования основной мелодии.
Не останавливаясь на вопросе подробнее, просто приведем перечень мелодий, сочиненных в разное время ЭВМ (’’Урал”, ”Урал-2”, ’’БЭСМ-6”) по программам Р. X. Зарипова (рис. 9).
1.	Соч. 1959 г. Самая первая мелодия из опубликованных ’’Уральских напевов”. Напечатана в статье Р. X. Зарипова ”06 алгоритмическом описании процесса сочинения музыки” (Доклады АН СССР, 1960 г., т. 132, № 6).
2.	Соч. 1962 г. ’’Подражание венским классикам”, вылившееся в детскую песенку. Опубликована в брошюре Р. X. Зарипова ’’Кибернетика и музыка”, 1963 г. О ней писал Лев Католин в кн. ’’Кибернетические путешествия” (М.: Знание, 1967, с. 88).
3.	Соч. 1964г. Мелодия вальса. Исполнялась на вечере ’’Музыка и наука” в Доме композиторов в 1967 г. (председательствовал композитор Г. С. Фрид) виолончелисткой В. Яглинг - аспиранткой Московской консерватории, лауреатом международных конкурсов. См. об этом в кн.: И. Б. Гутчин. Кибернетические модели творчества (М.: Знание, 1969, с. 49).
4.	Соч. 1964 г. Мелодия и аккомпанемент сочинены ЭВМ ”Урал-2”; эту пьесу исполнял Т. Н. Хренников в фильме ’’Ищу законы творчества” (вып. 1966 г.), ее передавали по радио в исполнении ансамбля электромузыкальных инструментов Всесоюзного Радио под управлением Вяч. Мещерина.
5.	Соч. 1964 г. В экспериментах по сравнительной оценке мелодий, сочиненных машиной ”Урал-2” и нашими профессиональными композиторами, которые проводились в 1968-1969 гг., эта мелодия заняла первое место. См. книгу Р. X. Зарипова ’’Кибернетика и музыка” (1971, с. 201).
6.	Соч. 1967 г. Мелодия на стихи ”В лесу родилась елочка”.
7.	Соч. 1972 г. Машина БЭСМ-6 Вычислительного Центра АН СССР ’’методом Дунаевского” сочинила ’’Молодежную” этого композитора; опубликована впервые в ДАН СССР (1973, т. 211, №3).
8	и 9. Соч. 1973 г. Сочинения ЭВМ БЭСМ-6-вальс и марш несколько раз передавались по Всесоюзному радио. Мелодии 7, 8, 9 опубликованы в кн. ’’Управление, информация, интеллект” (М.: ’’Мысль”, 1976).
123
6’
Рис. 9.
124
125
В США известность получили исследования сотрудников Иллинойского университета Л. Хиллера и Л. Исааксона, которые провели серию экспериментов по сочинению музыки для струнного квартета. Работы другого американского исследователя применений ЭВМ в области музыковедения М. Касслера стала теперь доступной советскому читателю благодаря выходу в свет труда [101].
А. Моль в том же сборнике [101], рассматривая перспективы ’’машинной музыки”, разбирает четыре задачи: анализ природного звукового материала; анализ существующих музыкальных произведений с целью познания и формулирования правил, которые кладутся затем в основу модели (программы) композиции новых произведений (реализации этой задачи посвящены работы Р. X. Зарипова) ; создание абстрактных композиций на основе математических данных (т. е. создание совершенно ни от чего, кроме математики, не зависящих звуковых структур); разработка интегральной системы музыки, при которой ЭВМ выполняет одновременно функции композитора и исполнителя.
При анализе работ различных авторов, связанных с синтезированием музыкальных мелодий или стихотворных отрывков, можно подметить некий общий подход к решению этой задачи, схематически показанный на рис. 10.
Инструкции кодирования
Анализ произведений данноео жанра
чисел
* Формирование несущественных параметра!!
Рис. 10.
Выявление инвариантов
t Синтез вариантов
• ‘ Контрольные 1
I । схемы ।
| I (отбор вариантов) |
Формирование существенных параметров " "V Начать подпрограмму снова
нет
126
Первоначально анализируется некоторое множество произведений данного жанра с целью выявления характерного для них набора инвариантов — свойств, относительно которых данные произведения одинаковы. Ибо, как говорят люди искусства: ”В наплыве ощущений существуют инварианты, представляющие собой то, что остается неизменным среди текучести ощущений, функционирующих взаимно или во времени. Это и есть ’’функциональные инварианты”, являющиеся не чем иным, как законами природы” [ПО, с. 200].
В математике инвариантом называют функцию от преобразуемой величины, не изменяющую своего значения при данных преобразованиях; например, функциях2 + у2 + z2 является инвариантом относительно начала координат при любых вращениях координатной системы. В произведениях искусства инварианты обнаружить нетрудно. Так, легко выделяются инварианты старинной итальянской стихотворной формы — сонета. Это — четырнадцатистрочное стихотворение, состоящее из двух катренов (четверостиший) и двух терцетов (трехстиший), написанных пятистопным (реже — шестистопным) ямбом. Рифмовка для катренов — две равнозвучные рифмы, опоясанные и смежные, а для терцетов — две или реже три рифмы, отличающиеся от рифм катренов. При наличии опоясанных рифм катренов третья строка первого терцета рифмуется со второй строкой второго терцета, а при перекрестной рифме в катренах первые две строки в терцетах имеют смежные рифмы, а последние строки терцетов рифмуются так с cd, ccd или cdc, ddc.
Ранее мы определили модель как систему, адекватную моделируемому объекту в отношении некоторых параметров, полагаемых существенными, и отличную от него по всем остальным параметрам, считающимся несущественными. В соответствии с этим моделирование можно представить в виде трех основных операций: введения существенного параметра (параметров) — выявленного инварианта или инвариантов; введения элемента случайности (иначе говоря, несущественных параметров); и отбора получающихся инвариантов. В данном случае эта схема моделирования имеет следующий вид.
Датчик (или генератор) случайных чисел выдает закодированные элементы содержания (слова при стихосложении, ноты в музыке). Случайность здесь выступает как источник нового. Хотя творчество далеко не исчерпывается случайностью, оно содержит ее в качестве одного из своих элементов. Вероятностное в нем органически сочетается с детерминированным (инвариантным) . Взаимодействие того и другого происходит при отборе вариантов, когда с помощью контрольных схем осуществляется проверка полученных альтернатив с точки зрения того, удовлетворяют ли они грамматическим, метрическим и рифмообразующим условиям (стихосложение) или — если моделируется сочинение музыкальной мелодии, — отвечают ли они правилам гармонии, контрпункта или определенным стилистическим требова-
127
ниям. Только те варианты, которые прошли все эти фильтры — контрольные, схемы, запоминаются, выдаются на печатающее устройство, переводятся в нормальную запись в виде словесного или нотного текста и т. п. Но и после этого имеет место отбор, только его производит автор программы, который какие-то варианты отвергает, а какие-то предлагает для прослушивания или прочтения.
Ужесточая или облегчая требования к случайным вариантам, заложенные в контрольных схемах, можно изменить соотношение между степенью оригинальности и банальности в проходящих на печать вариантах. Очевидно, что повышение требований к инвариантности увеличивает сходство машинных результатов с проанализированным при отыскании инвариантов ’’традиционным” материалом, а значит, приводит к возрастанию ’’банальности” синтезируемых произведений. Снижение же этих требований влечет за собой повышение ’’оригинальности” получаемых результатов, что в каком-то смысле равноценно уводу их от понятности.
Возможно, что художественность произведения в некоторой степени зависит от умения достичь уравновешивания между банальностью понятного и оригинальностью нового. Всякая творческая личность (и имитирующая ее программа для ЭВМ) должна уметь хоть чуточку сместить ранее утвердившуюся ’’точку равновесия” между банально-понятным и оригинально-новым в сторону последнего. Однако слишком большое смещение такого рода может оказаться для искусства смертельным: ”То, что ни на что не похоже, не существует”[103, с. 188]. Режиссер и художник Н. Акимов говорил: ’’внимание зрителя к тому, что делается на сцене, обусловливается двумя противоположными вещами: тем общим, что есть у каждого зрителя с происходящим на сцене, и тем различием, которое зритель видит между собой и своим опытом, с одной стороны, и сценическими впечатлениями—с другой ... Если зритель не видит на сцене решительно ничего для себя нового, ничего обогащающего его опыт, .. .то, как бы трогательно ни напоминала ему сцена его повседневный быт, он даром теряет время в театре... В равновесии двух начал и заключается весь секрет ’’доходчивости” произведения”.
ХУДОЖЕСТВЕННОЕ ВОСПРИЯТИЕ
Поскольку любое моделирование является схематическим, упрощенным воспроизведением изучаемого объекта — именно данного, а не какого-либо иного, — в результате моделирования музыкальных композиций на ЭВМ необходимо должна получаться музыка, сильно упрощенная по сравнению с ’’оригиналом”. И только по качеству выдаваемой программой ’’продукции” (мелодий, стихов и т. п.) можно судить о достоинствах модели. Однако при 128
определении качества ’’машинной музыки” резко дают о себе знать особенности восприятия человеком различных объектов, определяемые ранее выработанной по отношению к ним установкой. Нередко даже искушенные в искусстве люди не могут отрешиться от воздействия имени автора данного произведения, от своих симпатий либо антипатий к нему. А. А. Бодалевым был поставлен эксперимент, ярко продемонстрировавший зависимость восприятия от психологической установки. Двум группам испытуемых был показан один и тот же фотопортрет мужчины и предложено дать описание представленного на нем человека. При этом в одной группе было сказано, что это герой, а в другой — преступник. Испытуемые из первой группы писали примерно так: ’’Очень волевое лицо. Ничего не боящиеся глаза смотрят исподлобья. Губы сжаты, чувствуется душевная сила и стойкость. Выражение лица гордое”. Испытуемые же второй группы дали совсем другое описание: ’’Этот зверюга понять что-то хочет. Стандартный бандитский подбородок. Мешки под глазами, фигура массивная, стареющая, брошена вперед”.
Как мы видим, заданная установка определила характер восприятия. Это естественно, ибо последнее активно и само представляет собой творческий процесс, течение и результат которого зависят от характеристик личности, в случае искусства — от того, кем является читатель, слушатель или зритель, словом, ’’потребитель” произведения. Поэтому оценить результаты машинного моделирования музыки или стихов можно только с учетом психологической установки ’’потребителей”, большинство из которых не знакомо с возможностями кибернетики в данной области и в соответствии со сложившимися в их опыте представлениями дает прослушанному (или прочитанному) заниженную оценку.
Для того, чтобы понять характер восприятия машинных произведений основной массой ’’потребителей” в условиях, когда действие негативной установки исключено, автором программ машинной музыки Р. X. Зариповым (в ряде случаев при участии одного из авторов этой книги) несколько раз ставились эксперименты по сравнительному восприятию человеческих и машинных мелодий. В одном из них было выбрано восемь машинных мелодий и столько же мелодий (примерно одинаковой синтаксической сложности) из опубликованного издательством ’’Музгиз” сборника избранных песен советских композиторов. В многократно повторенных с артистами Большого театра СССР экспериментах для исполнения мелодий приглашался кто-нибудь из оркестра ГАБТ. В предложенных ему для проигрывания нотах мелодии были лишь пронумерованы, но авторская принадлежность не указана. Таким образом, соображения, связанные с тем, что исполнитель может ’’подыгрывать” машине (сознательно или подсознательно — не важно), отпали.
129
Мелодии проигрывались в произвольном (неизвестном слушателям) порядке одним и тем же исполнителем и на одном и том же инструменте. Слушателям предлагалось оценить по пятибальной системе каждую из мелодий на безымянном бланке. Результат одного из таких экспериментов представлен в следующей таблице:
Автор	Оценки					Средний балл
	5	4	3	2	1	
Композиторы	28	165	121	14	4	3,51
Машина	52	94	107	14	5	3,64
Почти во всех других экспериментах подобного рода были получены аналогичные результаты [107, 108, 87]. Любопытно, что когда на Всесоюзном симпозиуме в Ленинграде, посвященном проблемам художественного восприятия, был заслушан доклад Р.Зарипова и И.Гутчина о подобных экспериментах, он был встречен с недоверием. Однако повторение эксперимента с тридцатью девятью участниками музыкальной секции симпозиума дало такой результат:
Автор	Оценки					Средний балл
	5	4	3	2	1	
Композиторы	61	213	274	31	8	3,51
Машина	76	253	204	22	5	3,67
Это служит убедительным подтверждением эффективности избранной методики. Но из данного — и аналогичных — экспериментов не следует, конечно, вывод, будто машинные мелодии вообще интереснее сочиненных композиторами. Но многократно повторенный и достаточно корректно постав-ленньщ эксперимент говорит, что при моделировании простых форм музыкального творчества могут быть получены машинные результаты, соизмеримые с ’’человеческими”. Иногда высказывавшиеся соображения о том, что для проигрывания выбраны были плохие композиторские мелодии и хорошие машинные и что поэтому те и другие поставлены в неодинаковые условия, вряд ли убедительны. Трудно представить, что в сборник избранных песен профессиональных композиторов, откуда были взяты мелодии, поме
130
щены ’’плохие” композиции. Главное же — не будем забывать, что (независимо от их качества) это были результаты того рода деятельности, который компетентные профессиональные организации признают творческим.
А. Моль в работе [101] приходит к выводу: ’’Уже сегодня с помощью машины можно создавать произведения музыки, изобразительного искусства и поэзии, обладающие достаточно стройными структурами близкого и дальнего порядка, чтобы пройти через массовый плебисцит и быть опознанными как произведения искусства, т. е. как предметы эстетического потребления”. Быть может, это слишком сильное утверждение, но то, что моделирование (на уровне результата) некоторых элементарных форм художественного творчества вполне возможно, сомнений не вызывает.
ИСКУССТВОМЕТРИЯ?
Люди давно пытаются понять, почему это красиво, а то — нет. Принято полагать (и это, по-видимому, соответствует истине), что на уровне формальнологических рассуждений проблема эта не решается. Но все же: не могут ли в чем-то и здесь помочь машинно-кибернетические методы? В ’’чем-то”— безусловно могут. Попробуем хотя бы частично разобраться, в чем же именно.
Уже упоминавшийся на этих страницах Н. П. Акимов в своих ’’Мыслях о прекрасном” писал, что если бы наряду с ’’точными науками” у нас была узаконена область ’’неточных наук”, то первое место в ней по праву заняла бы эстетика. И это естественно, ибо вне восприятия нет искусства, а художественное восприятие индивидуально. Ибо говоря словами Б. М. Рунина, ’’эффект художественности представляет собой момент содержательного взаимопроявления двух информационных потоков. Внешнего, идущего от объекта восприятия, и внутреннего, идущего от субъекта восприятия... Художественность есть мера взаимоотражения объекта восприятия и субъекта восприятия” [111].
Однако как ни велик диапазон параметров, характеризующих превеликое множество субъектов восприятия искусства, к нему в некоторых рамках все же приложим ряд подходов, почерпнутых из математической статистики. По крайней мере, можно попытаться формализовать представление о прекрасном на пути статистического анализа эстетических объектов, разыскивая ’’точки пересечения” индивидуальных взглядов большого числа потребителей данного произведения искусства. Мыслимо, например, на основе вычисления статистических характеристик некоторого множества общепризнанных произведений искусства составить своеобразный ’’каталог” их структурных особенностей и уже в его рамках искать количественные выражения ’’секретов красоты”. В этом случае машина, обладая огромной аналитической мощью,
131
могла бы помочь человеку в оценке данного произведения, исходя из хранящихся в ее памяти критериев прекрасного, выработанных на основе предварительного анализа уже признанного множества образцов.
Такой подход может вызвать резонное возражение: подлинно новаторское высокохудожественное произведение может получить очень низкую оценку. Верно. Но от этого недостатка не избавлено и ’’традиционное” искусствознание. История дает много примеров. Отметим лишь некоторые из них.
Иоганн Себастьян Бах по оценке своих современников всю жизнь оставался провинциальным музыкантом средней одаренности и как композитор не привлек к себе внимания. Его произведения при жизни оставались в рукописях, а часть из них была продана на вес как макулатура. Его вдова была зарегистрирована магистром как ’’женщина, живущая подаянием”. Напротив, сын его Карл Филипп Эммануил Бах, с нынешней точки зрения композитор средней руки, в свое время считался крупным музыкантом и даже удостоился имени ’’Великого Баха”.
Знаменитый французский композитор Бизе был доведен до отчаяния холодным приемом оперы ’’Кармен”. Так же холодно были приняты оперы ’’Руслан и Людмила”Глинки, ”Пиковая дама” Чайковского,’’Борис Годунов” Мусоргского, ’’Снегурочка” Римского-Корсакова.- Публика освистала ’’Севильского цирюльника” Россини, ’’Фиделио” Бетховена, большинство опер Вагнера.
О первом выходе на экран ныне знаменитого кинофильма ’’Чапаев” Г. и С. Васильевых В. Шкловский в своих мемуарах ”Жили-были” (1964 г.) пишет: ”Я помню просмотр киноленты. Слухи были неблагоприятными. Один из руководителей, имя которого вежливо забуду, просмотрев картину, оправдывая неудачу, сказал: ’’Годно для клубного экрана” ”.
Эти и подобные им примеры утверждают нас в истине: создание шедевра — не технический вопрос, это социальная проблема: шедевры отбирает история. Понять, почему то или иное произведение стало шедевром, а тот или иной человек признан гением, сложная проблема искусствознания и психологии. Вряд ли кибернетика скажет здесь весомое слово. Другое дело — помощь искусствоведению в решении более скромных по масштабам, но все-таки важных задач, скажем, такого типа: что именно и по каким критериям целесообразно ’’численно” оценивать в таком сложном явлении, каким является искусство (тот или иной жанр искусства, тот или иной вид художественных произведений и т. п.), какие процедурные формы предпочтительнее при оценке произведений в зависимости от жанра, каковы рекомендуемые методы количественного ’’взвешивания” произведений данного вида искусства и т. п.
За уже упоминавшимся ’’Круглым столом” журнала ’’Вопросы философии” говорилось: ’’Задача искусствоведения состоит в том, чтобы понять, как и для чего создано художественное произведение, в том, чтобы обосно-132
вать эстетические оценки и устранить всяческую вкусовщину”. Измерение эстетических оценок математическими методами как раз и направлено на оказание помощи искусствознанию в решении этих задач. Это научное направление еще не получило общепризнанного названия: в одних работах оно именуется ’’информационной эстетикой”, в других — ’’математической эстетикой”, в третьих - ’’искусствометрией”.
Все известные нам работы по искусствометрии направлены на оказание помощи ’’традиционному” искусствоведению и отнюдь не претендует на какую-либо ’’замену” или ’’подмену” его. Общая задача искусствометрии проста: подобно тому, как физика описывает законы естествознания языком формул и чисел, так и другой полюс мира, ’’вторая культура” (в терминах Ч. Сноу) — искусство должно описываться не только субъективными понятиями (’’восхитительно”, ”я потрясен” и т. п.) и не только подвергаться содержательно-качественному анализу компетентных специалистов, но и — там, где это возможно, — выражаться системой величин, взаимосвязанных некими (требующими своего постижения) отношениями, которые носят более или менее формализуемый характер. Иначе говоря, ожидается, что математические методы и их орудие — вычислительные машины — способны выступать в качестве инструмента вспомогательного искусствоведческого анализа.
Начало искусствометрии большинство авторов относят к 1928 г., когда американский математик Г. Д. Биркгоф в работе ’’Эстетические измерения” впервые ввел предназначенную для численного выражения эстетической характеристики произведения искусства меру: М-0/ С, где О — мера упорядоченности, а С - мера сложности элементов, которые составляют данное произведение. Разумеется, остается много произвола в вопросе о том, как определять численное значение меры упорядоченности и меры сложности. Некоторые подходы к этой проблеме читатель найдет в сборнике [112], где отражен уровень современных зарубежных исследований по искусствометрии. Некоторые из частных искусствометрических задач находят применение в решении конкретных содержательных задач советскими специалистами. Например, в НИИ культуры (Москва) в ходе выполнения темы ’’Социальные функции художественной самодеятельности. Проблемы оценки самодеятельного искусства” широко используется метод экспертных оценок.
Это — метод, основанный на предположении о наличии у эксперта-специалиста ’’практической мудрости” и проницательности, относящихся к данной области деятельности, что должно дать возможность получения адекватной картины явления. Метод этот оснащен весьма разнообразным математическим аппаратом (реализуемом на ЭВМ), который позволяет использовать ряд способов выработки коллективного мнения экспертов по вопросам, подлежащим оцениванию. Главные усилия на первом этапе рассматриваемого
133
исследования (оно продолжается) сосредоточены на получении достаточно надежной информации, содержащей действительные мнения экспертов и притом представленные в виде сопоставимых формализованных данных. Конечная практическая цель проводимых и планируемых исследований -разработка процедур работы экспертной комисии типа жюри в зависимости от целей экспертизы, состава жюри, понимания ими объекта оценки, его функций и выдвигаемых в зависимости от этого критериев оценки.
В программе исследования, о котором идет речь (см. сб. ’’Экспертные оценки и восприятия искусства” [ИЗ]), предусмотрена выдача контрольных рекомендаций в двух направлениях: что именно и по каким критериям целесообразно оценивать в таком явлении, как художественная самодеятельность, если исходить из его социокультурной природы и социальной функций; и какие процедурные формы работы экспертов предпочтительнее при разном понимании ими объекта и обращении к разным критериям его оценки, в различных видах и жанрах искусства, при разном месте конкурсных задач в рамках смотра, фестиваля художественной самодеятельности.
Работа в Ътих двух направлениях должна помочь в решении таких практических вопросов, как, например, конкретизация существующих положений о мероприятиях разного характера (смотр, конкурс, фестиваль), в частности разработка дополняющих эти положения детальных инструкций о работе жюри на разных этапах; выработка рекомендаций по составу жюри, касающихся соотношения экспертов, представляющих различные учреждения, ведомства, области деятельности, в зависимости от задач мероприятия и роли в нем собственно конкурсных моментов; определение процедур согласования мнений жюри при оценке художественной самодеятельности (см. с. 37).
Работы, помещенные в сборнике [ИЗ], показывают, что даже в таком, сравнительно несложном исследовании проявляются некоторые наиболее существенные черты искусствометрии: произведение искусства — как и в прежние, ’’докибернетические” времена — оценивают, конечно же, люди — специалисты в искусствознании; однако использование ЭВМ создает эффект целостности, превращающий жюри в некий ’’конденсатор” коллективного опыта, коллективного мнения, который выражает более адекватную оценку — и интегральную (обобщенную), и, если это требуется, по отдельным элементам произведения (или исполнения). Но чтобы выделить эти элементы, требуется провести обширную исследовательскую работу, побочным (но важным) результатом которой явится унификация и формализация ряда искусствоведческих критериев и понятий, относительно которых до этого приходилось рассуждать в общих выражениях (вспомним процитированные ранее размышления литературоведа Кребера на тему, что же такое ’’стиль”).
134
НЕКОТОРЫЕ ДРУГИЕ НАПРАВЛЕНИЯ
Сфера творчества настолько многогранна и ’’диффузна”, что не всегда можно провести четкую границу между творческим результатом и результатом нетворческим. Появились целые направления человеческой деятельности, например дизайнерская, дессинаторская и некоторые другие, о которых иногда говорят как о прикладном искусстве, иногда как об областях, пограничных между искусством и техникой.
В конце 60-х годов в кандидатской диссертации С. Н. Калистратовой были разработаны программы для автоматизации проектирования и анализа ткацких переплетений. Такое проектирование и анализ составляют предмет деятельности специальных художников — дессинаторов и колористов: первые разрабатывают структурные, а вторые — цветовые сочетания тканей. По программе Калистратовой ЭВМ БЭСМ-4 за 20 мин. выдала на печатающее устройство 104 рисунка (с некоторыми числовыми характеристиками) для полотняных, саржевых, атласных и их производных — полосатых и клетчатых, кре-повидных и мелкоузорчатых переплетений. Впоследствии производственное объединение ’’Октябрь”, поставляющее швейникам ткани сотен цветов и рисунков, внедрило в практику системы ’’Автоколорист” и ’’Автодессинатор”. Если раньше дессинаторы и колористы затрачивали по два-три месяца на подбор красок и переплетений, то теперь автоматизированные системы производили выбор оптимальной структуры материалов, подбор рецептов окраски и составление переплетений за считанные минуты. В прессе уже было сообщение о том, что в объединении ’’Октябрь” выпускаются ткани, разработанные с применением ЭВМ.
Для создания точного языка описания объектов искусства представляют интерес методы математического анализа драматургических произведений. В качестве исходного материала используются матрицы, в которых фиксируются все появления (оценка 1) и исчезновения (оценка 0) каждого персонажа. С помощью этих матриц устанавливается формальная структура драматургического произведения и, в частности, строятся графы, отражающие отношения между персонажами. По такого типа методике, разработанной О. и И. Ревзиными, описание драмы может производиться наблюдателем, не понимающим текста, но способным идентифицировать персонажи и четко фиксировать появление и уход каждого из них. Пьеса для него однозначно делится на явления, ибо каждое новое явление в пьесе характеризуется изменением состава действующих лиц. В результате просмотра составляется протокол: матрица, в которой столбцы соответствуют явлениям, а строки — персонажам пьесы; на каждом пересечении столбца со строкой ставится 0, если персонаж отсутствовал в соответствующем явлении, и 1, если он присутствовал. Математическая обработка полученной матрицы позволяет
135
вычислить ряд таких числовых характеристик, как плотность явления (действия, всей пьесы), мобильность, частота персонажа, ’’расстояние” между двумя персонажами в данном действии и т. п. Подобный метод позволяет единообразно описывать драматургические произведения различного рода и строить определенные заключения о них, опираясь на выявленную формальную структуру. Это не означает игнорирования содержания пьесы, наоборот, такого рода методика служит более тщательному его анализу.
В уже упоминавшейся работе С. Маркуса строится общая математическая модель драматургического произведения, определяемая как система из девяти объектов
L, R, I, f, g, h, Ф >, где Р, L,Rt I - конечные, попарно не пересекающиеся множества (элементы множества Р - персонажи, элементы множества L - места действия, элементы множества R - реплики и элементы множества / - режиссерские указания) ; /, g, и h - функции, значениями которых являются элементы множества /, причем f определяется на Р, g - на Z, а Л - на R', функция отображает R наР, функция Ф - R в L. В работе доказывается ряд теорем, устанавливающих отношения между этими объектами.
Множество исследователей в различных странах используют современную (главным образом - электронную) технику для создания человеку-творцу того, что обычно называют ’’психологическим комфортом”. На рис. 11 показано стандартное оборудование рабочего кабинета такого ’’творческого человека”, в небольших сериях уже реализованное в наши дни. Главная часть оборудования - мощная ЭВМ, разумеется, находится не в кабинете потребителя, а в вычислительном центре, с которым пользователь связан обычной линией связи и абонирует некоторую часть машинного времени; в рабочем кабинете имеются три основных агрегата: пульт управления с клавиатурой ввода словесной и цифровой информации в ЭВМ, дисплей со световым пером и печатающее устройство (телетайп), при помощи которого ЭВМ выдает готовую ’’продукцию”. Один из возможных вариантов работы с этим оборудованием выглядит так. Пусть пользователь составляет некий текст (художественный, публицистический или научный - не имеет значения). Он набирает его на пульте управления, причем световое изображение текста появляется на
экране дисплея; в любой момент времени (в ходе составления текста или после окончания черновой работы - безразлично) потребитель может при помощи клавиатуры пульта либо светового пера на экране дисплея проводить любую правку (вычеркивать или добавлять фразы, менять отдельные слова и т. д.), для чего через пульт он может вызвать на экране любое место текста. После того как автор сочтет текст законченным, он дает команду выдачи результата. На телетайпе печатается отредактированный текст в нужном числе экземпляров.
Устройство ввода
Оператор
Рис. 11.
136
На базе такого стандартного набора аппаратуры (с добавлением графопостроителя) в настоящее время созданы системы рисования мультипликационных фильмов. При разработке подобных систем обычно рассматривается четыре основных элемента: рисунок (объект, фигура) - неподвижное графическое изображение; движение - операция, которая может быть применена к любому рисунку и которая функционально зависит как от заданного множества элементарных движений, так и от ранее имевших место движений; сцена — часть мультфильма, состоящая из одного или более рисунков и из движений, связанных с этими рисунками в данной сцене; сегмент — часть фильма, которая состоит по крайней мере из одной сцены и (или) одного ранее определенного сегмента мультфильма и описывает порядок, в котором должны быть составлены определенные художником сцены для того, чтобы сформировать такой сегмент.
Использовать системы такого рода могут как художники-мультипликаторы, так и не художники - во множестве вариантов и для различных целей. Так, художник может сделать на дисплее световым пером ряд рисунков (важно: в одном ракурсе) и отправить их в память ЭВМ; затем из пульта управления для каждого из них он может задать ’’движение” и организовать их в ’’сцену” и ’’сегмент”; это значит, например, что по команде художника ЭВМ извлечет из памяти данный рисунок и нарисует последовательность кадров, в которых осуществлено необходимое оператору движение (скажем, поворот животного на 90 или бег его вниз по диагонали кадра). Систему может использовать, например, и преподаватель, нуждающийся в динамическом иллюстрировании своей лекции; за 1-2 часа система позволяет создать учебный фильм, иллюстрирующий те понятия, о которых он хочет рассказать своей аудитории.
С каждым годом появляются новые средства массового копирования произведений искусства. Качество репродуцирования художественных произведений (например, скульптуры) настолько возросло, что подчас только эксперты могут отличить копию от подлинника. Это — факт, а вот как толковать его — не столь очевидно. С. Лем, например, дает ему негативную оценку, ибо, как он полагает, такое ’’размножение” шедевров мирового искусства приводит к своего рода ’’инфляции в художественном мире”: ’’Каждый, кто посещал музеи или картинные галереи, знает, сколь губителен для красоты ее избыток”. Анализируя достижения современной науки и потенциальные возможности автоматизации творчества в его высших образцах, он свои тревоги выражает их словами: ’’Один Шекспир — явление великолепное, десять Шекспиров — к тому же еще и необычное, но там, где живет двадцать тысяч художников с шекспировским талантом, нет больше ни единого Шекспира; ибо одно дело — в пределах маленькой группы творцов соревноваться за передачу восприемникам своего индивидуального способа вйдения мира, и совсем другое — давиться у входа в систему информационных каналов, что выглядит столь же смешно, сколь и жалко” (цит. по [109, с. 312-313]).
И еще один вопрос. Мы стараемся писать о том, что есть, а не о том, что будет или что должно быть. Сейчас в кибернетике главные усилия направлены не на изучение психологии, логики и эмоциональной сферы творческого процесса, а на исследование его результата: стихов, музыки, картин и т. п.,
137
а также на разработку эвристических программ, которые на выходе выдавали бы результаты, которые непредвзято настроенным потребителем были бы признаны имеющими какую-то эстетическую ценность. К сожалению, психологией, в том числе психологией искусства, еще недостаточно выявлены феномены и механизмы художественного творчества. В этой ситуации нередко приходится следовать рецепту Льюиса Кэррола: чтобы узнать, как нужно что-либо сделать, приходится просто сделать это. По такому пути и идет большинство работ по моделированию и в науке, и в технике, и в искусстве. Конечно, это не очень хорошо, и правы те психологи, которые ставят задачу разработки комплексной психологической теории, адекватной задачам искусственного интеллекта.
Но и без такой теории на путях кибернетического моделирования художественного творчества, как мы видим, кое-что получается, а добытые результаты вдохновляют на дальнейший поиск. И быть может со временем, когда психология творчества сделает заметные успехи, мы придем и к моделированию тех или иных аспектов самого процесса, а не только его результатов.
Совсем кратко рассмотрим теперь вопрос о так называемом ’’пермута-ционном искусстве”. По-видимому, А. Моль является автором этого термина, которому в работе [101] онуделил неоправданно большое место. ”Пермутационное искусство” — это комбинаторика в искусстве, основанная на структурном подходе. Комбинаторика прежде всего предполагает, что нечто разложено на элементы, из которых можно составлять различные структуры. Поскольку (по мнению Моля) художник работает над двумя вещами: определяет набор исходных элементов и метод их комбинирования, произведение ’’пермутационного искусства” должно представлять собой совокупность (а) множества элементов и (б) способов их сочетаний. Машина систематически исследует заданное поле художественных возможностей в соответствии с некоторым алгоритмом. Так создается очень большое (но конечное) множество потенциальных ’’произведений”, из которых для ’’рынка” отбираются лучшие. Таким образом, комбинаторика обеспечивает создание множества разнообразных форм из ограниченного числа исходных элементов. Моль полагает, что ’’пермутационный подход открывает сферы, которые благодаря тому, что у них четкие границы, оказываются бесконечно богаче бескрайности человеческого воображения”.
Несомненно, Моль здесь впадает в крайности, преувеличивая возможности комбинаторики в искусстве. Некоторые предлагаемые им комбинаторноэстетические приемы, например, варьирование литературного текста при помощи так называемого транспонирования (когда, скажем, в заданном тексте каждое существительное заменяется другим существительным, отстоящим от данного в определенном словаре на некоторое фиксированное число 138
позиции) никаких полезных результатов принести не может. Тем не менее игнорирование комбинаторного подхода в искусстве тоже вряд ли оправдано. Известно, что построение новых изделий из готовых элементов может приводить к ’’подлинно творческому” эффекту. Многие процессы проектирования, содержащего неотъемлемую творческую компоненту, приводят к комбинаторным задачам. Как справедливо заметил В. В. Иванов, нетривиальные комбинации из тривиальных элементов могут дать вполне нетривиальный эффект.
ВМЕСТО ЗАКЛЮЧЕНИЯ
Кибернетика становится все более важным фактором научно-технического прогресса. Кибернетизация производства и науки демонстрирует радикально новые - освобождающие и дестандартизирующие — возможности возникающей принципиально новой техники и технологии. ’’Освобождающие”— потому, что унылый однообразный труд можно будет отдать новым машинам, оставив за человеком только те функции, которые требуют воображения, рассудительности, умения общаться с людьми. ’’Дестандартизирующие” — потому, что изготовление миллионов различных изделий станет столь же рентабельным, как и миллионов одинаковых.
Освобожденные человеком силы огромны. И дело не только в освобожденной энергии атомного ядра. По-новому зазвучала старинная сказка о джинне, выпущенном из бутылки. Тогда проблема разрешилась просто: сыграв на элементарном честолюбии, человек хитростью заманил джинна обратно в бутылку и забросил ее подальше в море. Нынешний, кибернетический ’’джинн”— джинн ’’интеллектуальный”; его не просто перехитрить. И дело здесь совсем не в тех мифических мыслящих роботах, которые якобы вытеснят человека. Просто со временем человек создает себе среду обитания и условия жизни все более и более искусственные. И чем искусственнее эта среда, тем сильнее мы зависим от надежности техники — и от ее отказов, если они происходят. С одной стороны,техника укрывает человека, создает ему комфорт, безопасность, всяческие удобства, но, с другой стороны, — ставит его в вассальную зависимость от своего безотказного функционирования. И еще: достижениями науки и техники легко манипулировать и использовать их во вред человеку. ’’Человечество умудрялось искажать практически каждое научное достижение, какие только знала история”, — писал А. Азимов, не только фантаст, но и ученый.
Отсюда вовсе не следует, что нужно (или можно) затормозить научный прогресс. ’’Невозможно выключить ’’рубильник науки”. Нельзя прекратить исследования генетического анализа и синтеза, невозможно не полететь на
139
Луну, нельзя закрыть Америку. Если человек может открыть Америку, полететь на Луну, синтезировать живое существо, построить мыслящее механическое чудовище, он непременно и неизбежно все это сделает, даже если его не побуждает к этому прямая нужда. Просто — таков человек!” [63, с. 20].
Но все же — еще несколько слов о том, что прямая нужда в системах искусственного интеллекта безусловно есть.
Биофизик Альберт Сент-Дьерди писал о мозге человеческого индивидуума: ’’Мозг есть не орган мышления, а орган выживания, как клыки или когти. Он устроен таким образом, чтобы заставить нас воспринимать как истину то, что является только преимуществом, и тот, кто логически доводит мысли до конца, совершенно не заботясь о последствиях, должен обладать исключительной, почти патологической конструкцией. Из таких людей выходят мученики, апостолы или ученые, и большинство из них кончает жизнь на костре или же на стуле — электрическом или академическом” (цит. по [ 114, с. 419]). Конечно, это гротеск, но, как и во всяком гротеске, в нем есть зерно истины.
Да, разум — это средство, при помощи которого индивидуальный организм справляется со сложной ситуацией ’’проблема — решение”. Опасно без разума решать задачи человеческой жизни. Ну, а разве мы не нуждаемся в ’’усилении” разума? Разве нынешние темпы развития всех сторон жизни не вынуждают искать орудия ’’интеллектуального труда”, подстать достигнутым мощностям в области труда физического? На все эти вопросы может быть только один ответ: автоматизация многих сторон интеллектуального труда становится насущной потребностью практики. Социальное развитие требует разума, вооруженного достижениями кибернетической техники.
С философской точки зрения мысль о том, что сознание — это такое состояние некоторой системы, к которому можно прийти различными ’’конструктивными путями”, а также при использовании различных материалов, не представляется ’’еретической”. Естественный разум, быть может, в состоянии создать разум ’’искусственный”. Такой разум — мы говорили уже о том, что тут мы фактически выходим за рамки научных прогнозов, - если он возможен, будет не только ’’кибернетическим”, но и, наверное, биофизическим, связанным с использованием закономерностей генетики, быть может, с совсем новым субстратом. Но ведь сказал же Гёте: ”И неестественное тоже природа. Кто не видит ее во всем, тот нигде не видит ее как дблжно”. Быть может, нашим отдаленным потомкам придется привыкнуть к мысли, что ’’естественное” и ’’живое” не всегда имеет неоспоримые преимущества перед ’’искусственным” и ’’неживым” в нашем нынешнем смысле. Но все это лишь догадки. Правда, догадки волнующие.
140
Рассмотрим некоторые из них. Они обсуждались на уже упоминавшейся Советско-американской конференции по связи с внеземными цивилизациями [1] и на страницах журнала ’’Вопросы философии”. Во вступительном слове на конференции (на ней были представлены крупнейшие астрофизики, кибернетики, биологи, радиофизики СССР и США, многие из них — ленинские и нобелевские лауреаты) В. А. Амбарцумян в качестве возможных носителей внеземных цивилизаций предложил рассматривать: общество из подобных друг другу членов, способных принимать, накоплять, хранить и выдавать информацию (общество из биологических организмов, подобных человеческим); кибернетическую систему, не состоящую из автономных частей; систему, состоящую из совокупности автономных кибернетических машин. Все участники симпозиума рассматривали искусственный разум как новый космический фактор. И. С. Шкловский изложил гипотезу, согласно которой возникновение искусственного разума является высшим этапом развития материи во Вселенной. При этом качественно различные этапы эволюции представлены им в следующей последовательности:
неживая эволюционирующая материя , * , живая материя
| естественная разумная жизнь |
искусственная разумная жизнь
И. С. Шкловский полагает, что эра естественных разумных существ может оказаться сравнительно кратковременным этапом развития материи во Вселенной. ’’Появление искусственных разумных существ должно ознаменовать новый, качественно отличный от предыдущих, этап развития материи” [49, с. 320]. ’’Разум как бы ’’отделяется” от своей конкретно-биологической основы и становится чисто функциональным свойством особой, весьма высокоорганизованной материи” [115].
Но остановимся в наших догадках. В области прогнозов ’’четвертого эшелона”, как назвал подобные гипотезы С. Лем, далеко не уйдешь. Здесь мы переходим в сферу фантастики — научной лишь постольку, поскольку она не противоречит науке наших дней — но все же фантастики. Она полезна, так как позволяет обозреть различные варианты очень отдаленного будущего. Но от того, что ею занимаются ученые, научной она не становится. Собственно же наука в интересующей нас области говорит о реальности создания кибернетических ’’усилителей” человеческого разума, обладающих все большей мощью. ’’Усилителей”, без которых невозможно рассчитывать на решение глобальных 141
проблем типа оптимизации взаимодействия человека и природы. Расширяющийся мир искусственного должен гармонически сочетаться с миром естественного. Ибо, как сказал Гегель, кто с разумом подходит к природе, на того и она взирает разумно. Воздадим же машине — машинное, а человеку - человеческое!
СПИСОК ЛИТЕРАТУРЫ
1.	Проблема СЕТЬ Связь с неземными цивилизациями: Пер. с англ. - М.: Мир, 1975.
2.	Максимович Г. В. Беседы с академиком В. Глушковым. - М.: Молодая гвардия, 1976.
3.	Поспелов Г. С. Системный анализ и искусственный интеллект. - М.: ВЦ АН СССР, 1980.
4.	Поспелов Г. С. Некоторые вопросы реализации диалоговых систем планирования, управления и проектирования. - М.: ВЦ АН СССР, 1980.
5.	Энтропия. - Энциклопедия кибернетики, т. 2. - Киев, 1974.
6.	Рассел Б. Человеческое познание. Его сфера и границы: Пер. с англ. - М.: ИЛ, 1957.
7.	Волькенштейн М. В. Молекулы и жизнь. Введение в молекулярную биофизику. -М.: Наука, 1965.
8.	Нюберг Н. Д. О познавательных возможностях моделирования. - В кн.: Математическое моделирование жизненных процессов. - М.: Мысль, 1968.
9.	Изоморфизм. - Философская энциклопедия, т. 2. - М., 1962.
10.	Модель. - Философская энциклопедия, т. 3. - М., 1964.
И. Гутчин И. Б. Формальные нейроны в бионике. - М.: Знание, 1967.
12.	Марков А. А. Теория алгорифмов. - Труды Математического института АН СССР, т. 42. - М.- Л.: Изд-во АН СССР, 1954.
13.	Винер Н. Кибернетика и общество: Пер. с англ. - М.: ИЛ, 1958.
14.	Винер Н. Кибернетика, или Управление и связь в животном и машине: Пер. с англ., 2-е изд. - М.: Сов. радио, 1968.
15.	Выготский Л. М. Психология искусства. М.: Искусство, 1968.
16.	Пастернак Б. Заметки к переводам шекспировских трагедий. - В кн.: Литературная Москва. - М.:ГИХЛ, 1956.
17.	Гильберт Д., Бернайс П. Основания математики. Логические исчисления и формализация арифметики: Пер. с нем. - М.: Наука, 1979.
18.	Клини С. К. Введение в метаматематику: Пер. с англ. - М.: ИЛ, 1957.
19.	Лем С. Сумма технологии: Пер. с польск. - М.: Мир, 1968.
20.	Гутчин И. Б., Кузичев А. С. Бионика и надежность. Элементы теории формальных нейронов. - М.: Наука, 1967.
21.	Шрейдер Ю. А. Наука - источник знаний и суеверий. Новый мир, 1969, № 10.
22.	Заде Л. А. Основы нового подхода к анализу сложных систем и процессов принятия решений. - В кн.: Математика сегодня: Пер. с англ. - М.:-Знание, 1974.
23.	Заде Л. А. Понятие лингвистической переменной и его применение к принятию приближенных решений: Пер. с англ. - М.: Мир, 1976.
24.	Беллман Р., Заде Л. Принятие решений в расплывчатых условиях. - В кн.: Вопросы анализа и процедуры принятия решений: Пер. с англ. - М.: Мир, 1976.
25.	Налимов В. В. Вероятностная модель языка. О соотношении естественных и искусственных языков. - М.: Наука, 1974.
142
26.	Шрейдер Ю. А. Об одной модели семантической информации. - Проблемы кибернетики, вып. 13. - М., 1965.
27.	Шрейдер Ю. А. О семантических аспектах теории информации. - В кн.: Информация и кибернетика. - М.: Сов. радио, 1967.
28.	Бирюков Б. В. Кибернетика и методология науки. - М.: Наука, 1974.
29.	Ляпунов А. А. Об управляющих системах живой природы и общем понимании жизненных процессов. - Проблемы кибернетики, вып. 10. - М.: 1963.
30.	Колмогоров А. Н. Автоматы и жизнь. - В кн.: Кибернетика ожидаемая и кибернетика неожиданная. - М.: Наука, 1968.
31.	Внеземные цивилизации. Проблемы межзвездной связи. - М.: Наука, 1969.
32.	Шмальгаузен И. И. Кибернетические вопросы биологии. - Новосибирск: Наука, 1968.
33.	Опарин А. И. Возникновение жизни на Земле. - М.: Изд-во АН СССР, 1957.
34.	Эйген М. Самоорганизация материи и эволюция биологических макромолекул: Пер. с англ. - М.: Мир, 1973.
35.	Волькенштейн М. В., Чернавский Д. С. Физические аспекты применения теории информации в биологии. - Изв. АН СССР, Сер. биологическая, 1979, № 4.
36.	Бирюков Б. В., Бирюкова Л. Г. Нетранзитивность научного объяснения и биофизика. - В кн.: Методологические и теоретические проблемы биофизики. - М.: Наука, 1979.
37.	Штейнбух К. Автомат и человек: Пер. с нем. - М.: Сов. радио, 1967.
38.	Фогель Л., Оуэнс А., Уолш М. Искусственный интеллект и эволюционное моделирование: Пер. с англ. - М.: Мир, 1969.
39.	Минский М. Л. Проблемы в области искусственного интеллекта. - В кн.: Математические проблемы биологии: Пер. с англ. - М.: Мир, 1966.
40.	Финк Д. Вычислительные машины и человеческий разум: Пер. с англ. - М. : Мир, 1967.
41.	Вычислительные машины и мышление: Пер. с англ. - М.: Мир, 1967.
42.	Спиркин А. Г. Сознание и самосознание. - М.: Политиздат, 1972.
43.	Саймон Г. Науки об искусственном: Пер. с англ. - М„ Мир, 1972.
44.	Бенерджи Р. Теория решения задач. Подход к созданию искусственного интеллекта: Пер. с англ. - М.: Мир, 1972.
45.	Нильсон Н. Искусственный интеллект. Методы поиска решений: Пер. с англ. - М.: Мир, 1973.
46.	Эшби У. Р. Кибернетика сегодня и се будущий вклад в технические науки. - В кн.: М. Таубе. Вычислительные машины и здравый смысл: Пер. с англ. - М.: Прогресс, 1964.
47.	Дрейфус X. Л. Чего не могут вычислительные машины. Критика искусственного разума: Пер. с англ. - М.: Прогресс, 1978.
48.	Колмогоров А. Н. Жизнь и мышление как особые формы существования материи. -В кн.: О сущности жизни. - М.: Наука, 1964.
49.	Шкловский И. С. Вселенная, жизнь, разум. - 4-е изд., перераб. и доп. - М.: Наука, 1976.
50.	Минский М. Вычисления и автоматы: Пер. с англ. - М.: Мир, 1971.
51.	Армер П. О возможностях кибернетических систем. - В кн.: М. Таубе. Вычислительные машины и здравый смысл: Пер. с англ. - М.: Прогресс, 1964.
52.	Эшби У. Р. Конструкция мозга: Пер. с англ. - М.: ИЛ, 1962.
53.	Таубе М. Вычислительные машины и здравый смысл. Миф о думающих машинах: Пер. с англ. - М.: Прогресс, 1964.
143
54.	Винер Н. Творец и робот: Пер. с англ. - М.: Прогресс, 1966.
55.	Естественный и искусственный интеллект (концептуальный подход). Материалы IV Международной объединенной конференции по искусственному интеллекту. Тбилиси, 1976.
56.	Чавчанидзе В. В. К теории естественного и искусственного концептуального интеллекта. - В кн.: Естественный и искусственный интеллект (концептуальный подход). Тбилиси, 1976.
57.	Чавчанидзе В. В. Новые подходы к проблемам системного анализа (Системы и структуры с точки зрения искусственного концептуального интеллекта). - В кн.: Труды ин-та кибернетики АН ГрССР, т. 1. - Тбилиси, 1977.
58.	Управление, информация, интеллект. - М.: Мысль, 1976.
59.	Нейман фон Дж. Общая и логическая теория автоматов. - В кн.: А. Тьюринг. Может ли машина мыслить? Пер. с англ. - М.: Физматгиз, 1960.
60.	Нейман фон Дж. Теория самовоспроизводящихся автоматов. Закончено и отредактировано А. Бёрксом: Пер. с англ. - М.: Мир, 1971.
61.	Поспелов Г. С., Поспелов Д. А. Исследования по искусственному интеллекту в СССР. - В кн.: Кибернетику - на службу коммунизму, т. 9. - М.: Энергия, 1978.
62.	Цетлин М. Л. Исследования по теории автоматов и моделированию биологических систем. - М.: Наука, 1969.
63.	Человеческие способности машин: Пер. с англ. - М.: Сов. радио, 1971.
64.	Захаров В. Н., Поспелов Д. А. Деонтическая логика и ее использование в моделях коллективного поведения. - В кн.: Дискретные системы, т. 4. - Рига: Зинатне, 1974.
65.	Поспелов Д. А. Модели коллективного поведения с рефлексией. - В кн.: Дискретные системы, т. 4. - Рига: Зинатне, 1974.
66.	Поспелов Д. А. Системный подход к моделированию мыслительной деятельности. -В кн.: Проблемы методологии системного исследования. - М.: Мысль, 1970.
67.	Поспелов Д. А. ’’Сознание”, ’’самосознание” и вычислительные машины. - В кн.: Системные исследования. Ежегодник 1969. — М.: Наука, 1969.
68.	Клыков Ю. И. Ситуационное управление большими системами. - М.: Энергия, 1974.
69.	Поспелов Д. А. Большие системы (ситуационное управление). - М.: Знание, 1975.
70.	Интегральные роботы: Пер. с англ. - М.: Мир, 1973.
71	.Виноград Т. Программа, понимающая естественный язык: Пер. с англ. - М.: Мир, 1976.
72.	Современные проблемы кибернетики. (Новое в жизни, науке, технике. Сер.: Математика, кибернетика. Вып. 10). - М.: Знание, 1978.
73.	Мак-Каллок У., Питтс В. Логическое исчисление идей, относящихся к нервной активности. - В кн.: Автоматы: Пер. с англ. - М.: ИЛ, 1956.
74.	Тьюринг А. Может ли машина мыслить? Пер. с англ. - М.: Физматгиз, 1960.
75.	Арсеньев А. С., Ильенков Э. В., Давыдов В. В. Машина и человек, кибернетика и философия. - В кн.: Ленинская теория отражения и современная наука, - М.: Наука, 1966.
76.	Кибернетический сборник. Вып. 1. - М.: ИЛ, 1960.
77.	Лурия А. Р. Основы нейропсихологии. - М.: МГУ, 1973.
78.	Бирюков Б. В. Что же могут вычислительные машины? - В кн.: X. Л. Дрейфус. Чего не могут вычислительные машины: Пер. с англ. - М.: Прогресс, 1978.
79.	Бонград М. М. Проблема узнавания. - М.: Наука, 1967.
80.	Самоорганизующиеся системы: Пер. с англ. - М.: Мир, 1964.
81.	Шеннон К. Составление программы для игры в шахматы на вычислительной машине. - В кн.: К. Шеннон. Работы по теории информации и кибернетике: Пер. с англ. -М.: ИЛ, 1963.
144
/
82.	Ботвинник М. ’’Пионер” готовится к чемпионату. Зачем ЭВМ играть в шахматы? -Правда, 1977, 24 февраля.
83.	Шанин Н. А., Давыдов Г. В. и др. Алгорифм машинного поиска логического вывода в исчислении высказываний. — М. — Л.: Наука, 1965.
84.	Серебрянников О. Ф. Эвристические принципы и логические исчисления. - М.: Наука, 1970.
85.	Хао Ван. На пути к механической математике. - Кибернетический сборник, вып. 5 -М.: ИЛ, 1962.
86.	Ньюэлл А., Шоу Дж., Саймон Г. А. Процессы творческого мышления. -Вкн.: Психология мышления: Пер. с англ. - М.: Прогресс, 1965.
87.	Гутчин И. Б. Кибернетические модели творчества. - М.: Знание, 1969.
88.	Глушков В. М. Машина доказывает. (Новое в жизни, науке, технике, Сер.: Математика, кибернетика. Вып. 12). - М.: Знание, 1981.
89.	Маслов С. Ю. Обратный метод установления выводимости в классическом исчислении предикатов. — ДАН СССР, т. 159, 1964, № 1.
90.	Маслов С Ю. Поиск вывода как модель эвристического процесса. - Кибернетика, 1972, №5.
91.	Адамар Ж. Исследование психологии процесса изобретения в области математики: Пер. с франц. - М.: Сов. радио, 1970.
92.	Пойа Д. Как решать задачу: Пер. с англ. - М.: Учпедгиз, 1961.
93.	Пойа Д. Математическое открытие: Пер. с англ. - М.: Наука, 1970.
94.	Биркгофф Г. Математика и психология: Пер. с англ. - М.: Сов. радио, 1977.
95.	Маслов С. Ю. Информация в исчислении и реализации перебора. - Кибернетика, 1979, №2.
96.	Пойа Д. Математика и правдоподобные рассуждения: Пер. с англ. М., ИЛ, 1957.
97.	Клини С. К. Математическая логика: Пер. с англ. - М., Мир, 1973.
98.	Рафаэл Б. Думающий компьютер: Пер. с англ. - М.: Мир, 1979.
99.	Полонский В. Сознание и творчество. - Л.: Изд-во писателей, 1934.
100.	Сноу Ч. Две культуры. - В кн.: Наука и человечество. - М.: Знание, 1970.
101.	Моль А., Фукс В., Касслер М. Искусство и ЭВМ. - М.: Мир, 1975.
102.	Гутер Р. С., Полунов Ю. Л. Математические машины. - М.: Просвещение, 1975.
103.	Валери П. Об искусстве: Пер. с франц. - М.: Искусство, 1976.
104.	Гранин Д. Священный дар. - Новый мир, 1971, №11.
105.	Гаазе-Рапопорт М. Г., Поспелов Д. А., Семенова Е. Т. Порождение структур волшебных сказок. — М.: Научный совет по комплексной проблеме ’’Кибернетика” АН СССР, 1980.
106.	Ройзман М. Все, что помню о Есенине. М.: Сов. Россия, 1973.
107.	Зарипов Р. X. Кибернетика и музыка. - М.: Наука, 1971.
108.	Зарипов Р. X. Машинная музыка и ее восприятие. - М.: Научный совет по комплексной проблеме ’’Кибернетика” АН СССР, 1980.
109.	Бирюков Б. В., Геллер Е. С. Кибернетика в гуманитарных науках. - М.: Наука, 1973.
110.	Гика М. Эстетика пропорций в природе и искусстве. - М.: Всесоюзная академия архитектуры, 1936.
Ш.^Рунин Б. М. Тоска по искусствометрии. - Вопросы литературы, 1969, № 8.
112.	Семиотика и искусствометрия. Сб. переводов. - М.: Мир, 1972.
113.	Экспертные оценки и восприятие искусства. - Труды НИИ культуры. - М., 1977.
114.	Принципы самоорганизации: Пер. с англ. - М.: Мир, 1966.
115.	Шкловский И. С. Проблема внеземных цивилизаций и ее философские аспекты. -Вопросы философии, 1973, № 2.
145
ИМЕННОЙ УКАЗАТЕЛЬ*
Адамар Ж. 98
Адельсон-Вельский Г. М. 99, 100
Азимов А. 139
Акимов Н. П. 128, 131
Амбарцумян В. А. 141
Амосов Н. М. 58, 60
Арлазаров В. Л. 99, 100
Армер П. 45,46, 47,71,82
Арсеньев А. С. 80
Аткин Л. 100
Афанасьев А. Н. 115
Ахматова А. 114
Беллман Р. 25
Белый А. 117
Бенерджи Р. 37
Бензе М. 119
Бернайс П. 18
Биркгофф Г. Д. 99, 111, 133
Бирюков Б. В. 28, 33, 72, 106, 122, 137
Бирюкова Л. Г. 33
Бодалев А. А. 129
Бонгард М. М. 81
Ботвинник М. М. 87, 100, 101
Бюффон Ж. 114
Валери П. 111, 113, 119, 122, 128
Вассерман Я. 42
Винер Н. 5, 16, 47, 111
Виноград Т. 65, 66, 67, 107
Волькенштейн М. В. 7, 30, 34
Выготский Л. М. 17
Гаазе-Рапопорт М. Г. 115
Гаспаров М. Л. 117
Гёдель К. 20, 80
Гегель Г. В. Ф. 142
Геллер Е. С. 122, 137
Генцен Г. 92
Гёте И. В. 36
Гик М. 111, 127
Гильберт Д. 18, 24
Глушков В. М. 67, 96, 97, 98, 99, 108
Гранин Д. 114
Гунценхойзер Р. 119
Гумилев Н. 118
Гутер Р. С. 113
Гутчин И. Б. 13, 24, 72, 97, 122, 123, 130
Давыдов Г. В. 80, 92, 102
Декарт Р. 49
Джинс Дж. 18
Дойль А. К. 115
Донской М. В. 100
Дрейфус X. Л. 38, 39, 69, 70, 71, 76, 77, 79,
83, 84
Дунаевский И. О. 123
Евтушенко Е. 43
Заде Л. А. 25, 26, 27, 28, 104
Зарипов Р. X. 122, 123, 126, 129, 130
Иванов В. В. 139
Ильенков Э. В. 80
Исааксон Л. 126
Калистратова С. Н. 135
Кардашев Н. С. 29
Касслер М. 112, 122, 126, 131, 138
Католин Л. 123
Килмер У. 62
Кларк А. 41
Клини С. К. 19, 20, 103, 119
Клыков Ю. И. 61, 107
Колмогоров А. Н. 29, 32, 38, 50, 51, 52,
53,71,75,76, 80, 84, 117
Колби К. М. 58, 59
Кребер К. 113
Кузичев А. С. 24, 72
Кэррол Л. 138
Лем С. 15, 16, 22, 23, 35, 44, 85, 111, 137,
141
Лойелин Дж. 58, 59
Лупанов О. Б. 50
*См. также литературу (с. 142 — 145).
146
Лурия А. Р. 77 Ляпунов А. А. 29	Рунин Б. М. 131
	Саймон Г. 37, 43, 87, 97, 102
Мак-Каллок У. 63, 72, 73, 74	Сальери А. 114
Маккей Д. М. 69, 70, 76	Семенова Е. Т. 115
Максимович Г. В. 3, 67, 108	Сент-Дьерди А. 140
Марков А. А. 13,50, 117	Сервьен П. С. 111
Маркус С. 122, 136	Серебренников О. Ф. 95, 102
Маслов С. Ю. 98, 102	Симонов П. В. 75
Мещерин В. 123	Слейт Д. 100
Миллер Дж. А. 69, 78	Сноу Ч. 111, 133
Минский М. Л. 35, 39, 41, 65, 67, 71, 76,	Спиноза Б. 49
106	Спиркин А. Г. 36, 38, 42
Моль А. 112, 122, 126, 131, 138	Стивенс А. 24
Моцарт В. А. 114	Стругацкие А. и Б. 35 Суворов А. В. 48
Налимов В. В. 28	Сутро Л. 62
Негропонте Н. 109 Нейман Дж. фон 26, 32, 53, 54, 72, 73, 85	Тарский А. 20
Нильсон Н. 37, 98	Таубе М. 44
Ньюэлл А. 96, 97, 102	Томашевский Б. В. 117
Нюберг Н. Д. 8	Тролл Дж. X. 40, 41 Тынянов Ю. 115, 116
Оккам У. 44	Тьюринг А. 72
Опарин А. И. 30 Оуэнс А. 35, 38	Уайтхед А. Н. 97 Уолш М. 38
Пастернак Б. 17, 114 Пекелис В. 118	Усков А. В. 99
Питтс В. 72, 73, 74	Фейгенбаум Э. 37
Пойа Д. 98, 102	Фельдман Дж. 37
Полонский В. 111	Финк Д. 35, 37
Полу нов Ю. Д. 113	Фогель Л. 35, 38
Поляный М. 76	Фрейденталь Г. 29
Поспелов Г. С. 3, 4, 5, 58, 59, 67, 68, 103,	Фрид Г. С. 123
105, 106	Фукс В. 112, 122, 126, 131, 138
Поспелов Д. А. 58, 59, 61, 67, 68, 103, 105,	
106, 107, 115	Хао Ван 95, 97, 101, 102
Пропп В. Я. 115	Хиллер 126
Пушкин А. С. 114	Хренников Т. Н. 123
Пушкин В. Н. 105	Цетлин М. Л. 58, 60
Рассел Б. 7, 97, 99 Рафаэлл Б. 106	Чавчанидзе В. В. 47
Ревзины И. и О. 135	Чандрасикаран Б. 69, 70, 80
Рид С. К. 69, 70, 78,81	Чернавский Д. С. 30, 34
Рикер Л. 69, 70, 80	Чёрч А. 20
Робинсон Дж. 98 Ройзман М. 118	Шанин Н. А. 91, 92, 95, 102
147
Шекспир В. 17,137
Шеннон К. 81, 87
Шкловский В. Б. 115, 116, 132
Шкловский И. С. 38, 141
Шмальгаузен И. И. 30, 34
Шоу Дж. 96, 97,102
Шрейдер Ю. А. 25, 28, 77, 84
Штейнбух К. 34
Шуберт Ф. 114
Шуман Р. 114
Эддингтон А. 18
Эдисон Т. А. 114
Эйген М. 7, 30, 31, 34
ЭйзенштейнС. 115, 116
Эйнштейн А. 28
Эшби У. Р. 38, 43
Яблонский С. В. 50
Яглинг В. 123
Яновский С. А. 93, 95
ПРЕДМЕТНЫЙ УКАЗАТЕЛЬ
Абстракция транзитивности объяснения 33
Автомат конечный 34, 70
Автоматизация интеллектуального труда 140
-	проектирования и анализа ткацких переплетений 135
Алгоритм 54
-	интеллектуального партнера 91, 93
-	логической дедукции 92
-	’’оракул” 93
-	очевидности 96
-	Эвклида 104
- эвристический 102
Антиномия фактов и контекстов 83
Аспект знания содержательный 22
---формальный 22
Базовая переменная 26
Банальность произведения 128
Бихевиоризм 43
Блок доказательств 96
- познавательный 81
- формально-логический 81
Витализм 34
Возможность принципиальная 13
Восприятие художественное 128
Вывод логический 90
Гомоморфизм 9
Дерево альтернатив 77
-	перебора 99
148
Деятельность мыслительная 70
Диалектика транзитивности-нетранзитив-ности 81
Жизнь 28
Закон 30
Знание неявное (скрытое) 76
-	развивающееся 22
-	сложившееся 23
Зрительное восприятие 5 3
Идеализация упрощения 18
Изоморфизм 9
Интеллект 35
-	искусственный 3, 5, 37, 61
Индивидуальность 56
Интуиция наглядно-содержательная 76
Информация 34
-	музыкальная 123
Искусственное-естественное 36
Искусство пермутационное 138
Кибернетика 5, 6
Кибернетические машины 3
Коллектив автоматов 5 8
Комбинаторика в искусстве 138
Континуальность мышления 82
Концепция Мак-Каллока физиологическая 63
Критерий разумности 46
Личность 56
-	искусственная 58
Логика дедуктивная 99
-	дискурсивная осознанная 75
-	математическая 27
-	норм и оценок 60
Мак-Каллока - Питтса результат 72
Математика 17
Машина кибернетическая 3
-	Тьюринга 24, 54
Метод автоматизации проектирования 108
-	математического анализа драматургических произведений 135
-	моделирования 8
-	обратный 98
—	резолюций 98
—	решения задач перспективного планирования 99
-	ситуационного управления 106
-	экспертных оценок 133
Методология автоматизации дедукции 96
’’Механизм гениальности” 114
.Механизм логического вывода 93
-	социально-психологический 36, 42
Моделирование 6
-	кибернетическое 12, 55, 75
-	личности 56, 61
-	мышления 6
-	песенной мелодии 123
-	проблемной ситуации 106
-	творчества 87
-	функций человеческого разума 71
-	эмоций 60
Модель 8
-	вещественная (внешняя) 24
-	внешнего мира 67
-	гомоморфная 10
-	драматического произведения 136
-	идеальная 15
-	изоморфная 10
-	кибернетическая 12
-	коллективного поведения ”с рефлексией” 60
-	личности ”на бумаге” 59
-	мира робота 64
-	’’невротической личности” 58
-	’’Олдос” 58
-	поведения коллективов 60
-	проблемной среды 61
-	смысловая 5
-	универсальная 12
-	физическая 16
- языковая 24
Момент озарения 75
Музыка машинная 126
Мышление 42 — машинное 71
Научное объяснение 30
Научно-техническая революция 3
Нейрон формальный 70
Несогласованность алгоритмическая 104 --языковая 104
Обусловленность мышления социальная 42
Объект конструктивный 21
-	реальный 54
Объяснение многоступенчатое 32
-	модельное 32
-	научное 30
-	эмпирических законов 31
Ограничение расплывчатое 26
Оператор расплывания 25
Описание дискурсивно-рационально-рас-
судочное 74
Отношение бинарное
-	рефлексивное 8
-	симметричное 8
-	транзитивное 8, 33
Парадокс сложного 8
-	сложности фон Неймана 32
Переменная базовая 26
-	лингвистическая 26
Перерыв постепенности 82
Пользователь конечный 4
Понятие логического следования (секвенции) 93
-	ситуационной рамки 106
-	сложности 32
Порог сложности 80
Потребитель музыкального произведения 129
Поэзия машинная 119
Поэтика структурная 116
Предмет эстетического потребления 131
Принцип ’’бритвы Оккама” 45
-	зрительной аналогии 54
-	несовместимости 26
149
-	нормализации 73
Программирование эволюционное 85
-	эвристическое 43, 102
Программируемые универсальные ЭВМ 41
Произведение машинное 120
Процедура формальная 21
Процесс модельно-объяснительный 82
-	мыслительный 6
-	творческий 48
Разум 35
-	искусственный 3, 6, 39, 141
Робот интегральный 61
-	интеллектуальный 67
-	’’проблемно-ориентированный” 63
—	программно-управляемый 65
Робототехника 61
Семантика расплывчатая 48
-	четкая 72
-	языка 24
Сеть нервная формальная 73
-	формальных нейронов Мак-Каллока -Питтса 55
Система гуманистическая 25
-	модельно-личностная 58
-	музыки интегральная 126
-	формальная 19
Сложность 47
-	задания объекта 50
-	конструктивно-энергетическая 50
-	функционирования 50
Согласованность алгоритмическая 103
-	языковая 103
Сознание 36
Способность машины творческая 88
Социальность машинная 85
Социальные факторы 32
Строгие определения 49
Среда искусственная 3
Структура мотивационная 83
Существо социальное 82
Творчество 4, 54
-	машинное 48, 71
-	научное 112
-	художественное 112
Тезис витализма 34
-	кибернетики 34
150
-	Мак-Каллока - Питтса 74
Теорема Гёделя 20, 80
-	конструктивная 73
-	математической логики 97
-	нетривиальная 95
-	существования чистая 73
-	Чёрча 20
Теория автоматов 54
-	конечно-аксиоматизируемая 91
-	работы мозга психологическая 78
-	расплывчатых множеств 25, 26
-	лингвистических переменных 26
Типология задач 104
Управление ситуационное 61
Уровень абстракции потенциальной осуществимости 15
-	практической целесообразности 14
-	принципиальной возможности 13, 87
-	реализуемости 56
-	технической реализуемости 14, 88
’’Усилитель” кибернетический 4
-	человеческого разума 141
Фактор машинный 90
-	социальный 83
Феномен алгоритмической неразрешимости 20
-	информации 34
-	понимания 86
-	скрытого знания 69
-	сознания 43, 86
-	сложности 50
-	целостности восприятия 77
Формализация 18
-	математическая 19
Функция булева 51
Целесообразность практическая 13
Ценность информации 31, 33
Целостность восприятия 77
Человек 7, 83
Числа Колмогорова 5 2
Эвристика дедуктивная 101
-	недедуктивная 101
Эксперимент мысленный 15
Экспликация 50
Энтропия 6
Эстетика Информационная 133
- математическая 133
Эффект нетривиальный 139
- подлинно творческий 139
- целостности 96
Язык классического исчисления предикатов 91
- лабиринтный 105
— математической логики практически-ориентированный 96
-	наследственности 21
-	научный 122
—	поэтический 122
—	ситуационного управления 67, 106
ОГЛАВЛЕНИЕ
Стр.
I. Кибернетика и проблемы интеллекта и творчества...................3
Вместо введения...................................................3
Моделирование....................................................6
Математика.......................................................17
Жизнь............................................................28
Разум, интеллект, сознание.......................................35
Сложность........................................................47
Личность.........................................................56
Роботы...........................................................61
Контроверзы ’’искусственного разума”.............................68
Социальные факторы...............................................82
Творчество.......................................................86
II. Машинное познание и конструирование.............................90
Автоматизация формальной логики..................................90
Игровые задачи...................................................99
Дедуктивная и недедуктивная эвристика........................  .101
Автоматическое конструирование...................................108
III. Машинное искусство.............................................111
Некоторые общие предпосылки......................................111
Стихосложение....................................................117
Музыка...........................................................122
Художественное восприятие........................................128
Искусствометрия?.................................................131
Некоторые другие направления.....................................135
Вместо заключения...................................................139
Список литературы...................................................142
Именной указатель...................................................146
Предметный указатель................................................148
Борис Владимирович Бирюков Израиль Борисович Гутчин
МАШИНА И ТВОРЧЕСТВО.
РЕЗУЛЬТАТЫ ПРОБЛЕМЫ ПЕРСПЕКТИВЫ
Редактор Н. Д. Иванушко
Художественный редактор Н. А. Игнатьев Технический редактор К. Г. М а р к о ч Корректор Л. С. Глаголева
ИБ № 170
Подписано в печать 28.09.82 г. Т-13664 Формат 60x84/16 Бумага кн.-журн. Гарнитура ’’Пресс роман” Печать офсетная Усл. печ. л. 8,83 Усл. кр.-отт. 9,411 Уч.-изд. л. 11,0 Тираж 20000 экз.	Изд. № 19637	Зак. № 1025	Цена 55 к.
Издательство ’’Радио и связь”. 101000, Москва, Главпочтамт, а/я 693
Московская типография № 4 Союзполиграфпрома при Государственном комитете СССР по делам издательств, полиграфии и книжной торговли.
129041, Москва, Б. Переяславская ул., д. 46
55 к. ООООООФОООООООООООО
В серии «Кибернетика» выйдут в свет следующие книги:
Гёльднер К. Кибернетика и ее будущее
Криницкий Н. А. Алгоритмы и роботы
Предварительный заказ на указанные книги Вы можете оформить в магазинах, распространяющих литературу по данной тематике
«РАДИО И СВЯЗЬ»